«Управление на основе данных»: перспективы внедрения в систему профессионального образования

Введение. Качество и достоверность данных об изменениях на региональных рынках труда, количественные и качественные характеристики потребности в рабочих кадрах и специалистах среднего звена в совокупности с оценкой возможностей модернизации среднего профессионального образования и системы профессионального обучения является важной проблемой для среднесрочного и долгосрочного планирования в данной сфере. Решение проблемы во многом зависит от методик прогнозирования, объединяющих данные о перспективах развития рынков труда с данными о возможностях систем подготовки кадров. Цель – рассмотреть понятие «предикативная аналитика» как основу методологии управления на основе данных и возможность применения этой методологии в профессиональном образовании. Методология, методы и методики. Исследование прикладного характера проведено на основе методологии общенаучного уровня. Применялись такие методы, как обобщение, теоретический, эмпирический и кластерный анализ, синтез, концептуализация. Результаты и научная новизна. Рассмотрена предикативная аналитика как инструмент внедрения методологии управления на основе данных в сфере профессионального образования, обосновано понятие отсроченных результатов образования в качестве центрального предмета прогностической аналитики в системе управления образованием. Практическая значимость. Предложены пять групп параметров, позволяющих выстраивать разнообразные модели предиктивной аналитики на уровне как отдельной образовательной организации, так и региональной системы профессионального образования.

1. Bakule M., Czesaná V., Havlícˇková V., Kriechel B., Rašovec Т., Wilson R. Developing skills foresights, scenarios and forecasts. Cedefop, Euro Commission. 2016. Accessed March 01, 2024. https://www.cedefop.europa.eu/en/publications/2216

2. Niemi D., Pea R.D., Saxberg B., Clark R.P. Learning analytics in education. Journal of Applied Learning & Teaching Content. 2019;2(1):90–91. Accessed March 11, 2024. https://journals.sfu.ca/jalt/index.php/jalt/issue/view/5

3. Tian X. Big data and knowledge management: a case of déjà vu or back to the future? Journal of Knowledge Management. 2019;21(1):113–131. doi:10.1108/JKM-07-2015-0277

4. Trabucchi D., Buganza T. Data-driven innovation: switching the perspective on big data. Journal of Knowledge Management. 2019;22(1):23–40. doi:10.1108/EJIM-01-2018-0017

5. Agbo F.J., Oyelere S.S., Suhonen J., Tukiainen M. Smart learning environment for computing education: readiness for implementation in Nigeria. In: Theo Bastiaens J., ed. Proceedings of EdMedia + Innovate Learning. Waynesville, NC: Association for the Advancement of Computing in Education; 2019:1382–1391. doi:10.1504/ijlt.2019.106551

6. Arai K., Bhatia R., Kapoor S. Smart mobile learning environment for programming education in Nigeria: adaptivity and context-aware features. In: Arai K., Bhatia R., Kapoor S., eds. Intelligent Computing. CompCom 2019. Advances in Intelligent Systems and Computing. Vol. 998. Springer, Cham; 2019. doi:10.1007/978-3-030-22868-2_71

7. Гоцев П.С., Булгакова И.Н. Применение методов предиктивной HR-аналитики в организации процесса принятия решений при формировании проектных команд. Матрица научного познания. 2021;6(1):57–66. Режим доступа: https://elibrary.ru/item.asp?id=46149508 (дата обращения: 23.01.2024).

8. Баранков В.Л., Волкова Н.С., Дмитриев Ю.А., Егошина Л.А., Еремина О.Ю., Жукова Т.В., Журавлева О.О., Кирилловых А.А., Махник Д.И., Павлушкин А.В., Пуляева Е.В., Путило Н.В. Научно-практический комментарий к Федеральному закону от 29.12.2012 г. № 273-ФЗ «Об образовании в Российской Федерации» (постатейный; издание второе, переработанное и дополненное) (под общей. редакцией А.А. Кирилловых). Москва: «Деловой двор»; 2016. Режим доступа: https://base.garant.ru/57288566/ (дата обращения: 14.02.2024).

9. Рыжук О.Б. Тренды развития предиктивной аналитики. Инноватика в современном мире: опыт, проблемы и перспективы развития: Сборник научных статей по материалам XII международной научно-практической конференции. Т. 2. Уфа: ООО «Научно-издательский центр «Вестник науки»»; 2023:128–135. Режим доступа: https://elibrary.ru/item.asp?id=53860184&pff=1 (дата обращения: 14.02.2024).

10. Siemens G., Gasevic D. Guest editorial-learning and knowledge analytics. Journal of Educational Technology & Society. 2012;15(3):1–2. Accessed February 09, 2024. https://www.researchgate.net/publication/279555980

11. Lemay D.J., Baek C., Doleck T. Comparison of learning analytics and educational data mining: a topic modeling approach. Computers and Education: Artificial Intelligence. 2021;2:100016. doi:10.1016/j.caeai.2021.100016

12. Ширинкина Е.В. Интеллектуальный анализ образовательных данных. Вестник Тверского государственного университета. Серия Экономика и управление. 2021;3(55):179–188. Режим доступа: http://eprints.tversu.ru/10753/ (дата обращения: 09.02.2024).

13. Когденко В.Г. Прогностический (предиктивный) и предписывающий (прескриптивный) анализ: теоретические аспекты. Экономический анализ: теория и практика. 2019;18-7(490):1243–1255. doi:10.24891/ea.18.7.1243

14. Kumar K. Advancing learning through smart learning analytics: a review of case studies. Asian Association of Open Universities Journal. 2018;13(1):1–12. doi:10.1108/AAOUJ-12-2017-0039

15. Permana A.A.J., Pradnyana G.A. Recommendation systems for internship place using artificial intelligence based on competence. Journal of Physics Conference Series. 2019;1165:012007. doi:10.1088/1742-6596/1165/1/012007

16. Brown М. Seeing students at scale: how faculty in large lecture courses act upon learning analytics dashboard data. Teaching in Higher Education. 2020;25(4):384–400. doi:10.1080/13562517.2019.1698540

17. Бойко А.Э., Савицкая Т.В., Лопаткин Д.С. Применение инструментов интеллектуального анализа образовательных данных при работе с системами управления обучением в организациях высшего образования. Вестник Пермского национального исследовательского политехнического университета. 2023;46:151–177. Режим доступа: https://elibrary.ru/item.asp?id=54914976 (дата обращения: 09.02.2024).

18. Кириллова Н.Б., Шлыкова О.В. Модификация гуманитарных наук: глобальные вызовы цифровой революции. Перспективы науки и образования. 2022;5(59):10–24. Режим доступа: https://pnojournalarchive.wordpress.com/wp-content/uploads/2022/10/2205pno.pdf (дата обращения: 14.02.2024).

19. Kausar S., Oyelere S.S., Salal Y.K., Hussain S., Cifci M.A., Hilcenko S., et al. Mining smart learning analytics data using ensemble classifiers. International Journal of Emerging Technologies in Learning. 2020;15:81–102. doi:10.3991/ijet.v15i12.13455

20. Lewis S., Holloway J. Datafying the teaching ‘profession’: remaking the professional teacher in the image of data. Cambridge Journal of Education. 2019;49(1):35–51. doi:10.1080/0305764X.2018.1441373

21. Carnicero I., González-Gaya C., Rosales V.F. The transformation process of the university into a data driven organization and advantages it brings: qualitative case study. Sustainability. 2021;13(22):2–30. doi:10.3390/su132212611

22. Jianzhen Zh., Jia T.D., Fang X. application of data mining in MOOCs for developing vocational education: a review and future research directions. International Journal of Information and Education Technology. 2018;8(6):411–417. doi:10.18178/ijiet.2018.8.6.1073

23. Малахов В.В. Социальные и поисковые сети как средство развития практик профориентационной работы со школьниками. Вестник московского университета. Серия 20: педагогическое образование. 2023;21(1):81–82. doi:10.51314/2073-2635-2023-1-80-94

24. Токтарова В.И., Пашкова Ю.А. Предиктивная аналитика в цифровом образовании: анализ и оценка успешности обучения студентов. Сибирский педагогический журнал. 2022;1:97–106. doi:10.15293/1813-4718.2201.09

25. Виноградова А.А. Предиктивная аналитика. Экономическая наука – хозяйственной практике: Материалы XVIII международной научно-практической конференции. Кострома: Костромской государственный технологический университет; 2017:208–210. Режим доступа: https://elibrary.ru/item.asp?id=32422705&selid=32422750 (дата обращения: 09.02.2024).

26. Моисеева Н.А. Перспективы и проблемы интеграции технологий искусственного интеллекта в образование. Информатизация образования: теория и практика: Сборник материалов международной научно-практической конференции памяти академика РАО М. П. Лапчика. Омск: ФГБОУ ВО «Омский государственный педагогический университет»; 2022:64–67. Режим доступа: https://elibrary.ru/download/elibrary_50816367_36399819.pdf (дата обращения: 01.03.2024).

27. Блинов В.И., Есенина Е.Ю., Сергеев И.С. Готовность отечественной системы СПО к достижению технологического суверенитета: результаты исследования. Профессиональное образование и рынок труда. 2023;11(2):6–31. doi:10.52944/PORT.2023.53.2.001

28. Giroux H.A., Purpel D.E. The Hidden Curriculum and Moral Education: Deception or Discovery? Berkeley, California: McCutchan Pub. Corp.; 1983. 405 p. Accessed March 01, 2024. https://archive.org/details/hiddencurriculum00giro

29. Талер Р. Новая поведенческая экономика. Почему люди нарушают правила традиционной экономики и как на этом заработать. Москва: Эксмо; 2017. 368 с. Режим доступа: https://enc-medica.ru/wp-content/uploads/%D0%A0.%D0%A2%D0%B0%D0%BB%D0%B5%D1%80-%D0%9D%D0%BE%D0%B2%D0%B0%D1%8F-%D0%BF%D0%BE%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F-%D1%8D%D0%BA%D0%BE%D0%BD%D0%BE%D0%BC%D0%B8%D0%BA%D0%B0.pdf (дата обращения: 01.02.2024).

30. Ebbinghaus H., Ruger H.A., Bussenius C.E. Memory: A Contribution to Experimental Psychology. New York: Teachers College, Columbia University; 1913. 121 p. Accessed January 29, 2024. https://archive.org/details/memorycontributi00ebbiuoft/page/24/mode/2up?view=theater

31. Сериков В.В. Дидактика Лернера: идеи и их развитие. Отечественная и зарубежная педагогика. 2017;1(3(39)):19–30 Режим доступа: https://ozp.instrao.ru/images/nomera/Pedagogika_3_39_2017-ilovepdf-compressed.pdf (дата обращения: 27.01.2024).

32. Лернер И.Я., Журавлёв И.К. Прогностическая концепция целей и содержания образования. Москва: ИТПИМИО РАО; 1994. 131 с. Режим доступа: https://search.rsl.ru/ru/record/01001684645 (дата обращения: 20.01.2024).

33. Панюшкина Е.В., Шехтман Е.И., Быкова О.В. «Веерная» модель подготовки специалистов среднего звена: мультискиллинг, профессионализм и качество. Техник транспорта: образование и практика. 2023;4(3):281–294. doi:10.46684/2687-1033.2023.3.281-294

34. Блинов В.И., Сергеев И.С., Есенина Е.Ю., Сатдыков А.И., Осадчева С.А. Процессы импортозамещения в материально-техническом обеспечении образовательных программ спо в условиях движения к технологическому суверенитету. Образование и наука. 2023;25(8):49–79. doi:10.17853/1994-5639-2023-8-49-79

35. Сайфуллина Л.Д. Цифровые технологии в управлении персоналом. Информационные технологии в моделировании и управлении: подходы, методы, решения: Материалы II всероссийской научной конференции с международным участием. В 2 частях. Т. 2. Уфа: Уфимский государственный авиационный технический университет; 2019:466–470 Режим доступа: http://student.ispu.ru/sites/student.ispu.ru/files/sbornik_2_chast.pdf (дата обращения: 25.01.2024).