Нигерия
Екатеринбург, Свердловская область, Россия
Санкт-Петербург, Россия
Цифровые образовательные технологии (DET) уверенно заняли позиции структурного элемента современной системы высшего образования. Несмотря на успехи цифровизации вузов, остаются проблемы, связанные с большими затратами и техническими аспектами внедрения удобных в пользовании и высококачественных цифровых платформ. Это актуализирует проблему оптимизации университетских бюджетов на цифровизацию. Целью статьи является исследование инструментов комплексного семантического анализа и анализа настроений в российских вузах как инструмента оценки эффективности DET. Задачами исследования явились: обзор литературы по заявленной проблеме; разработка методологии исследования; проведение комплексного семантического анализа и анализа настроений в российских вузах; оценка эффективности DET; разработка рекомендаций для повышения эффективности DET. Методы исследования: использован гибридный количественный и качественный подход; включая систематические обзоры, использование лексики и обработку естественного языка (NLP) для анализа настроений и семантики. Результаты исследования показывают, что, хотя 88% вузов имеют системы управления обучением (LMS), только 45% эффективно используют их в образовательных целях. Только 44% университетов имеют лицензии на программное обеспечение для совместной работы (Zoom), а 13% не имеют необходимой цифровой инфраструктуры (высокоскоростной Интернет). Эти пробелы указывают на значительные препятствия к эффективному использованию DET. Результаты анализа настроений показывают, что учащиеся в целом положительно относятся к цифровым учебным платформам, а методы анализа настроений, основанные на глубинном обучении, демонстрируют высокую эффективность DET. Авторы рекомендуют совершенствовать цифровую инфраструктуру, повышать уровень подготовки ППС и студентов, а также разрабатывать целевые стратегии для лучшей интеграции DET. Исследование дополняет существующую литературу, предоставляя всестороннюю оценку DET в российских вузах с использованием передовых аналитических методов. Подчеркивается необходимость постоянных инвестиций и стратегического планирования для полной реализации преимуществ DET.
Цифровые образовательные технологии (DET); Системы управления обучением (LMS); Цифровая грамотность; Анализ настроений; Сентимент-анализ; Семантический анализ; Цифровая инфраструктура; Высшее образование в России; Конструктивистская теория обучения (CLT); Эффективность цифровых образовательных технологий; Эффективность DET
1. Abuhassna, H., Al-rahmi, W., Yahya, N., Zakaria, M., Kosnin, A., & Darwish, M. Development of a new model on utilizing online learning platforms to improve students’ academic achievements and satisfaction // International Journal of Educational Technology in Higher Education. – 2020. https://doi.org/10.1186/ s41239-020-00216-z
2. Alencar, G., & Netto, J. F. M. A comprehensive review on sentiment analysis in social networks // Expert Systems with Applications. – 2020. – 142, 113018. https://doi.org/10.1016/j.eswa.2019.113018
3. Alenezi, M. Digital Learning and Digital Institution in Higher Education. Education Sciences. – 2023. 13(1). 88. https://doi.org/10.3390/educsci13010088
4. Alenezi, M., Wardat, S., & Akour, M. The Need of Integrating Digital Education in Higher Education: Challenges and Opportunities // Sustainability. – 2023. – 5(6), 4782. https://doi.org/10.3390/su15064782
5. Al-Hail, M., Zguir, M. F., & Koç, M. University students’ and educators’ perceptions on the use of digital and social media platforms: A sentiment analysis and a multi-country review // iScience. – 2023. – 26(8), 107322. https://doi.org/10.1016/j.isci.2023.107322
6. Almazova, N., Krylova, E., Rubtsova, A., & Odinokaya, M. Challenges and Opportunities for Russian Higher Education amid COVID-19: Teachers’ Perspective // Education Sciences. – 2020. https://doi. org/10.3390/educsci10120368
7. Alshammary, F. M., & Alhalafawy, W. S. Digital Platforms and the Improvement of Learning Outcomes: Evidence Extracted from Meta-Analysis. Sustainability. – 2023. DOI:https://doi.org/10.3390/su15021305
8. Clark, A., Nong, H., Zhu, H., & Zhu, R. Compensating for academic loss: Online learning and student performance during the COVID-19 pandemic // China Economic Review. – 2020. DOI:https://doi.org/10.1016/j. chieco.2021.101629
9. Consoli, S., Barbaglia, L., & Manzan, S. Fine-Grained, Aspect-Based Sentiment Analysis on Economic and Financial Lexicon // Data Collection & Empirical Methods. – 2021. https://doi.org/10.2139/ssrn.3766194
10. Drozdikova-Zaripova, A. R., Valeeva, R. A., & Latypov, N. R. The impact of isolation measures during COVID-19 pandemic on Russian students’ motivation for learning. // Education Sciences. – 2021. – 11(11), 722. http://dx.doi.org/10.3390/educsci11110722
11. Drugova, E., Zhuravleva, I., Aiusheeva, M., & Grits, D. Toward a model of learning innovation integration: TPACK-SAMR based analysis of the introduction of a digital learning environment in three Russian universities // Education and Information Technologies. – 2021. – 26, 10514. https://doi.org/10.1007/ s10639-021-10514-2
12. Grimalt-Álvaro, C., & Usart, M. Sentiment analysis for formative assessment in higher education: a systematic literature review // Journal of computing in higher education. – 2023. 1-36. https://doi.org/10.1007/ s12528-023-09370-5.
13. Kastrati, Z., Dalipi, F., Imran, A. S., Nuçi, K. P., & Wani, M. A. Sentiment analysis of students’ feedback with NLP and deep learning: A systematic mapping study // Applied Sciences. – 2021. https://doi.org/10.3390/APP11093986
14. Ke, Z., Sheng, J., Li, Z., Silamu, W., & Guo, Q. Knowledge-Guided Sentiment Analysis Via Learning From Natural Language Explanations // IEEE Access. – 2021. https://doi.org/10.1109/ACCESS.2020.3048088 15. Kitchenham, B. Procedures for performing systematic reviews. Keele. – UK: Keele University, 2004. – 33(2004), 1-26.
15. Kliziene, I. et al. The Impact of the Virtual Learning Platform EDUKA on the Academic Performance of Primary School Children // Sustainability. – 2021. DOI:https://doi.org/10.3390/SU13042268
16. Li, X., Lin, X., Zhang, F., & Tian, Y. What Matters in Online Education: Exploring the Impacts of Instructional Interactions on Learning Outcomes. Frontiers in Psychology. // 2022. DOI: 10.3389/ fpsyg.2021.792464
17. Liberati, A., Altman, D. G., Tetzlaff, J., Mulrow, C., Gotzsche, P. C., Ioannidis, J. P. A., Clarke, M., Devereaux, P. J., Kleijnen, J., & Moher, D. The PRISMA statement for reporting systematic reviews and metaanalyses of studies that evaluate healthcare interventions: Explanation and elaboration // BMJ. – 2009. 339, b2700–b2700.
18. Liu, Z. J., Tretyakova, N., Fedorov, V., & Kharakhordina, M. Digital Literacy and Digital Didactics as the Basis for New Learning Models Development // International Journal of Emerging Technologies in Learning. – 2020. doihttps://doi.org/10.3991/ijet.v15i14.14669
19. Liu, Z.-Y., Lomovtseva, N., & Korobeynikova, E. Online Learning Platforms: Reconstructing Modern Higher Education // International Journal of Emerging Technologies in Learning. – 2020. DOI:https://doi.org/10.3991/ijet. v15i13.14645
20. Mandaar B. Pande, S. Bharathi. Theoretical foundations of design thinking – A constructivism learning approach to design thinking // Thinking Skills and Creativity. – 2020. DOI:https://doi.org/10.1016/j.tsc.2020.100637
21. Mohd, M., Javeed, S., Nowsheena, & Wani, M. A. Sentiment analysis using lexico-semantic features // Journal of Information Science. – 2022. https://doi.org/10.1177/01655515221124016
22. Mostafa, M. M. An investigation of sentiment analysis in educational data: A lexicon-based approach // Educational Technology & Society. – 2020). 23(4), 52-65. https://www.jstor.org/stable/26828279
23. Nikolić, N., Grljević, O., & Kovačević, A. Aspect-based sentiment analysis of reviews in the domain of higher education // The Electronic Library. – 2020. https://doi.org/10.1108/el-06-2019-0140
24. Noor, U., Younas, M., Aldayel, H. S., Menhas, R., & Xu, Q. Learning behavior, digital platforms for learning and its impact on university students’ motivations and knowledge development // Frontiers in Psychology. 2022. https://doi.org/10.3389/fpsyg.2022.933974
25. Peskova, O., Sharkevich, I., Belskikh, I., & Boriskina, T. B. Assessment of the digital activity of universities: Russian educational platform of the Yuryat // Perspectives of Science and Education. – 2022. 2, 37. https://doi.org/10.32744/pse.2022.2.37
26. Phillips, M., Reed, J. B., Zwicky, D., & Van Epps, A. S. A scoping review of engineering education systematic reviews // Journal of Engineering Education. – 2023.
27. Pinto, M., & Leite, C. Digital technologies in support of students learning in Higher Education: literature review // Digital Education Review. – 2020. 37, 343-360. https://doi.org/10.1344/der.2020.37.343360
28. Potapova, R. K., & Potapov, V. V. Sentiment analysis of digital communication // Вестник Московского государственного лингвистического университета. Гуманитарные науки. – 2023. (4 (872)), 86-96. DOIhttps://doi.org/10.52070/2542-2197_2023_4_872_86
29. Pradana, M., Rintaningrum, R., Kosov, M., Bloshenko, T., Rogova, T., & Singer, N. Increasing the effectiveness of educational technologies in the foreign languages learning process by linguistic students (comparative analysis of Russian, Indonesian and Egyptian experience) // In Frontiers in Educatio. – 2022. Vol. 7, p. 1011842. https://doi.org/10.3389/feduc.2022.1011842
30. Ronzhina, N., Kondyurina, I., Voronina, A., Igishev, K., & Loginova, N. Digitalization of Modern Education: Problems and Solutions // International Journal of Emerging Technologies in Learning. – 2021. 16(4), 18203. https://doi.org/10.3991/IJET.V16I04.18203
31. Sanda, M. Impact of digitised ‘teaching-learning’ virtual platforms on tertiary students’ learning objectives and teaching outcomes // Theoretical Issues in Ergonomics Science. – 2022. DOI:https://doi.org/10.1080/1463922x.2022.2161114
32. Sanglerdsinlapachai, N., Plangprasopchok, A., Ho, T., & Nantajeewarawat, E. Improving sentiment analysis on clinical narratives by exploiting UMLS semantic types // Artificial Intelligence in Medicine. – 2021. https://doi.org/10.1016/j.artmed.2021.102033
33. Schurig, T., Zambach, S., Mukkamala, R. R., & Petry, M. Aspect-based Sentiment Analysis for University Teaching Analytics. 2022.https://aisel.aisnet.org/ecis2022_rp/135utm_source=aisel.aisnet.org%2Fecis2022_rp%2F135&utm_medium=PDF&utm_campaign=PDFCoverPages
34. Smetanin, S. The applications of sentiment analysis for Russian language texts: Current challenges and future perspectives. IEEE Access. – 2020. https://doi.org/10.1109/ACCESS.2020.3002215
35. Sun, P. P., & Chen, L. Y. Digital technologies in higher education: Implementation and assessment. Journal of Educational Technology & Society. – 2016. 19(1), 203-214. https://www.jstor.org/stable/ jeductechsoci.19.1.203
36. Vertakova, Y., Gorodilov, M., Popov, V., Bulgakova, I., & Alexandrova, T. Development of remote learning system in higher educational institutions of the Russian Federation: from local practice to integration into the digital university model // International Journal of Technology Enhanced Learning. – 2022. https:// doi.org/10.1504/ijtel.2022.10048082
37. Wan, H., & Tang, S. Sentiment analysis of students in ideological and political teaching based on artificial intelligence and data mining // Journal of Intelligent and Fuzzy Systems. – 2021. https://doi. org/10.3233/JIFS-219047
38. Xiang, Q., Huang, T., Zhang, Q., Li, Y., Tolba, A. M., & Bulugu, I. E. A novel sentiment analysis method based on multi-scale deep learning // Mathematical Biosciences and Engineering. – 2023. https://doi. org/10.3934/mbe.2023385
39. Zhai, G., Yang, Y., Wang, H., & Du, S. Multi-attention fusion modeling for sentiment analysis of educational big data // Big Data Mining and Analytics. – 2020. https://doi.org/10.26599/bdma.2020.9020024
40. Zhang, Z., Zhang, J., & Guo, C. Sentiment analysis: A lexicon-based approach // International Journal of Computer Applications. – 2012. 38(3), 22-28. https://doi.org/10.5120/4632-6797
