Целью исследования является разработка методики оценки эффективности основных профессиональных образовательных программ на основе вероятностей успешного обучения. При этом обучение считается успешным, если обучающиеся по образовательной программе получили по всем дисциплинам учебного плана оценки, превышающие заданный уровень. В качестве материалов данного исследования использованы результаты промежуточной аттестации обучающихся по всем дисциплинам учебного плана одной образовательной программы. Методами исследования выступают сравнительно-сопоставительный анализ научной литературы по проблеме исследования, статистические методы построения моделей совместного распределения случайных величин, программирование на языке R. Авторская методика оценки эффективности образовательной программы предполагает последовательное выполнение следующих этапов: преобразование исходных данных в случайные величины; построение моделей бета-распределений одномерных случайных величин с оценкой их параметров и проверкой на адекватность; построение моделей двумерных случайных величин с использованием копул Гамбела–Хаугарда; построение и оценка иерархической копулярной модели многомерного совместного распределения случайных величин; вычисление вероятностей успешного обучения по образовательной программе. Практическая значимость исследования состоит в том, что разработанная методика может быть применена заинтересованными участниками образовательной системы для сравнения образовательных программ родственных направлений подготовки по их эффективности.
The purpose of the study is to develop a methodology for assessing the effectiveness of basic professional educational programs based on the probabilities of successful training. At the same time, training is considered successful if students in the educational program have received grades in all disciplines of the curriculum that exceed the specified level. As materials of this study, the results of intermediate certification of students in all disciplines of the curriculum of one educational program were used. Research methods include a comparative analysis of the scientific literature on the research problem, statistical methods for building models of the joint distribution of random variables, programming in the R language. The author’s methodology for assessing the effectiveness of the educational program involves the sequential implementation of the following stages: conversion of the initial data into random variables; construction of models of beta distributions of univariate random variables with evaluation of their parameters and testing for adequacy; building models of two-dimensional random variables using Gambel–Haugaard copulas; construction and evaluation of a hierarchical copular model of multivariate joint distribution of random variables; calculation of probabilities of successful training in the educational program. The practical significance of the study is that the developed methodology can be applied by interested participants in the educational system to compare educational programs of related areas of training on their effectiveness.
1. Доклад о реализации государственной политики в сфере высшего образования и соответствующего дополнительного профессионального образования. М., 2024. URL: http://static.government.ru/media/files/9FSaRZ2GJ7GRZc1hTICXDQAV9orIaXtI.pdf. (дата обращения: 16.01.2025).
2. Есин Р.В., Кустицкая Т.А., Носков М.В. Прогнозирование успешности обучения по дисциплине на основе универсальных показателей цифрового следа LMSMoodle // Информатика и образование. 2023. № 38 (3). С. 31-41. DOI: 10/32517/0234-0453-2023-38-3-31-41.
3. Токтарова В.И., Пашкова Ю.А. Предиктивная аналитика в цифровом образовании: анализ и оценка успешности обучения студентов // Сибирский педагогический журнал. 2022. № 1. С. 97-106. DOI: 10.15293/1813-4718.2201.09.
4. Накарякова Н.Н., Русаков С.В., Русакова О.Л. Прогнозирование группы риска (по успеваемости) среди студентов первого курса с помощью дерева решений // Прикладная математика и вопросы управления. 2020. № 4. С. 121-136. DOI: 10.15593/2499-9873/2020.4.08.
5. Маханькова И.В., Рогова О.Б. Анализ успешности обучения студентов вуза // Вестник Воронежского государственного университета. Серия: проблемы высшего образования. 2023. № 2. С. 77-80. URL:http://www.vestnik.vsu.ru/pdf/educ/2023/02/2023-02-17.pdf. (дата обращения: 16.01.2025).
6. Озерова Г.П., Павленко Г.Ф. Прогнозирование успешности студентов при смешанном обучении с использованием данных учебной аналитики // Science for Education Today. 2019. Т. 9, № 6. С. 73-134. DOI: 10.15293/2658-6762.1906.05.
7. Носков М.В., Вайнштейн Ю.В., Сомова М.В., Федотова И.М. Прогностическая модель успешности предметного обучения в условиях цифровизации образования // Вестник Российского университета дружбы народов. Серия: Информатизация образования. 2023. Т. 20. № 1. С. 7-19. DOI: 10.22363/2312-8631-2023-20-1-7-19.
8. Помян С.В., Белоконь О.С. Прогноз результатов успеваемости студентов вуза на основе марковских процессов // Вестник Вятского государственного университета. 2020. № 4(138). С. 63-73. DOI: 10.25730/VSU.7606.20.057.
9. Щербин С.И., Харитонов И.М., Огар Т.П., Панфилов А.Э., Кравец А.Г. Применение методов кластерного анализа в задаче прогнозирования успеваемости абитуриентов в вузе // Современные наукоемкие технологии. 2024. № 5-2. С. 321-325. DOI: 10.17513/snt.40046.
10. Токтарова В.И., Попова О.Г., Сагдуллина И.И., Белянин В.А. Технологии искусственного интеллекта в практике современного высшего образования // Вестник Марийского государственного университета. 2023. Т. 17, № 2 (50). С. 210-220. DOI: 10.30914/2072-6783-2023-17-2-210-220.
11. Сергеев А.Н. Разработка инструментальной системы расчета оптимальных учебных планов и оценки эффективности основных профессиональных образовательных программ // Известия Волгоградского государственного педагогического университета. 2019. № 8 (141). С. 22-27. URL: http://izvestia.vspu.ru/files/publics/Izvestia8.pdf (дата обращения: 16.01.2025).
12. Зыкова Т.В., Кытманов А.А., Халтурин Е.А., Вайнштейн Ю.В., Носков М.В. Алгоритм анализа и оценки учебных планов образовательных программ // Информатика и образование. 2024. Т. 39, № 1. С. 52-64. DOI: 10.32517/0234-0453-2024-39-1-52-64.
13. Shemyakin A., Kniazev A. Introduction to Bayesian estimation and copula models of dependence. Wiley, 2017. 314 p. DOI: 10.1002/9781118959046.
14. Казакова К.А., Князев А.Г., Лепехин О.А. Иерархические копулы в моделировании кредитного риска // Национальные интересы: приоритеты и безопасность. 2017. Т. 13. Вып. 6. С. 1032-1044. DOI: 10.24891/ni.13.6.1032.