Пандемия СOVID-19 показала не только степень готовности системы образования к дистанционным формам обучения, но и всю нищету тех инструментов, которые доступны для его сопровождения в online-режиме. Конечно, контактный вид занятий куда эффективней, чем дистанционный, но в условиях строгих ограничений его использовать проблематично. При этом выигрыш в степени индивидуализации подачи учебного материала при дистанционном обучении нивелируется отсутствием прямого контакта с учащимися (наличие веб-камер даже на лекциях-вебинарах не решает этой проблемы). Более того, никакие платформы LMS и более развитые автоматизированные обучающие системы (АОС), позволяющие реализовать электронное обучение, не дают желаемого эффекта, если в них объект управления (наш учащийся) фиксируется поверхностно. И главной причиной этого служит то, что «образ» учащегося можно восстановить только по его реакциям (следам) в обучающей системе. Поэтому от того, насколько механизм формирования и дальнейшей обработки образовательного цифрового следа (ОЦС) проработан в конкретной системе/платформе обучения, зависит её возможность стать достойной альтернативой полноценному очному обучению в специфических обстоятельствах.
Собственно, проблема фиксации ОЦС возникла на заре программированного обучения, и автоматизированные обучающие системы сначала расширили комплект моделей, описывающих «мир за пределами экрана», а затем обзавелись подсистемами интеллектуального анализа учебной ситуации (планировщиком, см. табл.).
На уровне отдельного курса в состав ОЦС могут входить разнородные данные, непосредственно характеризующие действия ученика (в составе его модели). На рис. 1 представлена комплектация ОЦС различными видами информации, привязанными к условной временной шкале. Но можно ли систематически собирать ОЦС и применять его? Рассмотрим этот вопрос подробнее, введя сквозное видение образовательного следа в рамках концепции Lifelong Learning.
Условно, можно рассмотреть обобщение данных из ОЦС относительно трёх уровней абстракции: