Модернизация технологии оценки профессионализма и уровня компетенций педагогов на основе анализа результатов обучающихся

Обложка

Цитировать

Полный текст

Аннотация

Представлен анализ разработанных за последние три года подходов, технологий, моделей, связанных с оценкой профессионализма и уровня компетенций педагогов. Акцентировано внимание на исследованиях и разработках, в основу которых положена работа с большими данными, применение технических средств для автоматизации процесса оценки. Сформулирован подход к оценке профессиональных компетенций педагогов, основанный на анализе результатов их учеников. Описан третий этап технологии оценки профессионализма и уровня компетенций педагогов общего образования. Образовательные результаты обучающихся Томской области по национальному единому государственному экзамену были разделены на два массива (естественно-научное и гуманитарное направления), далее к ним применены три алгоритма кластеризации; валидность кластеров исследовалась коэффициентом силуэта и индексом Калински – Харабаса. Оценены метрики результатов алгоритмов и целесообразность их использования в рамках поставленной задачи.

Об авторах

Дарья Андреевна Мозгова

Томский государственный педагогический университет

Email: mozgovadarya@bk.ru
младший научный сотрудник ул. Киевская, 60, Томск, Россия, 634061

Оксана Михайловна Замятина

Томский государственный педагогический университет; Томский политехнический университет

Email: zamyatina@tpu.ru
кандидат технических наук, доцент ул. Киевская, 60, Томск, Россия, 634061; пр. Ленина, 30, Томск, Россия, 634050

Наталия Альбертовна Семёнова

Томский государственный педагогический университет

Email: natalsem@rambler.ru
кандидат педагогических наук, доцент, доцент кафедры педагогики и методики начального образования Ул. Киевская, 60, Томск, Россия, 634061

Светлана Ивановна Поздеева

Томский государственный педагогический университет

Email: svetapozd@mail.ru
доктор педагогических наук, профессор ул. Киевская, 60, Томск, Россия, 634061

Список литературы

  1. Сагитов С. Т., Дорофеев А. В., Мустаев А. Ф., Калимуллина Г. И. Структурно-функциональная модель единого образовательного пространства развития профессиональных компетенций педагога // Педагогика и просвещение. 2022. № 1. С. 103–115.
  2. Алтыникова Н. В., Дорофеев А. В., Музаев А. А., Сагитов С. Т. Управление качеством педагогического образования на основе диагностики профессиональных дефицитов учителя // Психологическая наука и образование. 2022. Т. 27, № 1.
  3. Лескина И. Н. Модель организации управления эффективностью профессиональной деятельности педагога на основе работы с большими данными // Человек и образование. 2021. № 4 (69).
  4. Пеша А. В., Шавровская М. Н., Николаева М. А. Ассессмент-центр компетенций онлайн: возможности и методология // Вестник ОмГУ. Серия: Экономика. 2021. № 2.
  5. Мухамедьярова Н. А., Богачев А. Н. Формирование и оценка уровня сформированности метапредметных компетенций педагога // Вестник ЮУрГГПУ. 2021. № 3 (163).
  6. Шарафутдинова Д. Р. Автоматизация процесса оценки профессиональных компетенций педагога по профессиональному стандарту // Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. 2020. № 1 (31).
  7. Арстангалеева Г. Ф., Тезина М. Н., Слободчикова С. М. Оценка сформированности цифровых компетенций педагогических работников // Отечественная и зарубежная педагогика. 2022. Т. 1, № 3 (84). С. 140–155.
  8. Гаркавая Д. И., Жилякова М. Н. Автоматизированное тестирование компетенций педагогов в рамках внутренней системы оценки качества образования дополнительного профессионального образования // Вестник Белгородского ин-та развития образования. 2020. Т. 7, № 3 (17). С. 131–145.
  9. Заир-Бек С. И., Анчиков К. М. Школьные учителя в изменяющихся условиях: адаптивность и готовность к инновациям: информационный бюллетень. М.: НИУ ВШЭ, 2022. 44 с.
  10. Темняткина О. В., Токменинова Д. В. Модели оценки эффективности работы педагогов, используемые в зарубежных странах // Перспективы науки и образования. 2019. № 3 (39). С. 489–499.
  11. Резильентность. Оценка по модели PISA-2020 // Федеральный институт оценки качества образования. URL: https://fioco.ru/Media/Default/Documents/Резильентность%202020.pdf (дата обращения: 30.08.2021).
  12. Мозгова Д. А., Замятина О. М., Семенова Н. А., Куровская Л. В. Диагностика профессиональных дефицитов и компетенции педагогов общего образования: кластерный анализ // Вестник Томского гос. ун-та. 2021. № 472. С. 189–196.
  13. Шамрик Д. Л. Базовые методы восстановления пропусков в массивах данных // Информационные технологии в науке и производстве: материалы V Всерос. молодежной научно-техн. конф. 2018. С. 73– 83.
  14. Ким Дж.-О., Мьюллер Ч. У., Клекка У. Р. Факторный, дискриминантный и кластерный анализ / пер. с англ.; под ред. И. С. Енюкова. М.: Финансы и статистика, 1989. 215 с.
  15. Пестунов И. А., Рылов С. А., Бериков В. Б. Иерархические алгоритмы кластеризации для сегментации мультиспектральных изображений // Автометрия. 2015. Т. 51, № 4. С. 12–22.
  16. Кокорева Я. В., Макаров А. А. Поэтапный процесс кластерного анализа данных на основе алгоритма кластеризации k-means // Молодой ученый. 2015. № 13 (93). С. 126–128. URL: https://moluch.ru/archive/93/20759/ (дата обращения: 06.09.2021).
  17. Герасименко Е. М. Интеллектуальный анализ данных. Алгоритмы Data Mining: учеб. пособие. Ростов-на-Дону; Таганрог: Изд-во Южного федерального ун-та, 2017.
  18. Ulrike von Luxburg A Tutorial on Spectral Clustering // Statistics and Computing. 2007. № 17 (4).
  19. Шитиков В. К., Мастицкий С. Э. Классификация, регрессия, алгоритмы Data Mining с использованием R. 2017. URL: https://github.com/ranalytics/data-mining. (дата обращения: 30.08.2021).
  20. Calinski R. B., Harabasz J. A dendrite method for cluster analysis // Communications in Statistics. 1974. № 3. Р. 1–27.
  21. Etienne Becht, Charles-Antoine Dutertre, Immanuel W.H. Kwok, Lai Guan Ng, Florent Ginhoux, Evan W. Newell. Evaluation of UMAP as an alternative to t-SNE for single-cell data // bioRxiv. 2018.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


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».