Социокультурные и технологические аспекты применения цифровой образовательной аналитики в университетском образовании

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.

1. Аветисян А. И. Искусственный интеллект в гуманитарной сфере. Угрозы и возможности // Вестник Российской академии наук. 2024. Т. 94, № 7. С. 623-628. DOI: 10.31857/S0869587324070028.

2. Алексеев А. П., Алексеева И. Ю. Статус этических кодексов в этике искусственного интеллекта // Информационное общество. 2024. № 4. С. 43-49. DOI: 10.52605/16059921_2024_04_43.

3. Афанасьева Е. Н. Системы искусственного интеллекта и «большие данные» в правоприменительной практике: правовые и этические проблемы // Большие данные: материалы I Международного форума, Новосибирск, 16–18 ноября 2022 года / отв. редактор А. А. Макарцев, редколлегия: Т. Н. Дудина [и др.]. Новосибирск: Новосибирский государственный университет экономики и управления «НИНХ», 2023. С. 169-176.

4. Бегишев И. Р. Технология искусственного интеллекта: мировой опыт развития // Baikal Research Journal. 2020. Т. 11, № 3. С. 1. DOI: 10.17150/2411-6262.2020.11(3).1.

5. Гаспарян Д. Э., Турко Д. С., Бессчетнова Е. В. Этические ограничения применимости искусственного интеллекта: культурфилософский анализ // Вопросы философии. 2023. № 9. С. 93-102. DOI: 10.21146/0042-8744-2023-9-93-102.

6. Журавлева Е. Ю. Вызовы технологий «больших данных» для современных социогуманитарных наук // Вопросы философии. 2018. № 9. С. 50-59. DOI: 10.31857/S004287440001353-3.

7. Коваль Е. А. Большие языковые модели и моральное зло // Мир человека: нормативное измерение – 8.0. Анормальное: сборник трудов конференции, Саратов, 08–10 июня 2023 года. Саратов: Саратовская государственная юридическая академия, 2023. С. 256-262.

8. Лесюк М. И. Этические аспекты нейросетевых технологий в науке и образовании // Искусственные общества. 2023. Т. 18, № 3. DOI: 10.18254/S207751800027043-6.

9. Мартынова М. Д., Коваль Е. А., Жадунова Н. В. Big Data как технологический вызов этическим принципам // Вестник Московского университета. Серия 7: Философия. 2021. № 4. С. 84-101.

10. Мейрияни М., Варганегара Д. Л., Андини В. Большие данные, машинное обучение, искусственный интеллект и блокчейн в корпоративном управлении // Форсайт. 2023. Т. 17, № 4. С. 69-78. DOI: 10.17323/2500-2597.2023.4.69.78.

11. Мухачёва А. В. Цифровизация в зарубежных странах: общие закономерности и особенности влияния на экономическое развитие и социальную сферу // Экономика. Налоги. Право. 2025. Т. 18, № 6. С. 82-90. DOI: 10.26794/1999-849X-2025-18-6-82-90.

12. Параскевов А. В., Уварова А. Г. Аспекты применения Big Data // Филологические и социокультурные вопросы науки и образования: сборник материалов VIII Международной научно-практической очно-заочной конференции, Краснодар, 24 октября 2023 года. Краснодар: Кубанский государственный технологический университет, 2023. С. 465-469.

13. Пестунов А. И., Гинтофт А. С., Криветченко О. В. Big data как феномен: причины и следствия появления больших данных // ЭКО. 2023. № 9 (591). С. 137-154. DOI: 10.30680/ECO0131-7652-2023-9-137-154.

14. Попов А. А. Технические и этические стандарты в сфере больших данных // Гуманитарные и политико-правовые исследования. 2023. № 4 (23). С. 67-77. DOI: 10.24411/2618-8120-2023-4-67-77.

15. Ревенко Л. С., Ревенко Н. С. Искусственный интеллект в Европе: состояние и регулирование // Современная Европа. 2025. № 6 (134). С. 189-201. DOI: 10.7868/S3034599525060154.

16. Ревенко Л. С., Ревенко Н. С. Искусственный интеллект: современные подходы к многостороннему регулированию // Экономика. Налоги. Право. 2025. Т. 18, № 5. С. 165-177. DOI: 10.26794/1999-849X-2025-18-5-165-177.

17. Смирнова А. И. Предвзятость как проблема алгоритмов ИИ: этические аспекты // Философия и общество. 2023. № 3 (108). С. 118-126. DOI: 10.30884/jfio/2023.03.07.

18. Суслова Т. И. Теория больших данных в социогуманитарном контексте современного знания // Сборник тезисов по итогам Профессорского форума 2020 «Национальные проекты и профессорское сообщество», Москва, 16–19 ноября 2020 года. Том 1. М.: Общероссийская общественная организация «Российское профессорское собрание», 2020. С. 57-60.

19. Упадхьяя Ш. Большие данные и официальная статистика // Вопросы статистики. 2019. Т. 26, № 12. С. 5-14. DOI: 10.34023/2313-6383-2019-26-12-5-14.

20. Харитонова Ю. С., Савина В. С. Технология искусственного интеллекта и право: вызовы современности // Вестник Пермского университета. Юридические науки. 2020. № 49. С. 524-549. DOI: 10.17072/1995-4190-2020-49-524-549.

21. Шляпников В. В. Большие данные на занятиях по философии и этике // Вопросы философии. 2025. № 1. С. 195-205. DOI: 10.21146/0042-8744-2025-1-195-205.

22. Эскиндаров М. А., Грузина Ю. М., Харчилава Х. П., Мельничук М. В. Роль человеческого капитала в цифровой экономике на институциональном и региональном уровнях // Экономика региона. 2022. Т. 18, № 4. С. 1105-1120. DOI: 10.17059/ekon.reg.2022-4-10.

23. Ярыгина И. З. Методы предметной аналитики в высшем образовании как факторы формирования компетенций профессорско-преподавательского состава // Экономика. Налоги. Право. 2024. Т. 17, № 4. С. 102-110. DOI: 10.26794/1999-849X-2024-17-4-102-110.

24. Alduais A., Qadhi S., Chaaban Y., Khraisheh M. The ETHICAL Protocol for Responsible Use of Generative AI for Research Purposes in Higher Education // AI Magazine. 2025. Vol. 46, no. 4. P. e70047. DOI: 10.1002/aaai.70047.

25. Alduais A., Qadhi S., Chaaban Y., Khraisheh M. Utilizing Generative AI Responsibly and Ethically for Research Purposes in Higher Education: A Policy Analysis // Serials Review. 2025. Vol. 51 (3–4). Pp. 120-170. DOI: 10.1080/00987913.2025.2581429.

26. Al-Emran M., Al-Nuaimi M. N., Arpaci I., et al. Towards a wearable education: Understanding the determinants affecting students’ adoption of wearable technologies using machine learning algorithms // Education and Information Technologies. 2023. No. 28. Pp. 2727-2746. DOI: 10.1007/s10639-022-11294-z.

27. Al-Emran M., Al-Sharafi M. A., Foroughi B., et al. Evaluating the influence of generative AI on students’ academic performance through the lenses of TPB and TTF using a hybrid SEM-ANN approach // Education and Information Technologies. 2025. Vol. 30, no. 12. Pp. 17557-17587. DOI: 10.1007/s10639-025-13485-w.

28. Ayling Ja., Chapman A. Putting AI ethics to work: are the tools fit for purpose? // AI and Ethics. 2022. Vol. 2. Pp. 405-429. DOI: 10.1007/s43681-021-00084-x.

29. Dudin M. N., Afanasyev V. V., Voropaev M. V., Zasko V. N. Situation and problems of digitation of university management in Russia and in three Latin-American countries (Argentina, Chile, and Brazil) // Formacion Universitaria. 2020. Vol. 13, no. 6. Pp. 61-76. DOI: 10.4067/S0718-50062020000600061.

30. Eskindarov M. A., Gruzina Yu. M., Pulyaeva V. N., Ponomareva M. A. The Study on the Connection between Motivation for High-Performance Learning and the Level of Academic Performance among Students of Various Levels and Areas of Study // European Journal of Contemporary Education. 2023. Vol. 12, no. 3. Pp. 810-825. DOI: 10.13187/ejced.2023.3.810.

31. Foroughi B., Griffiths M. D., Iranmanesh M., et al. Associations Between Instagram Addiction, Academic Performance, Social Anxiety, Depression, and Life Satisfaction Among University Students // International Journal of Mental Health and Addiction. 2022. No. 20. Pp. 2221-2242. DOI: 10.1007/s11469-021-00510-5.

32. Foroughi B., Senali M. G., Iranmanesh M., Khanfar A., Ghobakhloo M., Annamalai N., Naghmeh-Abbaspour B. Determinants of Intention to Use ChatGPT for Educational Purposes: Findings from PLS-SEM and fsQCA // International Journal of Human–Computer Interaction. 2024. Vol. 40, no. 17. Pp. 4501-4520. DOI:10.1080/10447318.2023.2226495.

33. Jeon Ju., Kim L., Park Ja. The ethics of generative AI in social science research: A qualitative approach for institutionally grounded AI research ethics // Technology in Society. 2025. Vol. 81. P. 102836. DOI:10.1016/j.techsoc.2025.102836.

34. Johnston H., et al. Student perspectives on the use of generative artificial intelligence technologies in higher education // International Journal for Educational Integrity. 2024. Vol. 20, no. 1. P. 2.

35. Kadaruddin K. Empowering Education through Generative AI: Innovative Instructional Strategies for Tomorrow’s Learners // International Journal of Business, Law, and Education. 2025. Vol. 4, no. 2. Pp. 618-625. DOI: 10.56442/ijble.v4i2.215.

36. Kekez I., Lauwaert L., Begičević Ređep N. Is artificial intelligence (AI) research biased and conceptually vague? A systematic review of research on bias and discrimination in the context of using AI in human resource management // Technology in Society. 2025. Vol. 81, no. 3. P. 102818. DOI: 10.1016/j.techsoc.2025.102818.

37. Lee D., et al. The impact of generative AI on higher education learning and teaching: A study of educators’ perspectives // Computers and Education: Artificial Intelligence. 2024. Vol. 6, no. 2. P. 100221.

38. Mihăescu M. Big Data and (the New?) Reality // American, British and Canadian Studies. 2023. Vol. 41, no. 1. Pp. 208-231. DOI: 10.2478/abcsj-2023-0026.