The Relevance of Student Differentiation in the Modern System of Continuing Education.pdf Введение Цифровая экономика, которая стремительно развивается и интегрируется во все сферы человеческой жизнедеятельности в современном обществе, порождает потребность в системных технологических прорывах и инициирует потребность в поиске новых способов обработки информации [1]. Трансформация современного образования обусловлена внедрением цифровых технологий во все экономические процессы общества, которые влекут за собой создание новых профессий и рабочих мест. При этом стремительное развитие технологий вынуждает трудоспособное население повышать свою квалификацию, тем самым позволяя им оставаться конкурентоспособными на рынке труда. Получение реальных знаний и практических навыков при освоении образовательных программ является необходимой составляющей при трудоустройстве выпускников современного вуза. Подготовка высококвалифицированных специалистов требуют соответствующих навыков использования информационно-коммуникационных технологий в учебном процессе. Образовательные программы требуют постоянной адаптации под современные условия. Нынешние обучающиеся желают получать более глубокие знаний в области обработки и анализа больших данных, машинного обучения и др. [2]. Университеты должны быть не просто вовлечены в цифровую экономику со своим укладом, методикой обучения и управленческими аспектами, которые были отработаны десятилетиями, а стать конкурентоспособным учреждением на рынке образовательных услуг, выпускающим востребованных на высокотехнологичных предприятиях специалистов. Трансформация учебного процесса и переработка образовательных программ нацелены на то, чтобы студенты овладели самыми современными цифровыми технологиями [3]. Современные подходы к организации учебного процесса позволяют обучающемуся реализовать потребности в выборе и построении своей собственной индивидуальной образовательной траектории. Классический набор дисциплин образовательных учреждений в настоящее время, как правило, не отвечает требованиям, предъявляемым к потенциальным сотрудникам высокотехнологичных мировых компаний. Осознание вчерашним выпускником школы своих временных, а зачастую и финансовых возможностей склоняет его к выстраиванию своей образовательной стратегии оптимальным, насколько это возможно, способом - при минимизации временных и финансовых затрат. При трансформации системы образования меняются и требования к преподавателю. Большой процент преподавателей имеют свой курс по преподаваемой дисциплине. Курс может быть использован как в качестве дистанционной поддержки очного обучения, так и для заочных студентов [4]. Обучение преподавателей на курсах повышения квалификации, где предоставляется возможность приобрети компетенции для самостоятельного формирования курса по своей дисциплине в образовательной среде, - необходимость организации учебного процесса в образовательной организации. Преподаватель в новых условиях является не только транслятором знаний, но и ментором, тьютором, коучем. Ведущие эксперты в области инженерной педагогики, участники круглого стола «Современная аспирантура и судьба института повышения квалификации научно-педагогических кадров», который состоялся в 2014 г., в дискуссии отметили, что «проблема повышения квалификации преподавателя сегодня стоит весьма остро, поскольку без подготовки современного преподавателя никакой модернизации, никакой реформы образования не получится» [5]. Перед системой дополнительного профессионального образования стоят серьезные задачи в области повышения эффективности и качества учебного процесса обучения на курсах повышения квалификации профессорско-преподавательским состава. Персонализированный подход, который необходимо выстроить в системе повышения квалификации профессорско-преподавательского состава, должен быть ориентирован на конкретную личность, в интересах не только самого обучающегося, но и образовательной организации. Для формирования конкурентоспособного образовательного учреждения перечень дополнительных образовательных программ и курсов повышения квалификации должен быть направлен на развитие профессионального роста преподавателя. Обучение специалистов и преподавателей университетов для реализации образовательных программ для современной экономики происходит по программам, которые позволяют пробрести дополнительные компетенции в области цифровизации образования. В ФГБОУ ВО «Уфимский нефтяной технический университет» обучение профессорско-преподавательского состава и специалистов по учебно-методической работе происходит на курсах повышения квалификации «Электронное обучение: использование информационно-коммуникационных технологий в учебном процессе вуза». Прогнозирование образовательной деятельности обучающихся является важной компонентой при реализации образовательных программ на курсах повышения квалификации, а также для выявления условий, которые позволяют в сроки и на высоком уровне завершить курс или сдать зачеты и экзамены. При реализации программы курса повышения квалификации необходимо учитывать известную неоднородность контингента обучающихся. Данная неоднородность носит многофакторный и латентный характер, так как преподаватели одной и той же кафедры, факультета и т.п. при формальной однородности по тому или иному признаку (возраст, пол, наличие ученой степени и пр.) могут совершенно различно проявлять себя в процессе обучения. Оставляя в стороне психологические аспекты, тем не менее, сочтем целесообразным выявить основные паттерны слушателя данных курсов. Опираясь на опыт ранее проведенных исследований [6], считаем необходимым проведение данной предварительной процедуры для наиболее эффективного прогнозирования результатов обучения. Несомненным, с нашей точки зрения, является и тот факт, что увеличение объема выборки (контингента обучающихся) позволит минимизировать фактор неопределенности в прогнозировании и, следовательно, повысить его результативность. Для решения поставленной задачи из множества алгоритмов кластеризации наиболее оптимальным, по мнению авторов, являются алгоритмы: k-means (метод средних) и EM (метод максимального правдоподобия) [7, 8]. В связи с вышесказанным авторами выдвигается следующая гипотеза исследования: сходное множество обучающихся возможно разделить на устойчивые группы (кластеры), которые формируют паттерны для дальнейшего целевого прогнозирования для объектов данного кластера. Материалы и методы. Данные обучающихся представляют собой объемные массивы данных, далеко не всегда поддающиеся результативной обработке для выявления закономерностей средствами стандартной статистики. Рассмотрим выборку объемом 187 человек -слушателей курсов повышения квалификации. Для удобства обработки данных проведем бинаризацию ряда параметров (табл. 1). Таблица 1 Бинаризация ряда параметров объектов выборки Параметр Код 0 1 2 Пол Женщина Мужчина - Ученая степень Без степени Кандидат наук Доктор наук Кафедра Гуманитарная Естественно-научная - Кафедра Общенаучная Выпускающая - Визуально распределение объектов выборки в соответствии со значениями параметров приведено на рис. 1. Рис. 1. Распределение объектов выборки по трем исходным параметрам Согласно визуализации исходных данных (рис. 1) основной состав мужчин и женщин составляют кандидаты наук, средний возраст - 50 лет. У женщин возраст обучающихся без степени и кандидатов наук распределен равномерно, доктора наук группируются в интервале 45-55 лет. У мужчин кандидаты наук также распределены равномерно, а преподаватели без степени и доктора наук, наоборот, концентрируются в практически непересекающихся диапазонах - до 50 и после 55 лет соответственно. Параметр «Возраст» по очевидным причинам не бинаризировался, но была предварительно проверена нормальность его распределения (рис. 2). 60 50 40 30 20 10 / . / / / / \\ ■ 10 20 30 60 70 80 40 50 го Iо Iо го т 0 Возраст Рис. 2. Гистограмма распределения частот параметра «Возраст» Так как в рассматриваемом случае формой итоговой аттестации был зачет, принято решение рассматривать лишь положительные результаты аттестации. Отрицательные результаты (отчисление) в данном случае составляли менее 1% от общего числа. Поэтому итоговым параметром было выбрано время закрытия курса, которое в дальнейшем было разделено на три части - по числу разделов курса. Изучение связей между параметрами выборки средствами стандартной статистики не привело к очевидным результатам. Характерным примером в данном случае могут служить данные рис. 3, на котором представлено корреляционное облако, указывающее на отсутствие связи между значениями двух параметров (входного и выходного). Аналогичные результаты были получены и для других параметров. Тем не менее представляется весьма вероятным, что существуют различия в поведении обучающихся разных возрастов, пола и пр. Данные сложные, скорее всего, нелинейные связи требуют предварительной обработки исходного множества. На наш взгляд, множество всех обучающихся можно условно разделить на подгруппы, выделяя в них типичного представителя - паттерн. Иными словами, выделяя типичного представителя, по факту удается выделить и его типичное поведение или результат определенной деятельности. Кроме того, с данным объектом в дальнейшем гораздо проще проводить исследования и прогнозировать его успешность обучения [9]. Поэтому в дальнейшем проведем процедуру разбиения на кластеры в пакете STATISTICA. В качестве методов кластеризации выберем k-means (метод средних) и EM (метод максимального правдоподобия) [10. С. 281]. Данный выбор обусловлен следующими преимуществами методов: относительная простота применения; наглядность визуализации кластеризации; сходимость алгоритма (невозможность зацикливания). В то же время необходимо учитывать и особенности данных методов: заранее неизвестное число кластеров; плохая применимость алгоритма EM при слабой дифференциации исходного множества на кластеры (сравнение с результатами метода k-means); неустойчивость результатов (проверяется опытным путем). При этом, как показывают отдельные исследования [10], «алгоритм k-means может иметь преимущество при работе с обособленными (неперекрывающимися) кластерами, но полностью проигрывает алгоритму EM при наличии их перекрытия». 60 о о оо о о- 50 о о о 40 30 20 ООО 10 ш а. m 0 -10 20 30 70 80 90 о §8 00 0 8 о о О о о оо 8 о о -Л- > о о | о оо о о о о о о ° 8° о о о °° о ° 0 00 О О О ( о о > о ° ° о 0 О О О оо о 40 50 60 Возраст Рис. 3. Распределение значений параметра «Время прохождения первого раздела, дни» в зависимости от значений параметра «Возраст» Обсуждение. На первом этапе проведем кластеризацию рассматриваемой выборки по методу средних. Определим первоначальное число кластеров - 2. Входные данные - пять параметров (табл. 1). Выходные - три (время в днях завершения каждого из трех разделов курса). Согласно результатам кластеризации исходное множество разбилось на два подмножества с паттернами - женщинами. Данный результат вызвал обоснованные сомнения, так как в состав исходной выборки входило около 40% мужчин. Поэтому было принято решение об увеличении числа кластеров [10. С. 279]. При формировании трех и четырех кластеров дифференциация прослеживалась достаточно четко. При этом три из четырех кластеров заняли женщины и один - мужчины (рис. 4, табл. 2). ► Кластер 1 Кластер 2 Кластер 3 Кластер 4 0,9 0,7 к 0,6 s I

Скачать электронную версию публикации