Концепция прогнозирования развития системы подготовки квалифицированных рабочих кадров и специалистов среднего звена
DOI:
https://doi.org/10.52944/PORT.2024.57.2.001Ключевые слова:
профессиональное образование и обучение, подготовка квалифицированных рабочих и специалистов среднего звена, стратегия образования, методы прогнозирования, предикативная аналитикаАннотация
Ведение. Анонсированные Минпросвещением планы разработать к осени 2024 года новую стратегию развития образования актуализируют проблему прогнозирования развития системы подготовки квалифицированных рабочих и специалистов среднего звена. Цель. Разработка методологии прогнозирования готовности системы среднего профессионального образования к решению задачи обеспечения экономики в квалифицированных кадрах. Методы. Использованы методы сравнительного и обобщающего анализа научных публикаций о подходах к прогнозированию и его практиках в России и за рубежом, экстраполяции данных, моделирования, теоретического и кластерного анализа, синтеза и концептуализации. Результат. Представлена концепция прогнозирования развития системы подготовки квалифицированных рабочих и специалистов среднего звена, включающая типы данных и параметры, используемые для прогнозирования, его этапы, методы работы с данными. Научная новизна состоит в обосновании путей использования инструментов аналитики больших данных (прогнозной аналитики) для управления развитием системы профессионального образования. Практическая значимость. Предложен инструментарий прогнозирования и алгоритмы его использования для управления развитием системы СПО: средства прогнозной аналитики, требования к данным, используемым в системе прогнозной аналитики, этапы прогнозирования и условия эффективности его результатов.Библиографические ссылки
Алудова-Краус А. Р. Сущность и значение HR-аналитики в сфере управление персоналом // Меридиан. 2019. № 14 (32). С. 135–137. 2. Безворотных А. В., Стефаненко О. С. Метод предиктивной аналитики при обработке больших данных // Актуальные проблемы авиации и космонавтики: Сб. мат-лов VIII межд. науч.-практ. конф., посвященной Дню космонавтики: в 3 т. Т. 2. Красноярск, 2022. С. 12–14. 3. 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. Электротехника, информационные технологии, системы управления. 2023. № 46. С. 151–177. https://doi.org/10.15593/2224-9397/2023.2.07 4. Виноградова А. А. Предиктивная аналитика // Экономическая наука - хозяйственной практике: Мат-лы XVIII межд. науч.-практ. конф. Кострома: Костромской государственный технологический университет, 2017. С. 208–210. 5. Калытюк И. С., Французова Г. А., Гунько А. В. К вопросу выбора методов предиктивного анализа данных социальных медиа // Автоматика и программная инженерия. 2019. № 4. С. 9–17. 6. Кречетов И. А., Романенко В. В. Искусственный интеллект в образовании: реализация адаптивного обучения на основе учебной аналитики // Современное образование: повышение конкурентоспособности университетов. Мат-лы межд. науч.-практ. конф. В 2 ч. Ч. 2. Томск: Томский государственный университет систем управления и радиоэлектроники. 2021. С. 82–83. 7. Людвиницкий Г. Д. Предиктивная аналитика // Мавлютовские чтения: Мат-лы XV Всерос. молодежной науч. конф.: в 7 т. Т. 2. Уфа: Уфимский государственный авиационный технический университет, 2021. С. 186–187. 8. Майер-Шенбергер В., Кукьер К. Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим. Москва: Манн, Иванов и Фербер, 2014. 240 с. 9. Мезенцева А. А., Ломакин В. В. Предиктивная прогностическая аналитика // Наука и образование: отечественный и зарубежный опыт: Сб. тр. LIV межд. науч.-практ. конф. Белгород: ООО ГиК, 2023. С. 238–242. 10. Хохлова О. А. Сущность и значение предиктивной аналитики данных в прогнозировании событий // Экономика и управление: современные вызовы, тенденции и перспективы: Мат-лы нац. науч.-практ. конф. ВСГУТУ «Образование и наука». Улан-Удэ: Изд-во Восточно- Сибирского гос. ун-та технологий и управления, 2021. С. 104–108. 11. Aldowah H., Al-Samarraie H., Fauzy W.M. Educational data mining and learning analytics for 21st century higher education: A review and synthesis // Telematics and Informatics. 2019. Vol. 37. P. 13–49. https://doi.org/10.1016/j.tele.2019.01.007 12. Aman F., Rauf A., Ali R., Iqbal F., Khattak A. M. Predictive Model for Predicting Students Academic Performance // Proceedings of the 10th International Conference on Information, Intelligence, Systems and Applications (IISA). 2019. http://dx.doi.org/10.1109/IISA.2019.8900760 13. Big Data And Analytics Global Market Report 2023 / BCC Research. https://www.bccresearch.com/partners/tbrc-market-briefs/big-data-and-analytics-global-market- report.html# 14. Veletsianos G., Reich J., Pasquini L. A. The life between big data log events: Learners’ strategies to overcome challenges in MOOCs // AERA Open. 2016. Vol. 2. No. 3. http://dx.doi.org/10.1177/2332858416657002
