Диссертация (1136614), страница 4
Текст из файла (страница 4)
Нами была показана дифференциация интересов учащихся в зависимости отуспеваемости, впервые дана оценка различий в образовательных достижениях междуподписчиками разных групп.Нами было показано, что как социальные связи учащихся, так и их интересы обладаютбольшойпредсказательнойСконструированныенамисилойпеременныевотношенииобъясняютнеакадемическойменьшийуспеваемости.процентвариацииобразовательных достижений (как отдельных учащихся, так и школ), чем социальноэкономический статус, измеренный с помощью традиционных индексов, таких, например, какиндекс экономического, социального и культурного статуса (ESCS), используемый висследовании PISA. Это дает основания использовать сконструированные нами переменныедля операционализации социального и культурного капитала учащихся (по крайней мере, егоцифрового измерения).
Традиционные индексы до сих пор включают в себя уровеньобразования родителей и количество книг дома. Такие переменные обладают низкойразрешающей способностью и могут с течением времени терять очевидную валидность.Другим потенциальным преимуществом предложенного нами подхода является то, что онпереносит акцент с характеристик семей на индивидуальные характеристики учащихся.Важно отметить, что полученные результаты не дают ответа на вопрос о том, служит лиобнаруженная дифференциация механизмом воспроизводства неравенства и приводит ли она кего усилению.
Также в нашей работе не изучается связь онлайн-поведения учащихся схарактеристиками их семей. На эти вопросы могут быть призваны ответить последующиеисследования.Полученные нами результаты важны не только с научной, но и с практической точкизрения, ввиду той значительной роли, которую социальные сети играют в жизни учащихся.Главным компонентом социальной сети является новостная лента, которая формируетсяиз информации, публикуемой друзьями, и из подписок на различные сообщества.
Мы показали,что и первое, и второе дифференцировано по академической успеваемости. Таким образом,23ежедневный поток цифровой информации принципиально различается для учащихся с разнойуспеваемостью. Преподавателям имеет смысл учитывать это обстоятельство в своей практике.Несмотря на то, что цифровое окружение учащихся находится вне контролятрадиционных педагогических методов, преподаватели имеют возможность влиять на него.Например,характернойособенностьюсовременныхсоциальныхсетейявляютсярекомендательные алгоритмы, предлагающие новую информацию схожую с той, чтоинтересовала пользователя раньше. Наше исследование показывает, что это создает опасностьтого,чтоучащиесяснизкойакадемическойуспеваемостьюокажутсязапертывинформационном пузыре из гороскопов и «четких приколов».
В том случае, если это будетпризнано нежелательным, преподаватели могут давать учащимся задания по поиску учебнойинформации в социальной сети и в интернете, мотивируя их тем самым оставлять цифровыеследы, которые будут использованы рекомендательными системами для показа новойразвивающейинформации.Разработкаиизучениеэффективностиэтойидругихпедагогических интервенций могут стать логичным продолжением выполненного намиисследования.24СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ1. Watts D.J. A twenty-first century science // Nature. 2007. Vol. 445. №. 7127. P.
489–489.2. Lazer D., Pentland A., Adamic L., Aral S., Barabási A., Brewer D., Christakis N., ContractorN., Fowler J., Gutmann M., Jebara T., King G., Macy M., Roy D., Alstyne M. V. Computational socialscience // Science. 2009. Vol. 323. №. 5915. P. 721–723.3. McFarland D. A., Lewis K., Goldberg A. Sociology in the era of big data: The ascent offorensic social science // The American Sociologist. 2016.
Vol. 47. №. 1. P. 12–35.4. Kandel D. B. Homophily, selection, and socialization in adolescent friendships // Americanjournal of Sociology. 1978. Vol. 84. №. 2. P. 427-436.5. Tuma N. B., Hallinan M. T. The effects of sex, race, and achievement on schoolchildren'sfriendships // Social Forces. 1979. Vol. 57. №. 4. P. 1265-1285.6. Shrum W., Cheek Jr. N. H., MacD S. Friendship in school: Gender and racial homophily //Sociology of Education.
1988. P. 227-239.7. Flashman J. Academic achievement and its impact on friend dynamics // Sociology ofeducation. 2012. Vol. 85. №. 1. P. 61-80.8. Currarini S., Jackson M. O., Pin P. Identifying the roles of race-based choice and chance inhigh school friendship network formation // Proceedings of the National Academy of Sciences. 2010.Vol. 107. №. 11. P.
4857-4861.9. Lomi A., Snijders T. A., Steglich C. E., Torló V. J. Why are some more peer than others?Evidence from a longitudinal study of social networks and individual academic performance // SocialScience Research. 2011. Vol. 40. №. 6. P. 1506-1520.10.
Eagle N., Pentland A. S., Lazer D. Inferring friendship network structure by using mobilephone data // Proceedings of the national academy of sciences. 2009. Vol. 106. №. 36.P. 15274-15278.11. Mastrandrea R., Fournet J., Barrat A. Contact patterns in a high school: a comparisonbetween data collected using wearable sensors, contact diaries and friendship surveys // PloS one,2015. Vol. 10.
№. 9, e0136497. URL: https://doi.org/10.1371/journal.pone.0136497 (дата обращения:07.06.2018).12. Stephens-Davidowitz S. Everybody lies: Big data, new data, and what the internet can tellus about who we really are. – Dey Street Books, 2017.2513. OECD (2016), PISA 2015 Results (Volume I): Excellence and Equity in Education, PISA,OECD Publishing, Paris, URL: https://doi.org/10.1787/9789264266490-en (дата обращения:07.06.2018).14.
Bond R. M., Fariss C. J., Jones J. J., Kramer A. D., Marlow C., Settle J. E., Fowler J. H. A61-million-person experiment in social influence and political mobilization // Nature. 2012. Vol. 489.№. 7415. P. 295–298.15. Kramer A. D., Guillory J. E., Hancock J. T. Experimental evidence of massive-scaleemotional contagion through social networks // Proceedings of the National Academy of Sciences.2014.
Vol. 111. №. 24. P. 8788–8790.16. Hobbs W. R., Burke M., Christakis N. A., Fowler J. H. Online social integration isassociated with reduced mortality risk // Proceedings of the National Academy of Sciences. 2016.Vol. 113. №. 46. P. 12980-12984.17. Preoţiuc-Pietro D., Volkova S., Lampos V., Bachrach Y., Aletras N. Studying user incomethrough language, behaviour and affect in social media // PloS one. 2015. Vol. 10.
№ 9, e0138717.URL: https://doi.org/10.1371/journal.pone.0138717 (дата обращения: 07.06.2018).18. An J., Weber I. # greysanatomy vs.# yankees: Demographics and hashtag use on twitter.Proceedings of the Tenth International Conference on Web and Social Media. - Cologne, Germany:AAAI Press, 2016.19. Rao D., Paul M., Fink C., Yarowsky D., Oates T., Coppersmith G. Hierarchical bayesianmodels for latent attribute detection in social networks. In Proceedings of the International Conferenceon Weblogs and Social Media.
2011.20. Gebru T., Krause J., Wang Y., Chen D., Deng J., Aiden E. L., Fei-Fei L. Using deeplearning and Google Street View to estimate the demographic makeup of neighborhoods across theUnited States // Proceedings of the National Academy of Sciences. 2017. Vol. 114. №. 50.P. 13108–13113.21. Watts D. J. Common sense and sociological explanations // American Journal of Sociology.2014. Vol. 120.
№. 2. P. 313-351.22. Hofman J. M., Sharma A., Watts D. J. Prediction and explanation in social systems //Science. 2017. Vol. 355. №. 6324. P. 486–488.23. Von Hayek F. A. The pretence of knowledge // The American Economic Review. 1989.Vol. 79. №. 6. P. 3–7.24. Kosinski M., Stillwell D., Graepel T.
Private traits and attributes are predictable fromdigital records of human behavior // Proceedings of the National Academy of Sciences. 2013.Vol. 110. №. 15. P. 5802–5805.2625. Krasilnikov A., Semenova M. Do Social Networks Help to Improve Student AcademicPerformance? The Case of Vk.com and Russian Students // Economics Bulletin. 2014. Vol. 34.№.
2. P. 718–733.26. Докука С. В., Валеева Д. Р., Юдкевич М. М. Коэволюция социальных сетей иакадемических достижений студентов // Вопросы образования. 2015. №3. С. 44–65.27. Alexandrov D., Karepin V., Musabirov I. Educational migration from Russia to China:social network data. In Proceedings of the 8th ACM Conference on Web Science. 2016.URL: doi:10.1145/2908131.2908192 (дата обращения: 07.06.2018).28.
Королева Д. О. Всегда онлайн: использование мобильных технологий и социальныхсетей современными подростками дома и в школе // Вопросы образования. 2016. № 1.С. 205-224.29. Королева Д. О. Исследование повседневности современных подростков: присутствиев социальных сетях как неотъемлемая составляющая общения // Современная зарубежнаяпсихология. 2016.
Т. 5. № 2. С. 55-61.30. Google (2017). Новое поколение интернет-пользователей: исследование привычек иповеденияроссийскоймолодежионлайн.URL:https://www.thinkwithgoogle.com/intl/ru-ru/research-study/novoe-pokolenie-internet-polzovatelei-issledovanie-privychek-i-povedeniiarossiiskoi-molodezhi-onlain/ (дата обращения: 07.06.2018).31.
Shareaholic. Social Media Traffic Report. 2014. URL: https://blog.shareaholic.com/socialmedia-traffic-trends-01-2015/ (дата обращения: 07.06.2018).32. Касамара В. А. Ценностные ориентация российского студенчества. 2017.URL: https://ioe.hse.ru/seminar1617 (дата обращения: 07.06.2018).33. Dimaggio P., Hargittai E., Celeste C., Shafer S. Digital inequality: From unequal access todifferentiated use.
Social Inequality. – New York: Russell Sage Foundation, 2004. P. 355-400.34. DiMaggio P., Hargittai E. "From the 'Digital Divide' to 'Digital Inequality': StudyingInternet Use as Penetration Increases" Working Papers 47. Princeton University, Woodrow WilsonSchool of Public and International Affairs, Center for Arts and Cultural Policy Studies. 2001. 4(1), 4-2.35.
DiMaggio P., Hargittai E., Neuman W. R., Robinson J. P. Social implications of theInternet // Annual review of sociology. 2001. Vol. 27. №. 1. P. 307-336.36. Poole, G. A. A new gulf in American education, the digital divide. // New York Times.1996. 29.01.1996. D3.37.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
