Диагностика профессиональной компетентности студентов ИТ-направлений на основе данных цифрового следа
https://doi.org/10.32517/0234-0453-2020-35-4-4-11
Аннотация
В статье предложен подход к диагностике уровня профессиональной компетентности выпускников ИТ-направлений, основанный на анализе данных цифрового следа студента и содержания соответствующей образовательной программы. Описаны способы извлечения показателей профессионального уровня студента из данных цифрового следа — текстов рабочих программ по освоенным дисциплинам и выпускных квалификационных работ. Показана методика соотнесения этих показателей с формализованными требованиями работодателей, отраженными в текстах вакансий в области информационных технологий. Приведен пример реализации предложенного подхода в Институте математики и компьютерных наук Тюменского государственного университета. Диагностика выполнялась на основании набора данных, включавшего тексты рабочих программ для ИТ-направлений бакалавриата и специалитета, 542 выпускные квалификационные работы по этим направлениям, 879 описаний требований к вакансиям и информации о трудоустройстве выпускников. Представленный подход позволяет оценить актуальность образовательной программы в целом и уровень профессиональной подготовки каждого студента на основе объективных данных. Полученные результаты были использованы для актуализации содержания базовых курсов и включения в учебный план новых элективных дисциплин.
Об авторах
И. Г. ЗахароваРоссия
Захарова Ирина Гелиевна, доктор пед. наук, профессор, профессор кафедры программного обеспечения, Институт математики и компьютерных наук
625003, г. Тюмень, ул. Володарского, д. 6;
354340, г. Сочи, Олимпийский проспект, д. 1
Ю. В. Боганюк
Россия
Боганюк Юлия Викторовна, аспирант кафедры программного обеспечения, Институт математики и компьютерных наук
625003, г. Тюмень, ул. Володарского, д. 6;
354340, г. Сочи, Олимпийский проспект, д. 1
М. С. Воробьева
Россия
Воробьева Марина Сергеевна, канд. тех. наук, доцент, зав. кафедрой программного обеспечения, Институт математики и компьютерных наук
625003, г. Тюмень, ул. Володарского, д. 6;
354340, г. Сочи, Олимпийский проспект, д. 1
Е. А. Павлова
Россия
Павлова Елена Александровна, доцент кафедры программного обеспечения, Институт математики и компьютерных наук
625003, г. Тюмень, ул. Володарского, д. 6;
354340, г. Сочи, Олимпийский проспект, д. 1
Список литературы
1. Захарова И. Г. Методы машинного обучения для информационного обеспечения управления профессиональным развитием студентов // Образование и наука. 2018. Т. 20. № 9. С. 91–114. DOI: 10.17853/1994-5639-2018-9-91-114
2. Baker R. S., Inventado P. S. Educational data mining and learning analytics // Learning Analytics. New York: Springer, 2014. P. 61–75. DOI: 10.1007/978-1-4614-3305-7_4
3. Siemens G., Baker R. S. J. d. Learning analytics and educational data mining: towards communication and collaboration // LAK ‘12. Proc. 2nd Int. Conf. on Learning Analytics and Knowledge. New York: ACM, 2012. P. 252–254. DOI: 10.1145/2330601.2330661
4. Зеер Э. Ф., Степанова Л. Н. Портфолио как инструментальное средство самооценивания учебно-профессиональных достижений студентов // Образование и наука. 2018. Т. 20. № 6. С. 139–157. DOI: 10.17853/1994-5639-2018-6-139-157
5. Бектемесов М. А., Гриншкун В. В., Скиба М. А., Турганбаева А. Р. Определение структуры, видов решаемых задач и направлений эффективного использования электронного портфолио студентов вузов // Вестник Российского университета дружбы народов. Серия: Информатизация образования. 2017. Т. 14. № 4. С. 406–417. DOI: 10.22363/2312-8631-2017-14-4-406-417
6. Добудько Т. В., Горбатов С. В., Добудько А. В., Пугач О. И. Саморазвитие студентов сквозь призму электронного портфолио // Самарский научный вестник. 2019. Т. 8. № 3. С. 275–279. https://journals.eco-vector.com/2309-4370/article/view/34389
7. Рочев К. В., Моданов А. В., Коршунов Г. В. Реализация личного кабинета работодателя в информационной системе оценки деятельности студентов // Информатика и образование. 2019. № 5. С. 54–63. DOI: 10.32517/0234-0453-2019-34-5-54-63
8. Шефер О. Р., Носова Л. С., Лебедева Т. Н. Электронное портфолио в системе подготовки студентов бакалавриата к будущей профессиональной деятельности // Информатика и образование. 2019. № 2. С. 56–62. DOI: 10.32517/0234-0453-2019-34-2-56-62
9. Ahmed E., Ward R. Analysis of factors influencing acceptance of personal, academic and professional development e-portfolios // Computers in Human Behavior. 2016. Vol. 63. P. 152–161. DOI: 10.1016/j.chb.2016.05.043
10. Gikandi J. W. Promoting competence-based learning and assessment through innovative use of electronic portfolios // Handbook of Research on Promoting Higher-Order Skills and Global Competencies in Life and Work. Hershey: IGI Global, 2019. P. 181–208. DOI: 10.4018/978-1-5225-6331-0.ch012
11. Можаева Г. В., Слободская А. В., Фещенко А. В. Информационный потенциал социальных сетей для выявления образовательных потребностей школьников // Открытое и дистанционное образование. 2017. № 3. С. 25–30. DOI: 10.17223/16095944/67/4
12. Степаненко А. А., Шиляев К. С., Резанова З. И. Атрибуция профессиональных интересов пользователей социальной сети «ВКонтакте» на основе текстов тематических групп и персональных страниц // Вестник Томского государственного университета. Филология. 2018. № 52. С. 130–144. DOI: 10.17223/19986645/52/8
13. Feshchenko A., Goiko V., Stepanenko A. Recruiting university entrants via social networks // EDULEARN17. Proc. 9th Int. Conf. on Education and New Learning Technologies. Barcelona: IATED, 2017. P. 6077–6082. DOI: 10.21125/edulearn.2017.2375
14. Напреенко Г. В. Идентификация текста по его авторской принадлежности на лексическом уровне (формально-количественная модель) // Вестник Томского государственного университета. 2014. № 379. С. 17–23. DOI: 10.17223/15617793/379/3
15. Резанова З. И., Романов А. С., Мещеряков Р. В. О выборе признаков текста, релевантных в автороведческой экспертной деятельности // Вестник Томского государственного университета. Филология. 2013. № 6. С. 38–52. DOI: 10.17223/19986645/26/4
16. Knight S., Buckingham Shum S., Ryan P., Sándor Á., Wang X. Designing academic writing analytics for civil law student self-assessment // International Journal of Artificial Intelligence in Education. 2018. Vol. 28. P. 1–28. DOI: 10.1007/s40593-016-0121-0
17. Woods B., Adamson D., Miel S., Mayfield E. Formative essay feedback using predictive scoring models // KDD ‘17. Proc. 23rd ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining. New York: ACM, 2017. P. 2071–2080. DOI: 10.1145/3097983.3098160
18. Kyle K., Crossley S., Berger C. The tool for the automatic analysis of lexical sophistication (TAALES): version 2.0 // Behavior Research Methods. 2018. Vol. 50. P. 1030–1046. DOI: 10.3758/s13428-017-0924-4
19. Crossley S. A., Muldner K., McNamara D. S. Idea generation in student writing: computational assessments and links to successful writing // Written Communication. 2016. Vol. 33. Is. 3. P. 328–354. DOI: 10.1177/0741088316650178
20. McNamara D. S., Crossley S. A., Roscoe R. D., Allen L. K., Dai J. A hierarchical classification approach to automated essay scoring // Assessing Writing. 2015. Vol. 23. P. 35–59. DOI: 10.1016/j.asw.2014.09.002
21. Skalicky S., Crossley S. A., McNamara D. S., Muldner K. Identifying creativity during problem solving using linguistic features // Creativity Research Journal. 2017. Vol. 29. Is. 4. P. 343–353. DOI: 10.1080/10400419.2017.1376490
22. Kovanović V., Joksimović S., Mirriahi N., Blaine E., Gašević D., Siemens G., Dawson S. Understand students’ self-reflections through learning analytics // LAK ‘18. Proc. 8th Int. Conf. on Learning Analytics and Knowledge. New York: ACM, 2018. P. 389–398. DOI: 10.1145/3170358.3170374
23. Ботов Д. С., Мельников А. В. Концепция автоматизированного формирования актуализированного набора учебных курсов с учетом требований рынка труда на основе интеллектуального анализа результатов обучения // Инновации в информационных технологиях и образовании: Сборник трудов III Международной научно-практической конференции. М.: ИТО, 2014. С. 238–244.
24. Ботов Д. С. Интеллектуальная поддержка формирования образовательных программ на основе нейросетевых моделей языка с учетом требований рынка труда // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2019. № 1. С. 5–19. DOI: 10.14529/ctcr190101
25. ISO/IEC 25010:2011 Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — System and software quality models. https://www.iso.org/obp/ui/#iso:std:iso-iec:25010:ed-1:v1:en
26. Bird S., Klein E., Loper E. Natural language processing with Python. Sebastopol: O’Reilly Media, 2009.
Рецензия
Для цитирования:
Захарова И.Г., Боганюк Ю.В., Воробьева М.С., Павлова Е.А. Диагностика профессиональной компетентности студентов ИТ-направлений на основе данных цифрового следа. Информатика и образование. 2020;(4):4-11. https://doi.org/10.32517/0234-0453-2020-35-4-4-11
For citation:
Zakharova I.G., Boganyuk Yu.V., Vorobyova M.S., Pavlova E.A. Diagnostics of professional competence of IT students based on digital footprint data. Informatics and education. 2020;(4):4-11. (In Russ.) https://doi.org/10.32517/0234-0453-2020-35-4-4-11