Синтетический набор данных учащихся с защитой конфиденциальности для аналитики обучения в технологически расширенном высшем образовании

Почему важны данные о студентах без рисков для конфиденциальности

Университеты сейчас собирают огромные объёмы покликательных данных о том, как студенты учатся онлайн — от входов в систему и просмотров видео до сообщений на форумах и результатов тестов. Эти данные могли бы помочь преподавателям раньше заметить студентов, у которых возникают трудности, и спроектировать лучшие курсы, но обмен ими за пределами кампуса строго ограничен законом и этическими нормами. В этой статье описан новый способ открыть такую ценность: большой, реалистичный, но полностью фальшивый набор данных о студентах, цель которого — защищать личности и при этом поддерживать серьёзные исследования.

Идея безопасных имитирующих записей студентов

Исследование представляет SynEdu-HEDL — коллекцию из 20 000 искусственных записей студентов, созданных так, чтобы походить на реальные университетские данные без включения каких-либо реальных обучающихся. Каждая запись объединяет сведения о фоне, поквартально‑по‑неделям онлайн‑активность в течение 16‑недельного семестра и итоговые результаты курса. Цель состоит в том, чтобы значимые для образования закономерности сохранились в этих вымышленных данных, например связь между устойчивой вовлечённостью и оценками, в то время как любые следы реальных студентов были бы стерты. Путём открытого выпуска этого набора данных автор надеется предоставить исследователям общее поле для проверки идей, не затрагивая чувствительные записи.

Как создаются синтетические студенты

Для построения SynEdu-HEDL исследователь сначала работал с крупным государственным университетом, который уже отслеживает богатую онлайн‑активность учащихся в сотнях курсов. После строгого этического рассмотрения реальные данные были очищены, упрощены и лишены прямых идентификаторов. Затем использовался многоступенчатый генеративный конвейер. Одна часть системы сосредоточена на статической информации, такой как возрастная категория или специальность, другая изучает, как учебное поведение меняется по неделям семестра, и третья обеспечивает согласованность поведения и результатов. На всех этапах система добавляет тщательно откалиброванную случайность, чтобы следы отдельного человека нельзя было восстановить, при этом типичные траектории обучения остаются наблюдаемыми.

Сильная защита приватности при сохранении полезности

Защита конфиденциальности — это больше, чем удаление имён. Команда протестировала SynEdu-HEDL с помощью набора имитационных атак, которые пытаются угадать, был ли конкретный студент в исходных данных, или восстановить его профиль. Эти атаки не дали результата лучше случайного угадывания, а формальные математические проверки показывают, что набор данных соответствует строгому определению риска для конфиденциальности. В то же время автор сравнил сотни статистик между реальными и синтетическими данными. Базовые распределения, взаимосвязи между переменными и формы вовлечённости во времени очень хорошо совпали, включая редкие, но важные паттерны, такие как резкие падения активности перед неуспехом.

Можно ли доверять результатам на фальшивых данных

Чтобы проверить, действительно ли синтетические записи полезны, исследование восстановило распространённые инструменты аналитики обучения на основе SynEdu-HEDL и затем испытало их на реальных студентах. Модели раннего предупреждения, обученные на синтетических данных, оказывались почти столь же точны в выявлении студентов, находящихся в группе риска, как и модели, обученные на реальных данных — часто с разницей в несколько процентных пунктов. Кластерные анализы по‑прежнему выделяли содержательные группы обучающихся, а модели, предсказывающие оценки или оценивающие эффект изменений преподавания, вели себя сходным образом. Возможно, самое примечательное: когда модели сначала обучали на SynEdu-HEDL, а затем слегка настраивали с помощью лишь небольшой части реальных данных, их показатели резко улучшались — обнадёживающий знак для колледжей, которые не могут легко делиться или объединять полные наборы данных.

Что это значит для будущих исследований в области обучения

Ключевая мысль для читателей заключается в том, что нам, возможно, больше не придётся выбирать между защитой студентов и продвижением знаний о том, как они учатся. SynEdu-HEDL демонстрирует, что можно создать подробную, пригодную к совместному использованию замену реальным образовательным данным, которая сохраняет безопасность отдельных студентов и при этом поддерживает серьёзный анализ. Опубликовав этот синтетический набор данных и код в открытом доступе, работа предлагает практический инструмент для открытых, воспроизводимых исследований и шаблон для других учреждений. При широком принятии и доработке такие ориентированные на конфиденциальность синтетические данные могли бы помочь педагогам по всему миру тестировать новые идеи, улучшать поддержку уязвимых студентов и сравнивать подходы между кампусами без раскрытия чьей‑то личной истории.

Цитирование: Agal, S. A privacy preserving synthetic learner dataset for learning analytics in technology enhanced higher education. Sci Rep 16, 14772 (2026). https://doi.org/10.1038/s41598-026-44990-8

Ключевые слова: аналитика обучения, синтетические данные, конфиденциальность студентов, высшее образование, образовательные данные