DataOps у педагогічних дослідженнях з інформатики: методологія забезпечення відтворюваності експериментів

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.

The article addresses the fundamental challenge of ensuring the reproducibility of results in contemporary pedagogical research, particularly within the field of computer science education. It highlights that the specificity of such experiments lies in the significant reliance of final conclusions on the digital environment, software tools, educational data sets, logs, and procedures for statistical and analytical processing employed. It is noted that the traditional approach to reporting experiments is largely confined to a general description of the methodology, often neglecting data openness, code transparency, and sample cleaning algorithms, which substantially hinders or renders independent verification of scientific findings impossible. To address this issue, the implementation of the DataOps methodology is proposed as an innovative, comprehensive approach to managing the data lifecycle in pedagogical research. The study provides a theoretical substantiation that integrating DataOps principles with the concepts of Open Science and FAIR principles allows for the automation, testing, and documentation of all stages of working with educational information. Within the scope of this research, a generalized DataOps pipeline model for a computer science pedagogical experiment has been developed and presented. The proposed model encompasses a logical sequence of stages: research planning, collection of metrics from various digital sources (Learning Management Systems, Git repositories, automated testing platforms), quality assurance, validation, cleaning, and ethical anonymization of data. Subsequent steps include rigorous version control of datasets and scripts, reproducible analytical processing, visualization, comprehensive documentation, and open-access publication of research materials. Furthermore, a maturity classification for pedagogical research regarding its reproducibility has been developed, scaling from a basic descriptive level to the highest tier—fully managed through DataOps infrastructure. It is concluded that the proposed approach serves a dual function: it creates a robust technological foundation for handling large volumes of educational data and serves as a methodological framework that fundamentally enhances the transparency, objectivity, and scientific value of pedagogical studies. The study emphasizes the necessity of further experimental validation of the pipeline in real-world educational courses to formulate actionable methodological recommendations.