3Резюме (1136613), страница 2
Текст из файла (страница 2)
Со временем ресурс становится более доступным иодновременно с этим увеличивается уровень дифференциации его использования. Этосвязано с тем, что более привилегированные группы находят способы использовать этотресурс так, чтобы извлекать из него большую выгоду, чем менее привилегированные группы[33].Типичным примером такого ресурса является образование. После того как доступ кшкольному образованию стал практически универсальным, бо́ льшая часть высшего исреднего класса стала посещать университеты и именно наличие высшего образования сталоосновным дифференцирующим признаком.
Когда высшее образование стало массовым, топроизошло разделение на селективные и массовые университеты. Дифференцирующимпризнаком стало окончание престижного университета, а не просто факт наличия высшегообразования [33].Аналогичная ситуация наблюдается с доступом к цифровым ресурсам. Теоретическиглобальнаясетьпредоставляетвсемучащимсяравныйдоступкпрактическинеограниченному объему знаний, однако еще в середине девяностых годов большуюозабоченность стал вызывать цифровой разрыв между теми, кто имеет доступ ккомпьютерам (позднее к интернету), и теми, кто такого доступа не имеет [36]. Послеповсеместного распространения интернета речь зашла о втором цифровом разрыве, на этотраз связанном с различиями в уровне информационной грамотности и умении использоватьвсе те возможности, которые предоставляет интернет. Сегодня основной акцент делается на6более широком понятии — цифровом неравенстве, то есть различиях в использованииинтернета среди людей, которые формально имеют к нему равный доступ [33].Существующие исследования как на зарубежных [37], так и на российских выборках[38] свидетельствуют о значительных различиях в использовании интернета междупользователями с разным уровнем образования.
Более образованные люди чаще используютинтернет для получения ценной информации и поиска работы, а менее образованные дляразвлечения [37, 38]. Помимо этого, было обнаружено, что учащиеся с низким социальноэкономическим статусом записываются на онлайн-курсы гораздо реже, чем учащиеся свысоким статусом, а если записываются, то с меньшей вероятностью успешно ихоканчивают [39, 40].При этом в большинстве случае сравнение производится между широкими социальнодемографическими группами (анализируются такие характеристики, как пол, наличиевысшего образования и т. п. [41]), а информация об использовании интернета берется изопросов. В нашей работе мы предлагаем использовать гораздо более детализированныеданные, а именно информацию об академической успеваемости учащихся и детальнуюинформацию об их фактическом поведении в социальной сети.Цели и задачи исследованияЦелью исследования является разработка методов извлечения и анализа данныхВКонтакте и их применение для изучения характера взаимосвязи поведения учащихся всоциальной сети с их академическими достижениями.
Для достижения этой цели былипоставлены следующие задачи:— Разработать методологию извлечения достоверных данных из социальной сети иих объединения с образовательными данными; определить возможные отклонения выборкипользователей ВКонтакте по сравнению с выборкой всех учащихся.— Изучить структуру онлайн-связей учащихся и ее зависимость от структурыобразовательных организаций; изучить структуру онлайн-связей между учащимися разныхобразовательных организаций и ее зависимость от географического расстояния между ними.— Определить наличие зависимости между онлайн-связями учащихся и ихакадемической успеваемостью, проследить изменение этой зависимости с течением времени.— Выявить и проанализировать зависимость между онлайн-интересами учащихся иих академической успеваемостью.7МЕТОДОЛОГИЯ И ДИЗАЙН ИССЛЕДОВАНИЯДля целей исследования нами было разработано программное обеспечение(программа), которое выполняет запросы к API «ВКонтакте» и получает список всехпользователей, указавших, что они учатся в заданной образовательной организации, исоответствующихопределеннымвозрастнымограничениям.Программапроизводитсопоставление и объединение информации из профилей пользователей с информацией обучащихсяобразовательнойорганизации.Послепроведенияобъединенияданныеанонимизируются и сохраняются для последующих исследований.Прямоесопоставление по имениифамилиипозволяетобнаружитьлишьнезначительную часть учащихся, поэтому дополнительно нами был составлен обширныйсловарь различных форм имени (например, Иван-Ваня-Ванюша), а также разработаналгоритм сопоставления имен, написанных латиницей и кириллицей.
Помимо поиска средипользователей, указавших, что они учатся в заданной образовательной организации,программа также осуществляет поиск среди их друзей в социальной сети.В том случае, когда информация о реальных учащихся образовательной организациине была доступна, мы исключали из выборки тех пользователи, у которых не было друзей изих же образовательной организации.
Такой подход позволяет эффективно отфильтроватьпрофили с недостоверной информацией.С помощью предложенного метода нами были собрано четыре уникальных набораданных, совмещающих образовательные данные с данными об онлайн-поведениипользователей:— «Школа», сплошная выборка учащихся одной московской школы с пятого поодиннадцатый классы (N = 766);— «Университет», сплошная выборка студентов НИУ ВШЭ (N = 15 757);— «Город», сплошная выборка пользователей ВКонтакте, указавших, что они учатсяили учились в одной из школ Санкт-Петербурга (N = 1 742 392);— «Страна», репрезентативная по России выборка молодых людей 1995–1997-гогодов рождения (N = 4 893).Последняя выборка включает участников лонгитюдного проекта «Траектории вобразовании и профессии», давших согласие на использование их персональных данных висследовательских целях [42].8Для изучения того, как структура дружеских связей в социальной сети связана соструктурой образовательной организации, нами использовался показатель модулярности Q.Эта величина равна разности между долей дружеских связей, соединяющих учеников изодной группы (одной параллели, одной образовательной программы, одного корпуса,кампуса и т.
д.) и ожидаемой долей таких связей в том случае, если бы они распределялисьслучайно. Чтобы показать, что полученные значения Q не могут объясняться случайностью,нами использовался тест перестановок. Мы оставляли структуру сети неизменной, нослучайным образом перемешивали значения атрибутов узлов (например, номер параллели) ивычисляли Qrand для подобной рандомизированной сети.
Сравнение значения Q созначениями10 000 сгенерированных Qrand позволило сделать вывод об уровне статическойзначимостиполученныхрезультатов.Дляизучениясвязиструктурыдружбысгеографическим расстоянием нами была проанализирована зависимость между вероятностьюналичия дружбы между учащимися и географическим расстоянием между их школами.Для детального изучения эволюции социальных связей внутри образовательнойорганизации вместо дружбы на ВКонтакте нами использовалась информация об историивзаимодействия учащихся. Мы разбили изучаемый промежуток времени на интервалыдлительностью три месяца. Для каждого из интервалов нами была построена сетьсоциальных связей следующим образом: связь между двумя пользователями существовала втом случае, если один из них поставил отметку «Мне нравится» другому хотя бы один раз напротяжении этого периода времени.
Мы затем вычислили коэффициент корреляции междууспеваемостью учащихся и средней успеваемостью тех, с кем они связаны. Подобныйподход позволил не только определить степень дифференциации социальных связей поуспеваемости, но и проследить за тем, как это значением менялось с течением времени.Уровень дифференциации социальных связей в масштабах города вычислялся черезкоэффициент корреляции между средним баллом ЕГЭ выпускников одной школы и среднимбаллом ЕГЭ выпускников тех школ, с которыми она связана в социальной сети.
Связь школ всоциальной сети определялась через наличие хотя бы одной дружеской связи на ВКонтактемежду ее учащимися. Чтобы убедиться в том, что обнаруженный эффект не связан сгеографическим расположением школ в городе нами использовалась модель случайногографа,сохранявшаязависимостьмеждувероятностьюсвязимеждушколамиигеографическим расстоянием между ними.Интересы пользователей анализировались через информацию об их подписках напубличные страницы в социальной сети. Был вычислен средний балл подписчиковразличных страниц, их средний возраст и доля девушек среди подписчиков.
Для того чтобы9показать связь между интересами в социальной сети и успеваемостью, нами была построенамодель, позволяющая предсказывать успеваемость по информации о подписках. Нами быливыделены главные компоненты, содержащие информацию об интересах пользователей всети, которые затем были использованы в качестве предикторов в линейной регрессионноймодели для предсказания успеваемости пользователей.ОСНОВНЫЕ РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯДостоверность данных ВКонтактеПредложенный нами подход к извлечению информации об онлайн-поведенииучащихся и ее объединению с образовательными данными [43] позволил значительноувеличить итоговый охват по сравнению с непосредственным сопоставлением профилей (см.Таблицу 1) и обнаружить 88% учащихся на выборке «Школа», 93% на выборке«Университет» и 82% на выборке «Страна».
При этом не наблюдается каких-либо значимыхразличий между обнаруженными и не обнаруженными на ВКонтакте школьниками по полу,возрасту и успеваемости (см. Таблицы 2, 3), аналогичные результаты были получены и длявыборки «Университет» [44].Таблица 1. Доля учащихся, профили которых были обнаружены на ВКонтакте спомощью предложенных нами методов. Выборка «Школа».Словарь альтернативных форм имениСписок друзейНетДаНет18%27%Да57%88%10Таблица 2. Сравнение долей учащихся, найденных на «ВКонтакте», для разныхклассов. Выборка «Школа».Класс5-йВсего найденных85%Не указавших школу64%Использовавших альтернативнуюформу имени39%5678916-й7-й8-й9-й10-й11-й88898989%88%90%88%91%85%67677572%69%74%70%58%72%33233336%29%33%33%31%38%1873Таблица 3.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
