Analysis of the structure of mathematical training of specialists in the field of artificial intelligence based on the curricula of the bachelor's degree

Cover Page

Cite item

Full Text

Abstract

Modern educational programs aimed at training specialists in artificial intelligence and data analysis require a well-structured and consistent mathematical foundation, which underpins the development of algorithmic and computational skills. The lack of unified approaches to curriculum design leads to significant variability in both the structure and content of mathematical courses. This complicates the comparison of educational trajectories, the formulation of common graduate requirements, and the assessment of training quality. The conducted study focuses on identifying typical structures of mathematical training and classifying them using data analysis methods. An analysis of 46 bachelor’s degree curricula allowed for the determination of the frequency of key mathematical disciplines, their semester-wise distribution, and recurring combinations present in the majority of programs. To formalize educational trajectories, a graph-based model was implemented, where vertices represent disciplines and edges reflect the sequence of their study. Based on a defined distance metric between programs, clustering was performed, resulting in two stable groups of curricula with varying depth of mathematical training, as well as one outlier trajectory that deviates from the typical structure. The findings of this study may serve as a foundation for developing recommendations to standardize curriculum design approaches and for implementing tools for automated analysis and comparison of educational programs.

About the authors

Artem Dmitrievich Cheremukhin

Nizhny Novgorod State Engineering and Economic University

Author for correspondence.
Email: ngieu.cheremuhin@yandex.ru

Candidate of Economical Sciences, Associate Professor at the Mathematics and Computer Science Department

Russian Federation, Knyaginino, Nizhny Novgorod Region

Nina Nikolaevna Kolodkina

Nizhny Novgorod State Engineering and Economic University

Email: nin204@yandex.ru

Senior Lecturer at the Mathematics and Computer Science Department

Russian Federation, Knyaginino, Nizhny Novgorod Region

References

  1. О внесении изменений в указ президента Российской Федерации от 10.10.2019 № 490 «О развитии искусственного интеллекта в Российской Федерации» и в Национальную стратегию, утвержденную этим указом: указ президента РФ от 15.02.2024 № 124 [Электронный ресурс] // Гарант.ру. https://base.garant.ru/408559959.
  2. Россия должна развивать суверенный искусственный интеллект [Электронный ресурс] // РИА Новости. https://ria.ru/20241107/putin-1982528300.html.
  3. В России не хватает ИИ-специалистов [Электронный ресурс] // Российская газета. https://rg.ru/2024/10/29/v-rossii-ne-hvataet-ii-specialistov.html.
  4. Nadzinski G., Gerazov B., Zlatinov S., Kartalov T., Markovska Dimitrovska M., Gjoreski H., Chavdarov R., Kokolanski Z., Atanasov I., Horstmann J., Sterle U., Gams M. Data science and machine learning teaching practices with focus on vocational education and training // Informatics in Education. 2023. Vol. 22, № 4. P. 671–690.
  5. Kross S., Guo P.J. Practitioners teaching data science in industry and academia: Expectations, workflows, and challenges // Proceedings of the 2019 CHI conference on human factors in computing systems. 2019. P. 1–14.
  6. Перестройка системы подготовки специалистов в сфере ИИ [Электронный ресурс] // Российская газета. https://rg.ru/2024/10/24/shadaev-trebuetsia-perestroit-sistemu-podgotovki-specialistov-v-sfere-ii.html.
  7. Greenhow C., Galvin S.M., Brandon D.L., Askari E. A decade of research on K-12 teaching and teacher learning with social media: Insights on the state of the field // Teachers College Record. 2020. Vol. 122, № 6. P. 1–72.
  8. Miller F.A., Katz J.H., Gans R. The OD imperative to add inclusion to the algorithms of artificial intelligence // OD practitioner. 2018. Vol. 50, № 1. P. 6–12.
  9. Stefaniak J., Xu M. An examination of the systemic reach of instructional design models: a systematic review // TechTrends. 2020. Vol. 64, № 5. P. 710–719.
  10. Hacohen G., Weinshall D. On the power of curriculum learning in training deep networks // International conference on machine learning. PMLR. 2019. P. 2535–2544.
  11. Zhou T., Wang S., Bilmes J. Curriculum learning by optimizing learning dynamics // International Conference on Artificial Intelligence and Statistics. PMLR. 2021. P. 433–441.
  12. Khalil M.K., Elkhider I.A. Applying learning theories and instructional design models for effective instruction // Advances in physiology education. 2016. Vol. 40, iss. 2. P. 147–156. doi: 10.1152/advan.00138.2015.
  13. Song I.-Y., Zhu Y. Big data and data science: what should we teach? // Expert Systems. 2016. Vol. 33, iss. 4. P. 364–373. doi: 10.1111/exsy.12130.
  14. Kross S., Guo P.J. Practitioners teaching data science in industry and academia: expectations, workflows, and challenges // Proceedings of the 2019 CHI conference on human factors in computing systems. 2019. P. 1–14. DOI: 10. 1145/3290605.3300493.
  15. Demchenko Y., Belloum A., Los W., Wiktorski T., Manieri A., Brocks H. EDISON data science framework: a foundation for building data science profession for research and industry // 2016 IEEE international conference on cloud computing technology and science. 2016. P. 620–626. DOI: 10. 1109/cloudcom.2016.0107.
  16. Рейтинг вузов в области ИИ [Электронный ресурс] // Альянс в области ИИ. https://rating.a-ai.ru.
  17. Об утверждении требований к структуре официального сайта образовательной организации в информационно-телекоммуникационной сети «Интернет» и формату представления информации: приказ Рособрнадзора от 04.08.2023 № 1493 [Электронный ресурс] // Гарант.ру. https://base.garant.ru/408091235.

Supplementary files

Supplementary Files
Action
1. JATS XML
2. Figure 1 - Word clouds by names of educational programme profiles (A) and subject names (B)

Download (314KB)
3. Figure 2 - Graph of interrelationship of mathematical disciplines on the Bachelor's programme at the specialty 09.03.04 and profile "Artificial Intelligence and Predictive Analytics"

Download (203KB)

Copyright (c) 2025 Cheremuhin A.D., Kolodkina N.N.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

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».