Оценка степени развития профессиональных навыков обучающихся в студенческих IT-проектах
Аннотация
В статье представлены результаты авторского исследования, в котором оценивалось развитие профессиональных навыков обучающихся при работе в студенческих проектах. Авторы сформулировали гипотезу, в которой студенты старших курсов демонстрируют более высокие результаты благодаря освоению соответствующих дисциплин в образовательной программе, эффективному использованию цифровых сервисов и технологий в учебном процессе и участию в проектах. Исследование проводилось в студенческой группе ИТ-направления, образовательный процесс этих студентов был разбит на 4 этапа, каждый из которых включал работу в команде ИТ-проекта. Из студенческих работ с помощью методов обработки естественного языка и технологии извлекались профессиональные навыки, рассчитывалась оценка степени владения навыками и динамика их развития на всех выделенных этапах образовательного процесса. В результате исследования для каждого студента были определены уровень и оценка степени развития навыков, выделены группы, в которых наблюдается рост уровня навыков.
Полученные данные помогают определить эффективность командных взаимодействий и принимать решения о том, как в дальнейшем следует формировать команды и какие меры следует предпринять для улучшения взаимодействия между студентами. Результаты также могут быть полезны для разработки и модернизации рабочих программ дисциплин в высших учебных заведениях. Данная работа имеет практическое значение, поскольку позволяет более точно оценить уровень развития профессиональных навыков студентов и принять меры для их дальнейшего усовершенствования с целью успешной карьеры и адаптации к требованиям современного рынка труда.
Литература
2. Volkova A.S., Kudaeva M.M. Assessment of students' digital competencies in the context of professional training for the digital economy. Creative Economy. 2022;16(5):1953-1974. (In Russ., abstract in Eng.) https://doi.org/10.18334/ce.16.5.114800
3. 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., abstract in Eng.) https://doi.org/10.32517/0234-0453-2020-35-4-4-11
4. Solovyeva I.A., Mostovshchikova I.A. Model' formirovaniya effektivnykh komand dlya realizatsii innovatsionnoy deyatel'nosti predpriyatiya [Undertaking innovation activities at enterprises: A model for building efficient teams]. Journal of New Economy. 2021;22(2):110-133. (In Russ., abstract in Eng.) https://doi.org/10.29141/2658-5081-2021-22-2-6
5. Melnikova A.V., Vorobeva M.S., Egorova E.V., Chekanova E.D. Development of an algorithm of the formation of IT project teams based on data from the digital footprint of students. Trudy ISP RAN = Proc. ISP RAS. 2024;36(3):213-224. (In Russ., abstract in Eng.) https://doi.org/10.15514/ISPRAS-2024-36(3)-15
6. Baranova E.V., Shvetsov G.V. Methods and tools for analysing students digital footprint in the course of work under educational programmes. Perspektivy nauki i obrazovania = Perspectives of Science and Education. 2021;(2):415-430. (In Russ., abstract in Eng.) https://doi.org/10.32744/pse.2021.2.29
7. Fischer C., Pardos Z.A., Baker R.S., Williams J.J., Smyth P., Yu R., Slater S., Baker R., Warschauer M. Mining Big Data in Education: Affordances and Challenges. Review of Research in Education. 2020;44(1):130-160. https://doi.org/10.3102/0091732X20903304
8. Yunita A., Santoso H., Hasibuan Z. Research Review on Big Data Usage for Learning Analytics and Educational Data Mining: A Way Forward to Develop an Intelligent Automation System. Journal of Physics: Conference Series. 2021;1898:012044. https://doi.org/10.1088/1742-6596/1898/1/012044
9. Boganyuk Yu.V., Vorobeva M.S. Zakharova I.G. Developing a system for managing student s professional development based on his digital footprint. Programmnye produkty i sistemy = Software & Systems. 2022;35(3):518-526. (In Russ., abstract in Eng.) https://doi.org/10.15827/0236-235X.139.518-526
10. Zhang M., Jensen K.N., Sonniks S., Plank B., SkillSpan: Hard and soft skill extraction from English job postings. In: Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Association for Computational Linguistics. Seattle, United States: IEEE Press; 2022. p. 4962-4984. https://doi.org/10.48550/arXiv.2204.12811
11. Nikolaev I.E. Knowledge and skills extraction from the job requirements texts. Ontology of designing. 2023;13(2):282-293. (In Russ., abstract in Eng.) https://doi.org/10.18287/2223-9537-2023-13-2-282-293
12. Glazkova A.V., Morozov D.A. Applying Transformer-Based Text Summarization for Keyphrase Generation. Lobachevskii Journal of Mathematics. 2023;44:123-136. https://doi.org/10.1134/S1995080223010134
13. Tikhonova E.V., Kosycheva M.A. Effective Keywords: Strategies for their Formulation. Health, Food & Biotechnology. 2021;3(4):7-15. (In Russ., abstract in Eng.) https://doi.org/10.36107/hfb.2021.i4.s122
14. Li Q., et al. A Survey on Text Classification: From Traditional to Deep Learning. ACM Transactions on Intelligent Systems and Technology. 2022;13(2):31. https://doi.org/10.1145/3495162
15. Fareri S., Melluso N., Chiarello F., Fantoni G. SkillNER: Mining and Mapping Soft Skills from any Text. Expert Systems with Applications. 2021;184:115544. https://doi.org/10.1016/j.eswa.2021.115544
16. Kivimäki I., et al. A Graph-Based Approach to Skill Extraction from Text. In: Kozareva Z., Matveeva I., Melli G., Nastase V. (eds.) Proceedings of TextGraphs-8 Graph-based Methods for Natural Language Processing. Seattle, Washington, USA: Association for Computational Linguistics; 2013. p. 79-87. Available at: https://aclanthology.org/W13-5011/ (accessed 16.01.2024).
17. Hlaoittinun O., Bonjour E., Dulmet M. A team building approach for competency development. In: 2007 IEEE International Conference on Industrial Engineering and Engineering Management. Singapore: IEEE Press; 2007. p. 1004-1008. https://doi.org/10.1109/IEEM.2007.4419343
18. Farhadi F., Sorkhi M., Hashemi S., Hamzeh A. An Effective Expert Team Formation in Social Networks Based on Skill Grading. In: 2011 IEEE 11th International Conference on Data Mining Workshops. Vancouver, BC, Canada: IEEE Press; 2011. p. 366-372. https://doi.org/10.1109/ICDMW.2011.28
19. Sozio M., Gionis A. The community-search problem and how to plan a successful cocktail party. In: Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD'10). New York, NY, USA: Association for Computing Machinery; 2010. p. 939-948. https://doi.org/10.1145/1835804.1835923
20. Tseng T.-L.B., Huang C.-C., Chu H.-W., Gung R.R. Novel approach to multi-functional project team formation. International Journal of Project Management. 2004;22(2):147-159. https://doi.org/10.1016/S0263-7863(03)00058-9
21. Kalantzi M., Polyzou A., Karypis G. FERN: Fair Team Formation for Mutually Beneficial Collaborative Learning. IEEE Transactions on Learning Technologies. 2022;15(6):1-14. https://doi.org/10.1109/TLT.2022.3213635
22. Machado L., Stefanidis K. Fair Team Recommendations for Multidisciplinary Projects. In: 2019 IEEE/WIC/ACM International Conference on Web Intelligence (WI). Thessaloniki, Greece: IEEE Press; 2019. p. 293-297.
23. Bulmer J., Fritter M., Gao Y., Hui B. FASTT: Team Formation Using Fair Division. In: Goutte C., Zhu X. (eds.) Advances in Artificial Intelligence. Canadian AI 2020. Lecture Notes in Computer Science. Vol. 12109. Cham: Springer; 2020. p. 92-104. https://doi.org/10.1007/978-3-030-47358-7_9
24. Huang Z., Liu Q., Chen Y., et al. Learning or Forgetting? A Dynamic Approach for Tracking the Knowledge Proficiency of Students. ACM Transactions on Information Systems. 2020;38(2):19. https://doi.org/10.1145/3379507
25. Agronina N.I., Belozerova T.B., Medvedev I.N., Krasnova N.P. Dynamics of Students' Professional Competencies. Pedagogical Journal. 2019;9(1-1):488-500. (In Russ., abstract in Eng.) https://doi.org/10.34670/AR.2019.44.1.079
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
