“Gestión basada en datos”: perspectivas de implementación en el sistema de educación vocacional

Introducción. La calidad y confiabilidad de los datos sobre los cambios en los mercados laborales regionales, las características cuantitativas y cualitativas de la necesidad de trabajadores y especialistas de nivel medio, junto con una evaluación de las posibilidades de modernizar la educación media vocacional y el sistema de formación vocacional, es un problema importante. para la planificación a medio y largo plazo en esta esfera. La solución del problema depende en gran medida de las técnicas de previsión que combinen datos sobre las perspectivas de desarrollo de los mercados laborales con datos sobre las capacidades de los sistemas de formación de personal. Objetivo. El objetivo es considerar el concepto de “análisis predictivo” como base de la metodología de gestión basada en datos y la posibilidad de aplicar esta metodología en la educación vocacional. Metodología, métodos y procesos de investigación. La investigación de carácter aplicado se llevó a cabo sobre la base de una metodología de nivel científico general. Se utilizaron métodos como la generalización, el análisis teórico, empírico y de clusters, la síntesis y la conceptualización. Resultados y novedad científica. El análisis predictivo se considera una herramienta para introducir la metodología de gestión basada en datos en el campo de la educación vocacional, y se fundamenta el concepto de resultados educativos resagados como tema central del análisis predictivo en el sistema de gestión educativa. Significado práctico. Se proponen cinco grupos de parámetros que permiten elaborar varios modelos de análisis predictivo, tanto a nivel de una organización educativa en particular como de un sistema de educación vocacional regional.

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).