Афанасьев Илья Владимирович – кандидат юридических наук, доцент кафедры правового регулирования экономической деятельности юридического факультетаосква
Afanasiev Ilya V. – Candidate of Legal Sciences, Associate Professor of the Department of Legal Regulation of Economic Activities, Faculty of Law
Moscow
Афанасьева Ирина Васильевна – кандидат педагогических наук, доцент кафедры юридической психологии и права факультета юридической психологии Московского государственного психолого-педагогического университета
Москва
Afanasieva Irina V. – Candidate of Pedagogical Sciences, Associate Professor of the Department of Legal Psychology and Law Faculty of Legal Psychology
Moscow
Введение. В статье анализируются социокультурные и технологические аспекты внедрения цифровой образовательной аналитики, опирающейся на технологии «больших данных», в систему университетского образования. Раскрывается ее потенциал для мониторинга академической успеваемости, индивидуализации учебного процесса и выявления студентов из групп риска. Выделяются проблемы, связанные с конфиденциальностью персональных данных студентов, этическими противоречиями и различиями в культурном восприятии цифровой образовательной аналитики. Цель исследования заключается в разработке методических подходов к балансу между технологическими инновациями и защитой персональных данных студентов с учетом социокультурного контекста, способствующих формированию «цифрового доверия».Материалы и методы. Методология сочетает качественные и количественные (опросы по шкале Р. Ликерта, T-тест, расчет индекса этических рисков и вероятности утечек данных) подходы. Выборку составили российские университеты с внедренной образовательной аналитикой. Соблюдены этические принципы: анонимность, информированное согласие, триангуляция данных. Использован анализ таких цифровых технологий, как дифференциальная конфиденциальность, блокчейн и «машинное обучение».Результаты исследования. Технологический аспект цифровой образовательной аналитики показал эффективность решений по защите данных. При этом необходимо соблюдать компромиссы между безопасностью и точностью анализа. Дифференцированная конфиденциальность, добавляющая «статистический шум» к полученным данным, компенсирует индивидуальную идентификацию, обеспечивая тем самым соответствие существующим законодательным нормам. Блокчейн обеспечивает хранение академических записей децентрализованно, с надёжной криптографической защитой и фиксацией каждого доступа. Это снижает риск утечек персональных данных и способствует автоматизации многих аналитических процессов. «Машинное обучение» позволяет осуществлять обучение моделей непосредственно на университетских серверах без передачи «сырых» данных. Обмену подлежат только параметры самих моделей. Это снижает риск утечки данных примерно на 70 %. Социокультурный аспект отражает зависимость аналитики от культурных ценностей. В коллективистских обществах мониторинг эмоций и поведения воспринимается как нормальное проявление доверия к университету. В индивидуалистических культурах это воспринимается как вторжение в личное пространство студентов, что вызывает неизбежное сопротивление и даже снижает мотивацию к учебе. Использование выборочного согласия студентов снижает их тревожность, что подтверждается статистически с помощью T-теста. Предложенные рекомендации направлены на обязательное использование информированного согласия и применение этических кодексов, учитывающих культурные особенности студентов; внедрение курсов цифровой грамотности для студентов и преподавателей; комбинирование цифровой технологии и «свободных от анализа» модулей с целью сохранения академической свободы и пространства для творчества студентов.Обсуждение и заключения. Главное противоречие цифровой образовательной аналитики наблюдается между точностью прогнозов и этичностью сбора, хранения и использования персональных данных студентов. Добавление «шума» защищает студентов, но одновременно снижает прогностический потенциал используемых аналитических моделей. Машинные алгоритмы часто воспроизводят существующие социальные стереотипы, что особенно заметно в многонациональных вузах. Проблема состоит в том, что образование постепенно дегуманизируется, а студенты могут превратиться в «объекты данных», теряя свою профессиональную креативность и личную конфиденциальность. Цифровая образовательная аналитика открывает возможности для персонализации и оптимизации обучения, но требует разумного баланса инноваций с гуманистическими ценностями, реализуемого через федеральный аудит алгоритмов, этические стандарты, адаптированные к локальным нормам. Перспективы дальнейших разработок могут идти через сравнительный анализ регуляций в разных странах и континентах; разработку инноваций в ресурсосберегающих облачных технологиях с адаптацией к этическим нормам; углубленное изучение этических факторов по возрастным, религиозным и этническим группам.
Introduction. The article analyzes the sociocultural and technological aspects of implementing digital educational analytics, based on big data technologies, in the university education system. Its potential for monitoring academic performance, individualizing the learning process, and identifying students at risk is highlighted. Problems related to the loss of confidentiality of students' personal data, ethical contradictions, and differences in cultural perceptions of digital analytics emphasized. The purpose of the study is to develop methodological approaches to balancing technological innovations and data protection, taking into account the sociocultural context, which contributes to the formation of the concept of «digital trust».Materials and methods. The methodology combines qualitative and quantitative approaches (surveys on the R. Likert scale, T-test, calculation of the ethical risk index and the probability of data leaks). The sample consisted of Russian universities with implemented analytics (stratified by courses and fields of study). Ethical principles were observed: anonymity, informed consent, data triangulation. Practices of implementing digital technologies such as differential privacy, blockchain, and machine learning were analyzed.Results. The technological aspect of applying digital educational analytics demonstrates the effectiveness of data protection solutions but reveals compromises between security and data analytical accuracy. The differential privacy method, which adds "statistical noise" to the data, prevents individual identification while preserving aggregated utility, in compliance with legislative requirements. Blockchain technology ensures decentralized storage of academic records with cryptographic protection and access logging, reducing the likelihood of personalized data leaks and automating analytical processes. Machine learning enables local model training on university servers without transmitting raw data, exchanging only model parameters, thereby reducing data leak risks by 70%. The sociocultural aspect reveals the influence of cultural values on the perception of analytics: in collectivist societies, students more readily accept monitoring of emotions and behavior as a norm of trust in institutions, while in individualist ones, it is perceived as an invasion of autonomy, causing resistance and reducing motivation. The implementation of selective consent (choice of data for transmission) in university practice reduces student anxiety, as confirmed by the T-test with a downward trend. The proposed recommendations focus on the mandatory use of informed consent and ethical codes with sociocultural adaptation; the introduction of digital literacy courses for students and faculty; and the combination of technologies with «analysis-free» modules to preserve academic freedom.Discussion and conclusions. The main contradiction in digital educational analytics is between its accuracy of analysis and predictions and the ethics of collecting, storing, and using students' personal data. Adding "noise" protects students but simultaneously reduces the predictive power of the analytical models used. Machine algorithms often reproduce existing social stereotypes, which is especially noticeable in multinational universities. The risk is that education is gradually dehumanized, and students may become "data objects," losing space for professional creativity and personal freedom. Digital educational analytics opens opportunities for personalization and optimization of learning but requires balancing innovations with humanistic values through federal auditing of algorithms and ethical standards adapted to local norms. Prospects for further developments may involve comparative analysis of regulations in different countries and continents; innovations in resource-saving cloud technologies with dynamic adaptation to ethics; and in-depth study of ethical factors across age, religious, and ethnic groups.
The authors declare that there are no conflicts of interest present.