DATAOPS У ПЕДАГОГІЧНИХ ДОСЛІДЖЕННЯХ З ІНФОРМАТИКИ: МЕТОДОЛОГІЯ ЗАБЕЗПЕЧЕННЯ ВІДТВОРЮВАНОСТІ ЕКСПЕРИМЕНТІВ
Горбачук В. О.
DOI:
https://doi.org/10.31392/NZ-udu-167.2026.06Ключові слова:
DataOps, педагогічні дослідження, навчання інформатики, відтворюваність, освітні дані, DataOps-пайплайн, навчальна аналітикаАнотація
У статті актуалізовано фундаментальну проблему забезпечення відтворюваності результатів у сучасних педагогічних дослідженнях, зокрема в галузі методики навчання інформатики. Наголошено, що специфіка таких експериментів полягає у значній залежності підсумкових висновків від застосованого цифрового середовища, програмних інструментів, масивів навчальних даних, логів, а також процедур їх статистичної та аналітичної обробки. Зазначено, що традиційний підхід до висвітлення експериментів здебільшого обмежується загальним описом методики, залишаючи поза увагою відкритість даних, прозорість коду та алгоритми очищення вибірки, що суттєво ускладнює або унеможливлює незалежну перевірку наукових здобутків. Для розв’язання цієї проблеми запропоновано імплементувати методологію DataOps як інноваційний комплексний підхід до управління життєвим циклом даних педагогічного дослідження.
Теоретично обґрунтовано, що впровадження принципів DataOps у поєднанні з концепцією відкритої науки та FAIR-принципами дає змогу автоматизувати, тестувати й документувати всі етапи роботи з освітньою інформацією. У межах розвідки розроблено та представлено узагальнену модель DataOps-пайплайну педагогічного експерименту з інформатики. Запропонована модель охоплює логічну послідовність етапів: планування дослідження, збирання метрик із різних цифрових джерел (системи управління навчанням, Git-репозиторії, платформи автоматизованого тестування), перевірку якості, валідацію, очищення та етичну анонімізацію даних. Наступні кроки включають жорсткий контроль версій масивів і скриптів, відтворювану аналітичну обробку, візуалізацію, вичерпне документування й публікацію матеріалів у відкритому доступі. Також розроблено класифікацію рівнів зрілості педагогічного дослідження щодо його відтворюваності, яка масштабується від базового описового рівня до найвищого – повністю керованого на основі інфраструктури DataOps.
Підсумовано, що запропонований підхід виконує подвійну функцію: формує надійне технологічне підґрунтя для роботи з великими обсягами освітніх даних та слугує методологічною рамкою, яка докорінно підвищує прозорість, об’єктивність і наукову цінність педагогічних розвідок. Наголошено на потребі подальшої експериментальної апробації пайплайну в реальних навчальних курсах для формування дієвих методичних рекомендацій.
Посилання
Makel M. C., Plucker J. A. Facts are more important than novelty: Replication in the education sciences. Educational Researcher, 43(6), 2014. P. 304-316. DOI : https://doi.org/10.3102/0013189X14545513
LeBeau B., Ellison S., Aloe A. M. Reproducible analyses in education research. Review of Research in Education, 45(1), 2021. P. 195-222. DOI : https://doi.org/10.3102/0091732X20985076
White C. M., Estrera S. A., Schatschneider C., Hart S. A. Getting started with data sharing: Advice for researchers in education. Research in Special Education, 1, 2024. P. 1-15. DOI : https://doi.org/10.25894/rise.2604
Peng R. D. Reproducible research in computational science. Science, 334(6060), 2011. P. 1226-1227. DOI : https://doi.org/10.1126/science.1213847
Wilkinson M. D., Dumontier M., Aalbersberg I. J., Appleton G., Axton M., Baak A., Blomberg N., Boiten J.-W., da Silva Santos L. B., Bourne P. E., Bouwman J., Brookes A. J., Clark T., Crosas M., Dillo I., Dumon O., Edmunds S., Evelo C. T., Finkers R., et al. The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3, 2016. Article 160018. DOI : https://doi.org/10.1038/sdata.2016.18
Munafò M. R., Nosek B. A., Bishop D. V. M., Button K. S., Chambers C. D., Percie du Sert N., Simonsohn U., Wagenmakers E.-J., Ware J. J., Ioannidis J. P. A. A manifesto for reproducible science. Nature Human Behaviour, 1, 2017. Article 0021. DOI : https://doi.org/10.1038/s41562-016-0021
Nosek B. A., Alter G., Banks G. C., Borsboom D., Bowman S. D., Breckler S. J., Buck S., Chambers C. D., Chin G., Christensen G., Contestabile M., Dafoe A., Eich E., Freese J., Glennerster R., Goroff D., Green D. P., Hesse B., Humphreys M., et al. Promoting an open research culture. Science, 348(6242), 2015. P. 1422-1425. DOI : https://doi.org/10.1126/science.aab2374
Fannouch A., Gharib J., Gahi Y. Enhancing DataOps practices through innovative collaborative models: A systematic review. International Journal of Information Management Data Insights, 5(1), 2025. Article 100321. DOI : https://doi.org/10.1016/j.jjimei.2025.100321
Haertel C., Sagavakar K. S., Staegemann D., Pohl M., Volk M., Turowski K. Designing a framework for DataOps: Improving data quality and pipeline efficiency in data science. Procedia Computer Science, 277, 2026. P. 2310-2319. DOI : https://doi.org/10.1016/j.procs.2026.02.268
Haim A., Shaw S., Heffernan N. How to open science: Promoting principles and reproducibility practices within the Educational Data Mining community. In Proceedings of the 16th International Conference on Educational Data Mining. 2023. DOI : https://doi.org/10.1145/3573051.3593398
