Principios de la construcción de un modelo de profesionales, egresados de una universidad pedagógica

Introducción. Evaluar el progreso de los estudiantes y predecir su futura carrera es una tarea primordial para cualquier institución educativa. Para una universidad pedagógica, este tema parece especialmente importante, dada la escasez de personal en las escuelas rusas. El proceso educativo juega un papel importante en la elección de un camino certero para el egresado. Por lo tanto, también surge el problema de cómo evaluar la calidad de este proceso.

Una solución a esta cuestión es la creación de un sistema de retroalimentación en la Universidad que permita, a través de mecanismos de seguimiento, llevar una evaluación dinámica de los niveles de formación de competencias de los estudiantes.

Objetivo. El objetivo del trabajo es desarrollar e implementar un modelo de competencia multifactorial del profesional, egresado de una universidad pedagógica, que pueda actuar como base para crear un sistema de monitoreo de la calidad del proceso educativo. El modelo tiene en cuenta tanto los factores psicológicos y sociodemográficos, como las decisiones que toman los estudiantes en el ámbito de su carrera profesional.

Metodología, métodos y procesos de investigación. El modelo propuesto se probó con datos obtenidos de una encuesta anónima de estudiantes de la Universidad Pedagógica Estatal de Tomsk en 2021. Los datos fueron procesados tanto por métodos estadísticos convencionales como por métodos estadísticos multivariados: Análisis factorial y de conglomerados. La muestra estuvo compuesta por 189 estudiantes de todos los cursos de la Facultad de Física y Matemáticas de la Universidad Pedagógica Estatal de Tomsk.

Resultados. El análisis de los datos obtenidos permitió obtener una variedad de relaciones entre los factores tenidos en cuenta. En particular, se encontró una regularidad entre los valores de las escalas psicológicas, el nivel de formación de competencias y la orientación de los estudiantes en la elección de su futura profesión.

Novedad científica. La estructura de bloques del modelo ofrece la posibilidad de analizar tanto cada bloque por separado como de forma conjunta, eligiendo factores de diferentes espacios, para introducer nuevos bloques o espacios de factores enfocados hacia un (posiblemente nuevo) objetivo de investigación, sin cambiar los demás.

Significado práctico. Lo razonable de los resultados del estudio, la disponibilidad de varios algoritmos para interpretar datos conducen a una oportunidad real para utilizar la estructura propuesta del modelo en la práctica, incluido el método de organización de datos como un sistema de monitoreo.

1. Розанов В. В. Эстетическое понимание истории. Сумерки просвещения: собрание сочинений (статьи и очерки 1889–1897 гг.). Том 28 / Под общ. ред. А. Н. Николюкина. Москва: Республика; Санкт-Петербург: Росток, 2009. 878 с.

2. Gervais J. The operational definition of competency-based education // The Journal of Competency-Based Education. 2016. № 1 (2). P. 98–106. DOI: 10.1002/cbe2.1011

3. Chiu M. H., Lin J. W. Modeling competence in science education // Disciplinary and Interdisciplinary Science Education Research. 2019. Vol. 1. № 1. P. 1–11. Available from: https://diser.springeropen.com/counter/pdf/10.1186/s43031-019-0012-y.pdf (date of access: 13.11.2022).

4. Sanchez A. V., Ruiz M. P. Competence-based learning. A proposal for the assessment of generic competences. Bilbao: University of Deusto, 2008. 335 p. Available from: http://tuningacademy.org/wp-content/uploads/2014/02/Competence-Based-learning_EN.pdf (date of access: 13.11.2022).

5. Campion M. A. et al. Doing competencies well: Best practices in competency modeling // Personnel psychology. 2011. Vol. 64, № 1. P. 225–262. Available from: https://workitect.com/wp-content/uploads/2019/10/Doing-Competencies-Well-Best-Practices.pdf (date of access: 13.11.2022).

6. Chiu M. H., Wu W. L. A novel approach for investigating students’ learning progression for the concept of phase transitions // Educación Química. 2013. Vol. 24, №. 4. P. 373–380. Available from:https://www.elsevier.es/es-revista-educacion-quimica-78-articulo-a-novel-approach-for-investigating-S0187893X1372490X (date of access: 13.11.2022).

7. Lu X., Kaiser G. Creativity in students’ modelling competencies: conceptualisation and measurement // Educational Studies in Mathematics. 2022. Vol. 109. № 2. P. 287–311. Available from: https://link.springer.com/article/10.1007/s10649-021-10055-y#citeas (date of access: 13.11.2022).

8. Leikin R., Elgrably H. Problem posing through investigations for the development and evaluation of proof-related skills and creativity skills of prospective high school mathematics teachers // International Journal of Educational Research. 2020. Article number 102. DOI: 10.1016/j.ijer.2019.04.002

9. Zaitseva L., Misnevs B. Competency-Based Approach Teaching Software Engineering // In: Uskov V., Howlett R., Jain L. (Eds.) Smart Education and e-Learning. Smart Innovation, Systems and Technologies. 2019. Vol 144. Springer, Singapore. DOI: 10.1007/978-981-13-8260-4_22

10. Pramilaa R. Competency based Education: Towards Self Direction // International Journal of Science and Research (IJSR). 2019. № 5. P. 46–50. Available from: https://www.ijsr.net/archive/v8i5/29041904.pdf (date of access: 10.11.2022).

11. Lilleväli U., Täks M. Competence Models as a Tool for Conceptualizing the Systematic Process of Entrepreneurship Competence Development // Education Research International. 2017. DOI: 10.1155/2017/5160863

12. Matthews M. R. Models in science and in science education: An introduction // Science & Education. 2007. Vol. 16. № 7. P. 647–652. DOI: 10.1007/s11191-007-9089-3. Available from: https://link.springer.com/article/10.1007/s11191-007-9089-3#citeas (date of access: 10.11.2022).

13. Pariafsai F., Pariafsai S. Classification of Key Competencies for Construction Project Management: Literature Review and Content Analysis // International Journal of Scientific Research in Science, Engineering and Technology. 2021. Vol. 8, № 3. P. 211–234. DOI: 10.32628/IJSRSET218334

14. Замятина О. М. Матрица компетенций современного школьного педагога // Вестник Томского государственного педагогического университета. 2020. № 6 (212). С. 118–125. DOI: 10.23951/1609-624X-2020-6-118-125

15. Giaffredo S., Mich L., Ronchetti M. The project-based method to promote competence-based education. A case study in teaching computer science in Italian secondary school // Journal of E-Learning and Knowledge Society. 2022. № 18 (1). P. 107–115. DOI: 10.20368/1971-8829/1135571

16. Bartlett A. D., Um I. S., Luca E. J., Krass I., Schneider C. R. Measuring and assessing the competencies of preceptors in health professions: a systematic scoping review // BMC Medical Education. 2020. Vol. 20 (1). P. 1–9. DOI: 10.1186/s12909-020-02082-9

17. Brink D., Simpson D., Crouse B. J., Morzinski J. A., Bower D., Westra R. E. Teaching Competencies for Community Preceptors // Family Medicine. 2018. Vol. 50 (5). P. 359–363. DOI: 10.22454/FamMed.2018.578747

18. Ефремова Н. Ф. Особенности оценивания компетенций обучающихся [Электрон. ресурс] // Международный журнал экспериментального образования. 2017. № 9. С. 45–49. Режим доступа: https://expeducation.ru/ru/article/view?id=11757 (дата обращения: 26.04.2022).

19. Алексеева Л. Д., Кандерова О. Н. Рейтинговая оценка профессиональных компетенций: особенности разработки и внедрения [Электрон. ресурс] // Инновационное развитие профессионального образования. 2012. № 1 (01). C. 59–64. Режим доступа: https://cyberleninka.ru/article/n/reytingovaya-otsenka-professionalnyh-kompetentsiy-osobennosti-razrabotki-i-vnedreniya (дата обращения: 26.04.2022).

20. Шкерина Л. В., Шашкина М. Б., Табинова О. А. Выявление и преодоление предметных дефицитов студентов – будущих учителей математики // Перспективы науки и образования. 2022. № 4 (58). С. 173–192. DOI: 10.32744/PSE.2022.4.11

21. Никульчева О. С., Тихомиров С. Г., Хаустов И. А., Назина Л. И. Оценка компетентности и готовности выпускников для решения задач профессиональной деятельности // Вопросы современной науки и практики. 2018. № 3. С. 155–165. DOI: 10.17277/voprosy.2018.03.pp.155-165

22. Фомичев А. А., Филиппова З. Ю. Модель оценивания конкурентоспособности выпускников [Электрон. ресурс] // Известия Тульского государственного университета. Технические науки. 2017. № 9-1. C. 210–220. Режим доступа: https://cyberleninka.ru/article/n/model-otsenivaniya-konkurentosposobnosti-vypusknikov (дата обращения: 13.11.2022).

23. Сафонцев С. А., Черных О. В. Модель компетенций учебной дисциплины [Электрон. ресурс] // Школьные технологии. 2012. № 1. C. 48–58. Режим доступа: https://cyberleninka.ru/article/n/model-kompetentsiy-uchebnoy-distsipliny (дата обращения: 26.04.2022).

24. Елтунова И. Б. Модель системы оценки профессиональных компетенций [Электрон. ресурс] // Современные проблемы науки и образования. 2015. № 1-1. Режим доступа: https://science-education.ru/ru/article/view?id=17261(дата обращения: 26.04.2022).

25. Heldáková L., Ďurkovská M. Socio-demographic factors and the level of teachers’ motivation in Slovak national schools in Hungary // Integration of Education. 2021. № 25 (3). P. 387–400. DOI: 10.15507/1991-9468.104.025.202103.387-400

26. Мартыненко О. О., Якимова З. В., Николаева В. И. Методический подход к оценке компетенций выпускников [Электрон. ресурс] // Высшее образование в России. 2015. № 12. C. 35–45. Режим доступа: https://cyberleninka.ru/article/n/metodicheskiy-podhod-k-otsenke-kompetentsiy-vypusknikov (дата обращения: 13.11.2022).

27. Ибрагимов Г. И., Ибрагимова Е. М. Оценивание компетенций: проблемы и решения [Электрон. ресурс] // Высшее образование в России. 2016. № 1. C. 43–53. Режим доступа: https://vovr.elpub.ru (дата обращения: 26.04.2022).

28. Karhumäki M. Competence assessment and competence development: case Pori Energia. 2015. 37 p. Available from: https://www.theseus.fi/bitstream/handle/10024/96689/Karhumaki_Markus.pdf?sequence=1 (date of access: 26.04.2022).

29. Alwast A., Vorhölter K. Measuring pre-service teachers’ noticing competencies within a mathematical modeling context – an analysis of an instrument // Educational Studies in Mathematics. 2022. Vol. 109, № 2. P. 263–285. Available from: https://link.springer.com/article/10.1007/s10649-021-10102-8 (date of access: 26.04.2022).

30. Hauser F., Reuter R., Mottok J. Research competence: Modification of a questionnaire to measure research competence at universities of applied sciences // Education 2018 IEEE Global Engineering Education Conference (EDUCON). DOI: 10.1109/EDUCON.2018.8363216

31. Brodersen R. M., Randel B. Measuring student progress and teachers’ assessment of student knowledge in a competency-based education system (REL 2017–238). Washington, DC: U.S. Department of Education, Institute of Education Sciences, National Center for Education Evaluation and Regional Assistance, Regional Educational Laboratory Central, 2017. Available from: http://ies.ed.gov/ncee/edlabs (date of access: 13.11.2022).

32. Redman A., Wiek A., Barth M. Current practice of assessing students’ sustainability competencies: A review of tools // Sustainability Science. 2021. Vol. 16. № 1. P. 117–135. Available from: https://link.springer.com/article/10.1007/s11625-020-00855-1 (date of access: 13.11.2022).

33. Scheffel M., Drachsler H., Stoyanov S., Specht M. Quality Indicators for Learning Analytics // Journal of Educational Technology & Society. 2014. Vol. 17, № 4. P. 117–132. Available from: https://www.learntechlib.org/p/168000 (date of access: 13.11.2022).

34. Avella J. T., Kebritchi M., Nunn S. G., Kanai T. Learning Analytics Methods, Benefits, and Challenges in Higher Education: A Systematic Literature Review // Journal of Asynchronous Learning Networks. 2016. Vol. 20, Iss. 2. P. 13–29. Available from: https://www.learntechlib.org/p/193384 (date of access: 13.11.2022).

35. Alzahrani A. Sh., Tsai Y.-S., Iqbal S., Marcos P. M. M., Drachsler H., Kloos C. D., Al-johani N., Gasevic D. Untangling connections between challenges in the adoption of learning analytics in higher education // Education and Information Technologies. 2022. DOI: 10.1007/s10639-022-11323-x

36. Leitner P., Khalil M., Ebner M. Learning Analytics in Higher Education – A Literature Review // Learning Analytics: Fundaments, Applications, and Trends. Springer International Publishing, 2017. DOI: 10.1007/978-3-319-52977-6_1

37. Bamiah M. A., Brohi S. N., Rad B. B. Big data technology in education: advantages, implementations, and challenges // Journal of Engineering Science and Technology. 2018. Special Issue on ICCSIT. P. 229–241. Available from: https://jestec.taylors.edu.my (date of access: 26.04.2022).

38. Ray S., Saeed M. Applications of Educational Data Mining and Learning Analytics Tools in Handling Big Data in Higher Education // Applications of Big Data Analytics. 2018. P. 135–160. DOI: 10.1007/978-3-319-76472-6_7

39. Беляева Е. О., Катаев С. Г., да Силва Перон Т., Константинова Е. В. Количественное оценивание уровня сформированности компетенций и модель специалиста. Научно-педагогическое обозрение. Pedagogical Review. 2018. № 4 (22). C. 110–122. DOI: 10.23951/2307-6127-2018-4-110-122

40. Kataev K. S. The model of forecast of problem solving // KORUS 2004. Science and Technology Science and Technology: proceedings of the 8th Russian-Korean International Symposium on Science and Technology. Tomsk, 2004. P. 236–238. DOI: 10.1109/KORUS.2004.1555735

41. Катаев К. С. Прогноз динамики принятия решения индивида как представителя группы [Электрон. ресурс] // Новые информационные технологии в исследовании сложных структур: доклады VI Всероссийской конференции с международным участием. Томск, 2006. С. 214–222. Режим доступа: http://vital.lib.tsu.ru/vital/access/manager/Repository/vtls:000378825 (дата обращения: 13.11.2022).

42. Алексеева Е. О., Катаев С. Г. Компетентностная модель выпускника физической специальности педагогического вуза // Вестник Томского государственного педагогического университета. 2014. № 11 (152). С. 178–181.

43. Воронкова Я. Ю., Радюк О. М., Басинская И. В. «Большая пятерка», или пятифакторная модель личности [Электрон. ресурс] // Смысл, функции и значение разных отраслей практической психологии в современном обществе: сборник научных трудов / Под ред. Е. Н. Ткач. Хабаровск: Изд-во Тихоокен. гос. ун-та, 2017. С. 39–45. Режим доступа: https://elib.bsu.by/bitstream/123456789/179466/1/%C2%AB%D0%91%D0%9E%D0%9B%D0%AC%D0%A8%D0%90%D0%AF%20%D0%9F%D0%AF%D0%A2%D0%81%D0%A0%D0%9A%D0%90%C2%BB%20%D0%B8%D0%BB%D-0%B8%20%D0%BF%D1%8F%D1%82%D0%B8%D1%84%D0%B0%D0%BA%D1%82%D0%BE%D1%80%D0%BD%D0%B0%D1%8F%20%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C%20%D0%BB%D0%B8%D1%87%D0%BD%D0%BE%D1%81%D1%82%D0%B8%20%D0%A5%D0%B0%D0%B1%D0%B0%D1%80%D0%BE%D0%B2%D1%81%D0%BA%202017.pdf (дата обращения: 13.11.2022).

44. Сергеева А. С., Кириллов Б. А., Джумагулова А. Ф. Перевод и адаптация краткого пятифакторного опросника личности (TIPI-RU): оценка конвергентной валидности, внутренней согласованности и тест-ретестовой надежности // Экспериментальная психология. 2016. Т. 9, № 3. С. 138–154. DOI: 10.17759/exppsy.2016090311

45. Kатаев С. Г., Лобода Ю. О., Хомякова Е. А. Индикаторный метод оценивания компетенций // Вестник Томского государственного педагогического университета. 2009. № 11 (89). С. 70–73.

46. Kataev S., Skripko Z., Alekseeva E. The Analysis of Degree of Formation of Competences on the Basis of Model of the Expert and Cluster Approach // Handbook of Research on Estimation and Control Techniques in E-Learning Systems. Hershey, IGI-Global. 2015. P. 96–110. DOI: 10.4018/978-1-4666-9489-7.ch008