Технология многоуровневых межвузовских индикаторов как фактор повышения академической мобильности. Внутрироссийский опыт на основе федеральных государственных образовательных стандартов

Обложка


Цитировать

Полный текст

Аннотация

Введение. В настоящее время в процессе обучения все больше студентов меняют направление подготовки либо вуз. В связи с этим возникает проблема, как определить, соответствует ли уровень знаний студента критериям принимающего вуза. Простого сравнения компетенций бывает явно недостаточно. Поэтому авторы статьи предлагают новую систему сравнения имеющихся и требуемых на новом месте учебы знаний (компетенций). Цель статьи – представить результаты исследования по разработке и применению на практике специфических «деревьев компетенций», позволяющих производить сравнение и перезачет дисциплин автоматически.

Материалы и методы. В основе исследования лежат методы системного анализа для слабоформализуемых проблем: метод экспертных оценок и метод дерева целей. Для непосредственной разработки использован метод построения бинарных деревьев принятия решений. Для оценки эффективности разработанного метода использовались методы наблюдения и сравнения.

Результаты исследования. В статье описаны конкретные шаги по созданию специфических проверочных таблиц на основе многоуровневых деревьев индикаторов компетенций, в которых представлены четыре уровня приобретения компетенций. На основании проведенных экспериментов по использованию таких таблиц для пересдачи дисциплин при переводе студента с одной специальности на другую даются рекомендации. Методика прошла успешную апробацию при переводе студента в рамках Казанского национального исследовательского технического университета им. А. Н. Туполева-КАИ между образовательными программами «Самолетостроение» и «Прикладная математика и информатика».

Обсуждение и заключение. Сделанные авторами выводы будут способствовать развитию академической мобильности студентов, повышению их конкурентоспособности на рынке труда и укреплению академических межвузовских отношений как в Российской Федерации, так и во всем мире.

Об авторах

Александр Павлович Снегуренко

Казанский национальный исследовательский технический университет им. А. Н. Туполева-КАИ

Email: APSnegurenko@kai.ru
ORCID iD: 0000-0002-5515-3544
Scopus Author ID: 57208723750
ResearcherId: I-1028-2017

доцент кафедры экономики и управления на предприятии, кандидат технических наук

Россия, Казань

Сергей Сагитович Зайдуллин

Казанский национальный исследовательский технический университет им. А. Н. Туполева-КАИ

Email: SSZaydullin@kai.ru
ORCID iD: 0000-0002-8285-9817

заведующий кафедрой прикладной математики и информатики, кандидат технических наук, доцент

Россия, Казань

Светлана Владимировна Новикова

Казанский национальный исследовательский технический университет им. А. Н. Туполева-КАИ; МГУ им. Н. П. Огарёва

Автор, ответственный за переписку.
Email: SVNovikova@kai.ru
ORCID iD: 0000-0001-8207-1010
Scopus Author ID: 57203542635
ResearcherId: В-6505-2017

профессор кафедры прикладной математики и информатики; профессор кафедры прикладной математики, дифференциальных уравнений и теоретической механики, доктор технических наук

Россия, Казань; Саранск

Наталья Львовна Валитова

Казанский национальный исследовательский технический университет им. А. Н. Туполева-КАИ

Email: NLValitova@kai.ru
ORCID iD: 0000-0002-8408-1885
Scopus Author ID: 23013218200

доцент кафедры прикладной математики и информатики, кандидат технических наук

Россия, Казань

Эльмира Шамильевна Кремлева

Казанский национальный исследовательский технический университет им. А. Н. Туполева-КАИ

Email: EShKremleva@kai.ru
ORCID iD: 0000-0003-0858-0575
Scopus Author ID: 57194618280

старший преподаватель кафедры прикладной математики и информатики 

Россия, Казань

Список литературы

  1. Lauder H., Mayhew K. Higher Education and the Labour Market: An Introduction // Oxford Review of Education. 2020. Vol. 46, issue 1. P. 1–9. doi: https://doi.org/10.1080/03054985.2019.1699714
  2. Bologna Process as a Factor of Integration of Educational Systems of Russia and the West / R. A. Romashov [et al.] // Laplage em Revista (International). 2021. Vol.7, n. 3D. P. 35-42. doi: https://doi.org/10.24115/ S2446-6220202173D1688p.35-42
  3. Kwiek M. The Emergent European Educational Policies under Scrutiny: The Bologna Process from a Central European Perspective // European Educational Research Journal. 2004. Vol. 3, issue 4. P. 759–776. doi: http:// dx.doi.org/10.2304/eerj.2004.3.4.3
  4. Krücken G., Mishra S., Seidenschnur T. Theories and Methods in Higher Education Research – a Space of Opportunities // European Journal of Higher Education. 2021. Vol. 11, issue 2. P. 461–467. doi: https://doi.org/10.1080/21568235.2021.2004905
  5. Grebnev L. The Quality of Teaching in Different Higher Educations // Higher Education in Russia and Beyond. 2021. Issue 4. P. 8–10. URL: https://herb.hse.ru/data/2021/11/30/1451210582/1HERB_29_print%20(1).pdf#page=8 (дата обращения: 01.08.2021).
  6. López-Duarte C., Maley J., Vidal-Suárez M. Main Challenges to International Student Mobility in the European Arena // Scientometrics. 2021. Vol. 126. P. 8957–8980. doi: https://doi.org/10.1007/s11192-021-04155-y
  7. Плюсы и минусы увеличения численности иностранного контингента российских вузов / О. В. Дехнич, О. В. Лютова, М. А. Трубицын, Е. С. Данилова // Интеграция образования. 2021. Т. 25, № 2. С. 244–256. doi: https://doi.org/10.15507/1991-9468.103.025.202102.244-256
  8. Концепция балльно-рейтинговой системы оценивания результатов обучения студентов / М. Ю. Прахова [и др.] // Высшее образование в России. 2016. № 3. C. 17–25. URL: https://vovr.elpub.ru/jour/article/view/486/436 (дата обращения: 01.08.2021).
  9. Двуличанская Н. Н., Ермолаева В. И. Роль балльно-рейтинговой системы оценивания результатов обучения в реализации ФГОС ВПО // Стандарты и мониторинг в образовании. 2015. Т. 3, № 4. С. 3–7. doi: https://doi.org/10.12737/12923
  10. Сыромясов А. О. Применение балльно-рейтинговой системы в вузе (на примере дисциплин математического цикла) // Интеграция образования. 2013. № 2. С. 15–21. URL: http://edumag.mrsu.ru/content/pdf/13-2.pdf (дата обращения: 01.08.2021).
  11. Гугина Е. В., Кузенков О. А. Образовательные стандарты нижегородского государственного университета им. Н. И. Лобачевского // Вестник Нижегородского университета им. Н. И. Лобачевского. 2014. № 3. С. 39–44. URL: http://www.unn.ru/pages/e-library/vestnik/19931778_2014_-_3-4_unicode/7.pdf (дата обращения: 01.08.2021).
  12. Velichová D., Gustafsson T. Special issue: Contributions from the SEFI Working Group on Mathematics Conference 2016 // Teaching Mathematics and its Applications: An International Journal of the IMA. 2017. Vol. 36, issue 2. P. 65–66. doi: https://doi.org/10.1093/teamat/hrx010
  13. Кузенков О. А., Захарова И. В. Модернизация математических программ на основе российских и международных стандартов // Международный научный журнал «Современные информационные технологии и ИТ-образование». 2018. Т. 14, № 1. С. 233–244. doi: https://doi.org/10.25559/SITITO.14.201801.233-244
  14. Guerrero D., De los Ríos I. Professional Competences: A Classification of International Models // Procedia – Social and Behavioral Sciences. 2012. Vol. 46. P. 1290–1296. doi: https://doi.org/10.1016/j.sbspro.2012.05.290
  15. Dall’alba G., Sandberg J. Educating for Competence in Professional Practice // Instructional Science. 1996. Vol. 24. P. 411–437. doi: https://doi.org/10.1007/BF00125578
  16. Лебедева Т. Е., Охотникова Н. В., Потапова Е. А. Электронная образовательная среда вуза: требования, возможности, опыт и перспективы использования [Электронный ресурс] // Мир науки. Педагогика и психология. 2016. Т. 4, № 2. URL: https://mir-nauki.com/PDF/57PDMN216.pdf (дата обращения: 01.08.2021).
  17. Об электронной образовательной среде и системе оценки качества образовательной деятельности в Тверском государственном университете / О. Н. Медведева [и др.] [Электронный ресурс] // Образовательные технологии и общество. 2014. Т. 17, № 4. C. 610–624. URL: https://readera.org/objelektronnoj-obrazovatelnoj-srede-i-sisteme-ocenki-kachestva-obrazovatelnoj-14062576 (дата обращения: 01.08.2021).
  18. Design and Analysis of a Relational Database for Behavioral Experiments Data Processing / R. S. Kraleva [et al.] // International Journal of Online and Biomedical Engineering (iJOE). 2018. Vol. 14, no. 02. P. 117–132. doi: https://doi.org/10.3991/ijoe.v14i02.7988
  19. Dangerfield B. J., Morris J. S. Relational Database Management Systems: A New Tool for Coding and Classification // International Journal of Operations & Production Management. 1991. Vol. 11, no. 5. P. 47–56. doi: https://doi.org/10.1108/01443579110143449
  20. Machine Extraction of Polymer Data from Tables Using XML Versions of Scientific Articles / H. Oka [et al.] // Science and Technology of Advanced Materials: Methods. 2021. Vol. 1, issue 1. P. 12–23. doi: https://doi.org/10.1080/27660400.2021.1899456
  21. Murray-Rust P., Rzepa H. S. Scientific Publications in XML – Towards a Global Knowledge Base // Data Science Journal. 2006. Vol. 1, issue 1. P. 84–98. URL: https://datascience.codata.org/articles/abstract/182 (дата обращения: 01.08.2021).
  22. Grune D., Jacobs C. J. H. Parsing as Intersection // Monographs in Computer Science ; D. Grune, C. J. H. Jacobs (eds.). New York : Springer, 2008. P. 425–442. doi: https://doi.org/10.1007/978-0-387-68954-8_13
  23. Sun Z., Wang R., Luo Z. Polynomial Approximation based Spectral Dual Graph Convolution for Scene Parsing and Segmentation // Neurocomputing. 2021. Vol. 438. P. 133–144. doi: https://doi.org/10.1016/j.neucom.2021.01.002
  24. Leroy G., Chen H., Martinez J. D. A Shallow Parser Based on Closed-Class Words to Capture Relations in Biomedical Text // Journal of Biomedical Informatics. 2003. Vol. 36, issue 3. P. 145–158. doi: https://doi.org/10.1016/S1532-0464(03)00039-X
  25. Bedny A., Erushkina L., Kuzenkov O. Modernising Educational Programmes in ICT based on the Tuning Methodology // Tuning Journal for Higher Education. 2014. Vol. 1, no. 2. P. 387–404. doi: https://doi.org/10.18543/tjhe-1(2)-2014pp387-404
  26. Haas C., Hadjar A. Students’ Trajectories Through Higher Education: A Review of Quantitative Research // Higher Education. 2020. Vol. 79. P. 1099–1118. doi: https://doi.org/10.1007/s10734-019-00458-5
  27. Shulruf B., Tumen S., Hattie J. Student Pathways in a New Zealand Polytechnic: Key Factors for Completion // International Journal of Vocational and Technical Education. 2010. Vol. 1, issue 4. P. 67–74. URL: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.1008.4433&rep=rep1&type=pdf (дата обращения: 01.08.2021).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Снегуренко А.П., Зайдуллин С.С., Новикова С.В., Валитова Н.Л., Кремлева Э.Ш., 2022

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Журнал "Интеграция образования" основан в 1996 году.
Реестровая запись ПИ № ФС 77-70142 от 16 июня 2017 г.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».