Как выстроить эффективный подход к обучению цифровых инженеров?

Продолжаем серию публикаций «Полезный понедельник», в которой мы поделимся с вами уникальными кейсами победителей Премии Digital Learning 2024! 

Кейс №7. «Образовательный продукт и Цифровая платформа «Школы 21». (1 место на Премии Digital Learning 2024 в номинации «Образовательные экосистемы»)

Школа 21 от Сбера бесплатно готовит специалистов различных IT-специальностей без преподавателей и теории. Этот кейс раскроет секрет успеха такой необычной экосистемы, эффект который подтверждается результатами. А ещё узнаем про бассейн и пиров проекта-победителя Премии Digital Learning.

О проекте
Проект даёт возможность любому взрослому человеку любой подготовки и профессии освоить IT-специальность за счёт полного погружения в практику, работы в команде, умения защищаться и оценивать.

Цели проекта:
Обучить IT-профессиям любых желающих— без оплаты и подготовки.

Экосистема:
- Цифровая платформа — разработана Сбером совместно со «Школой 21»
- Контент — более 10 000 часов материалов от экспертов-практиков
- Пространство — при гибридном формате кампусы 24/7/365 позволяют участникам выстроить удобный график
- Комьюнити — основа эффективности методики «равный равному»

Реализация
В Школе 21 нет преподавателей и теории. Всё обучение строится на практике — от одного практического проекта к другому. И чтобы эти проекты действительно обучали и были актуальны рынку, их пишут эксперты — действующие специалисты.

Обучение строится по методологии «peer-to-peer» (равный равному), которая невозможна без развитого сообщества. Участники учатся сами и учат других.

И третье слагаемое успеха — это круглосуточное пространство, в которое «пиры» могут приходить, чтобы совместно работать над проектами. А также – проводить клубы по интересам, развивая коммуникацию...

Что получилось?

Читайте на сайте сообщества: https://digital-learning.ru/kak-vystroit-effektivnyj-podxod-k-obucheniyu-cifrovyx-inzhenerov-kejs-shkola-21/

И смотрите запись: https://vkvideo.ru/video-211394548_456239347

Узнать больше о Премии: https://dlmeeting.online/award

Андрей Матюков и команда сообщества Digital Learning

#Полезный_понедельник_Digital_Learning

Добрый день, коллеги 👋🏼

Мы уже обсуждали формирующее и суммативное оценивание. Теперь поговорим о фундаменте, с которого часто начинается учебный процесс — диагностирующем оценивании.

Если говорить кратко, то диагностирующее оценивание — это процесс оценки исходного уровня знаний, умений, навыков (ЗУНов) или компетенций обучающихся до начала обучения или его нового этапа (подтемы, темы, модуля, курса и т.д.).
Основная цель этого вида оценивания не столько в том, чтобы определить конкретную оценку, сколько в том, чтобы зафиксировать исходный уровень знаний по теме.

Диагностирующее оценивание может проводиться в следующих формах 👇🏼

• входные анкеты или опросы (о предыдущем опыте, ожиданиях, самооценке знаний и т.д.),
• предварительное тестирование (например, по ключевым понятиям будущей темы),
• короткие опросы в начале занятия или модуля,
• написание коротких эссе или рассуждений,
• решение кейсов,
• мозговой штурм (например, по ключевым терминам темы),
• интервью или беседы с обучающимися и т.д.

Диагностирующее оценивание помогает👇🏼

1. Выявить исходный уровень знаний для поддержки обучающихся.

Например, перед началом учебного курса «Основы программирования на JavaScript» проводится тестирование на понимание базовых алгоритмических конструкций (сортировка, поиск, работой со структурами данных и рекурсией). Результаты показывают: 25% обучающихся знают базовые алгоритмические конструкций, 20% имеют фрагментарные знания, у 55% — отсутствуют знания по теме. Это позволяет сразу разделить целевую аудиторию обучающихся по группам для их поддержки.

2. Скорректировать учебный процесс.

Например, перед модулем «Статистический анализ данных» в учебном курсе по Data Science проводится диагностика знаний математической статистики. Выясняется, что 70% группы забыли ключевые понятия, а 30% испытывают трудности с интерпретацией графиков распределения. Соответственно, выделяется дополнительное время на повторение материала (или создание раздаточных материалов).

3. Индивидуализировать учебный процесс.

Например, перед началом учебного курса «Аналитика данных» проводится комплексная диагностика знаний при помощи различных практических заданий: мини-кейс по выполнению расчетов через датасет с данными, анализ фрагмента кода, интерпретация визуализации и т.д. Анализ результатов диагностики позволяет кластеризовать целевую аудиторию обучающихся: группа 1 — знают теорию (статистику), но слабые практические навыки программирования (например, на Python), группа 2 — существует опыт в программировании, но пробелы в статистике и интерпретации результатов, группа 3 — развитые навыки визуализации, но не умеют формулировать гипотезы и т.д. А затем уже для каждой группы обучающихся назначить образовательные траектории по учебному курсу.

Теперь рассмотрим несколько мифов про диагностирующее оценивание 👇🏼

«Диагностирующее оценивание — это формальность в начале курса»

Нет, обычно результаты диагностирующего оценивания влияют на то, как выстроить логику учебных занятий, какой темп обучения выбрать, какую поддержку оказать разным обучающимся и т.д. Кстати, если позволяют ресурсы, то диагностирующую оценку можно проводить даже в процессе разработки учебного курса.

«Диагностирующее оценивание нужно только преподавателю/эксперту/тренеру и т.д., а для обучающегося оно бесполезно»

Не совсем.
Результаты диагностики помогают самому обучающемуся:
• Выявить «пробелы в знаниях»,
• Сформулировать реалистичные учебные цели,
• Понять, на какие темы обратить внимание и т.д.

«Диагностика — это всегда тестирование»

Нет, диагностика может быть разной. Можно использовать анкеты, обсуждения, написание эссе и т.д.
На мой взгляд, важнее донести до обучающихся, что это не оценка в классическом виде, а возможность понять с чего эффективнее начать обучение (ведь для начинающих — это возможность снизить когнитивную нагрузку, а для опытных — пропустить уже известные им темы).

Коллеги, а где вы применяете диагностирующий вид оценивания ❓
Делитесь, пожалуйста, мнениями в комментариях к посту 👇🏼

Кризис доткомов, Сэм Альтман и при чём тут e-learning?

Сэм Альтман, генеральный директор OpenAI, в недавнем интервью сравнил ажиотаж вокруг искусственного интеллекта с кризисом доткомов конца 1990-х – начала 2000-х.

Это безумие, что некоторые стартапы в области ИИ, состоящие из «трёх человек и одной идеи», получают финансирование по таким высоким оценкам. Это нерационально.

Что такое кризис доткомов, и чем он похож на ажиотаж вокруг ИИ?

Кризис доткомов
В конце 1990-х интернет казался революцией, и инвесторы массово вкладывались в любые компании с приставкой «.com». Эксперты сходились во мнении: за интернетом будущее, совсем скоро продажи через интернет вырастут в десятки раз, а бизнес в интернете станет сверхприбыльным. Как показало время, эксперты были правы.

Акции росли даже у убыточных .com-стартапов, а индекс NASDAQ за пять лет вырос на 500%.
Но уже в марте 2000 года NASDAQ обвалился на 78%, уничтожив триллионы долларов капитализации. Что произошло?

Классической иллюстрацией краха стала история Pets.com. Этот стартап, продававший корм и товары для животных, стал иконой эпохи благодаря агрессивному маркетингу и узнаваемому талисману — носковому щенку. Компания привлекла более 80 миллионов долларов инвестиций. Но за яркой рекламой и инновационным .com скрывалась нерациональная модель: компания продавала тяжёлые банки и мешки с кормом с бесплатной доставкой, теряя деньги на каждой продаже. Выручка в первый год составила 619 тысяч долларов, а только на рекламу было потрачено более 11 миллионов. Всего через девять месяцев после выхода на биржу, в ноябре 2000 года, Pets.com обанкротился, став одним из самых громких символов кризиса.

Его судьба наглядно показала главную причину коллапса: ведение бизнеса через интернет является мощным инструментом, но не самодостаточной бизнес-моделью, способной генерировать доход. Технология не отменяет базовых законов экономики. Если вы покупаете товар за доллар, а продаёте за 50 центов, вы разоритесь. Даже если продаёте через интернет.

И здесь кроется ключевой парадокс: именно на «обломках» этого пузыря выросли гиганты, которые и доказали истинную силу интернета. Amazon, eBay и Google выжили и преуспели не потому, что были «просто доткомами», а потому, что предложили рынку реальную ценность: огромный выбор, эффективные платформы для торговли и революционный поиск. Они не забывали, что технология — это средство, а не цель.

Истинная ценность технологии — когда она начинает решать конкретные проблемы, делая процессы дешевле, быстрее и удобнее.

Искусственный интеллект сегодня
ИИ, как и интернет в 90-е, воспринимается как магия. Потенциал и возможности для автоматизации множества рутинных процессов огромны. Но здесь важно помнить: любая автоматизация имеет цену.
Автоматизация с помощью ИИ — это не только разработка, но и постоянные расходы на токены, поддержку, обновления и адаптацию. В итоге может оказаться, что «умный» процесс стоит дороже, а его качество уступает традиционному аналогу. Ровно как бесплатная доставка тяжёлых мешков корма в эпоху Pets.com выглядела инновационно, но превращала каждый заказ в убыток.

А при чём тут e-learning?
Электронное обучение — одна из сфер, где ажиотаж вокруг ИИ ощущается особенно сильно. Уже сегодня компании и вузы внедряют «умные» системы: персонализированные курсы, автоматическую проверку заданий, ИИ-тьюторы. Но здесь важно помнить урок доткомов: не технология сама по себе создаёт ценность, а её умение решать конкретные задачи.

Если ИИ в e-learning продукте будет использоваться лишь как модный инструмент без реального улучшения опыта студентов и преподавателей, то это будет тот самый «Pets.com» от образования.
Но если продукт с ИИ позволит:
• адаптировать курсы под каждого учащегося,
• снизить затраты на обучение,
• сделать образовательные программы доступнее,
• повысить вовлечённость и качество знаний,
— тогда он станет «Amazon» в сфере образования.

Алексей Миляев и команда сообщества Digital Learning

Грейды, компетенции и реальные процессы

Я один из лидеров быстрорастущей Айти команды, которая продолжает расти. И одну из ключевых ролей в этом играют процессы обучения и прозрачной оценки вклада.

Несколько лет назад наша команда составляла 5-8 человек и существовала в виде простого товарищества. Любые наши попытки расти приводили к слому процессов и тяжелым разговорам. Мы топтались на месте ища разные серебрянные пули.

Мы уже тогда понимали, что обучение новичков и прозрачность оценки вклада это один из ключевых факторов роста команды, ее совокупных компетенций, сложности проектов с которыми команда может работать. Мы изменились и команда начала быстро расти: от 8 до 16, от 16 к 45. Удерживать быстрый рост нам позволил трекер и введенная грейдовая система, соединенная с системой обучения сотрудников.

Вводя грейды важно понимать, что каждый грейд это не просто цифра, которую получает человек, но еще и качественное ранжирование ролей. Роль в свою очередь это свернутый компетенционный профиль. Линейный рост человека в одном навыке не дает качественного скачка, нужен рост в наборе навыков, в определенном направлении. Оценка вклада человека это оценка задач, которые человек выполняет и потенциала человека, его способности приспособиться в новых обстоятельствах.

Свою систему оценки вклада мы разделили на 9 грейдов и 18 направлений, для каждого грейда сделали качественное описание. Каждому грейду и направлению по возможности сопоставили ролями. Например грейд L0 “Стажер” это “работает по желанию, набирается опыта, проходит учебную практику”. Для трека “дизайнер” в нем есть стажер дизайнер. Набор его компетенций составляет профиль роли.

Ключевым фактором для введения прозрачности такой системы является наличие задач “на вырост”, которые могут растить компетенции в нужном треке. Система учитывает, когда участник сделал задачи и добавляет компетенции в его личный профиль в зависимости от типа задач.

Этим наша система отличается от стандартного подхода в грейдировании баллами и тестированием. А как вы в своей компании вводили грейды и для чего?

Моросеев Федор и команда сообщества Digital Learning