Тематическое наполнение образовательных программ в сфере ИТ

Evgeny Vitalyevich Nikulchev; Yaroslav Sergeevich Gryukan; Dmitry Yuryevich Ilin

doi:10.25559/SITITO.020.202403.782-790

Evgeny Vitalyevich Nikulchev МИРЭА – Российский технологический университет http://orcid.org/0000-0003-1254-9132
Yaroslav Sergeevich Gryukan МИРЭА – Российский технологический университет http://orcid.org/0009-0004-2179-8995
Dmitry Yuryevich Ilin МИРЭА – Российский технологический университет http://orcid.org/0000-0002-0241-2733

DOI: https://doi.org/10.25559/SITITO.020.202403.782-790

Аннотация

Введение. Вопросы тематического наполнения и актуализации образовательных программ и дисциплин стоят во всех сферах обучения. Особенно часто изменения происходят в сфере ИТ, что определяется скоростью развития технологической базы. Тематическое наполнение образовательной программы определяется мнением профессионального экспертного сообщества и советами работодателей, вместе с тем желательно иметь численные оценки различных тем для принятия обоснованных решений о содержании программы или курса. В настоящее время значительное количество исследований посвящено анализу перспектив развития технологий и прогнозированию востребованности профессиональных навыков на основе патентного анализа.
Материалы и методы. В статье предложена методика анализа патентных данных, в заданной сфере ИТ, на основе динамики изменения частоты упоминания словосочетаний в патентах. Предполагается, что каждое словосочетание характеризует определенную тему или технологию, в динамике которой определено три варианта состояния в последние рассматриваемые годы – стабильное состояние, устойчивый рост, устойчивое падение.
Результаты исследования. Предложены численные параметры, характеризующие перспективность технологий: среднее количество упоминания в патентах на участках стабильности и скорость изменения количества упоминаний. Для примера рассмотрена область «Цифровой маркетинг», выбран набор словосочетаний, претендующих на включение в качестве тем в план образовательной программы. Проведен патентный анализ по словосочетаниям по патентной базе 2000-2021 годов, в результате которого построены временные ряды, характеризующие частоту упоминания словосочетаний в текстах патентов.
Обсуждение и заключение. На основе разработанной методики сформирован комплекс численных оценок для тем, и обоснованно сформировано тематическое наполнение образовательной программы по данному направлению.

Сведения об авторах

Evgeny Vitalyevich Nikulchev, МИРЭА – Российский технологический университет

профессор кафедры цифровых технологий обработки данных Института кибербезопасности и цифровых технологий, доктор технических наук, профессор, профессор РАО

Yaroslav Sergeevich Gryukan, МИРЭА – Российский технологический университет

магистрант кафедры цифровых технологий обработки данных Института кибербезопасности и цифровых технологий

Dmitry Yuryevich Ilin, МИРЭА – Российский технологический университет

доцент кафедры цифровых технологий обработки данных Института кибербезопасности и цифровых технологий, кандидат технических наук

Литература

1. Ilin D.Y., Nikulchev E.V., Bubnov G.G., Mateshuk E.O. Information analysis service to identify current professional competencies based on patent analysis of the technology market and required skills in the vacancies of employers. CASPIAN JOURNAL: Control and High Technologies. 2017;2(38):71-88. (In Russ., abstract in Eng.) EDN: ZBKKLH
2. Uglev V.A. Evaluate Curricula Balance for Software Engineering Education with using UGVA Method. Modern Information Technologies and IT-Education. 2021;17(3):684-696. (In Russ., abstract in Eng.) https://doi.org/10.25559/SITITO.17.202103.684-696
3. Nikulchev E.V., Ilin D.Y., Bubnov G.G. The actualization of educational programs based on patent analysis as an indicator of the development of innovative technologies. Cloud of science. 2017;4(4):513-524. (In Russ., abstract in Eng.) EDN: YSCXIB
4. Yarullin D.V. Intelligent Control System for IT Specialists Training Based on Denotative Analytics. Applied Mathematics and Control Sciences. 2022;(3):141-164. (In Russ., abstract in Eng.) https://doi.org/10.15593/2499-9873/2022.03.08
5. Belov M.A., Grishko S.I., Cheremisina E.N., Tokareva N.A. Training of IT Specialists in the Conditions of Global Digital Transformation. The Concept of Automated Management of Competency Profiles in the Educational Programs of the Future. Modern Information Technologies and IT-Education. 2021;17(3):658-669. (In Russ., abstract in Eng.) https://doi.org/10.25559/SITITO.17.202103.658-669
6. Daim T.U., Rueda G., Martin H., Gerdsri P. Forecasting emerging technologies: Use of bibliometrics and patent analysis. Technological Forecasting and Social Change. 2006;73(8):981-1012. https://doi.org/10.1016/j.techfore.2006.04.004
7. Zhou Y., Dong F., Kong D., Liu Y. Unfolding the convergence process of scientific knowledge for the early identification of emerging technologies. Technological Forecasting and Social Change. 2019;144:205-220. https://doi.org/10.1016/j.techfore.2019.03.014
8. Breitzman A., Thomas P. Inventor team size as a predictor of the future citation impact of patents. Scientometrics. 2015;103(2):631-647. https://doi.org/10.1007/s11192-015-1550-5
9. Kyebambe M.N., Cheng G., Huang Y., He C., Zhang Z. Forecasting emerging technologies: A supervised learning approach through patent analysis. Technological Forecasting and Social Change. 2017;125:236-244. https://doi.org/10.1016/j.techfore.2017.08.002
10. Aristodemou L., Tietze F. The state-of-the-art on Intellectual Property Analytics (IPA): A literature review on artificial intelligence, machine learning and deep learning methods for analysing intellectual property (IP) data. World Patent Information. 2018;55:37-51. https://doi.org/10.1016/j.wpi.2018.07.002
11. Zhou Y., Dong F., Liu Y., Li Z., Du J., Zhang L. Forecasting emerging technologies using data augmentation and deep learning. Scientometrics. 2020;123:1-29. https://doi.org/10.1007/s11192-020-03351-6
12. Vicente-Gomila J.M., Artacho-Ramirez M.A., Ting M., Porter A.L. Combining tech mining and semantic TRIZ for technology assessment: Dye-sensitized solar cell as a case. Technological Forecasting and Social Change. 2021;169:120826. https://doi.org/10.1016/j.techfore.2021.120826
13. Joung J., Kim K. Monitoring emerging technologies for technology planning using technical keyword based analysis from patent data. Technological Forecasting and Social Change. 2017;114:281-292. https://doi.org/10.1016/j.techfore.2016.08.020
14. Puccetti G., Giordano V., Spada I., Chiarello F., Fantoni G. Technology identification from patent texts: A novel named entity recognition method. Technological Forecasting and Social Change. 2023;186:122160. https://doi.org/10.1016/j.techfore.2022.122160
15. Gozuacik N., Sakar C.O., Ozcan S. Technological forecasting based on estimation of word embedding matrix using LSTM networks. Technological Forecasting and Social Change. 2023;191:122520. https://doi.org/10.1016/j.techfore.2023.122520
16. Chi Y.C., Wang H.C. Establish a patent risk prediction model for emerging technologies using deep learning and data augmentation. Advanced Engineering Informatics. 2022;52:101509. https://doi.org/10.1016/j.aei.2021.101509
17. Hain D.S., Jurowetzki R., Buchmann T., Wolf P. A text-embedding-based approach to measuring patent-to-patent technological similarity. Technological Forecasting and Social Change. 2022;177:121559. https://doi.org/10.1016/j.techfore.2022.121559
18. Kraus S., Kumar S., Lim W.M., Kaur J., Sharma A., Schiavone F. From moon landing to metaverse: Tracing the evolution of Technological Forecasting and Social Change. Technological Forecasting and Social Change. 2023;189:122381. https://doi.org/10.1016/j.techfore.2023.122381
19. Ulrich C., Frieske B., Schmid S.A., Friedrich H.E. Monitoring and Forecasting of Key Functions and Technologies for Automated Driving. Forecasting. 2022;4(2):477-500. https://doi.org/10.3390/forecast4020027
20. Calleja-Sanz G., Olivella-Nadal J., Solé-Parellada F. Technology Forecasting: Recent Trends and New Methods. In: Machado C., Davim J. (eds.) Research Methodology in Management and Industrial Engineering. Management and Industrial Engineering. Cham: Springer; 2020. p. 45-69. https://doi.org/10.1007/978-3-030-40896-1_3
21. Liu Y., Wang G., Zhou Y., Liu Y. Advanced Technology Evolution Pathways of Nanogenerators: A Novel Framework Based on Multi-Source Data and Knowledge Graph. Nanomaterials. 2022;12(5):838. https://doi.org/10.3390/nano12050838
22. Feng L., Liu K., Wang J., Lin K.Y., Zhang K., Zhang L. Identifying Promising Technologies of Electric Vehicles from the Perspective of Market and Technical Attributes. Energies. 2022;15(20):7617. https://doi.org/10.3390/en15207617
23. Nikulchev E., Ilin D., Bubnov G., Mateshuk E. Scalable service for predictive learning based on the professional social networking sites. International Journal of Advanced Computer Science and Applications. 2017;8(5):9-15. http://dx.doi.org/10.14569/IJACSA.2017.080502
24. Percia D.D., Blonay W., Gillard S., Maillart T., Mermoud A., Maréchal L., Tsesmelis M. Identification of Future Cyberdefense Technology by Text Mining. Cyberdefense. International Series in Operations Research & Management Science. 2023;342:69-86. https://doi.org/10.1007/978-3-031-30191-9_5
25. Adamuthe A.C., Thampi G.T. Technology forecasting: A case study of computational technologies. Technological Forecasting and Social Change. 2019;143:181-189. https://doi.org/10.1016/j.techfore.2019.03.002
26. Haleem A., Mannan B., Luthra S., Kumar S., Khurana S. Technology forecasting (TF) and technology assessment (TA) methodologies: a conceptual review. Benchmarking: An International Journal. 2019;26(1):48-72. https://doi.org/10.1108/BIJ-04-2018-0090
27. Zamani M., Yalcin H., Naeini A.B., Zeba G., Daim T.U. Developing metrics for emerging technologies: identification and assessment. Technological Forecasting and Social Change. 2022;176:121456. https://doi.org/10.1016/j.techfore.2021.121456