Интеллектуальная поддержка формирования образовательных программ на основе нейросетевых моделей языка с учетом требований рынка труда

Дмитрий Сергеевич Ботов

Аннотация


Активное развитие отраслей цифровой экономики сегодня предъявляет высокие требования к адаптивности, практической направленности и качеству современных образовательных программ. Существующие подходы к интеллектуальной поддержке формирования образовательных программ на основе онтологических моделей, экспертных систем и эвристических алгоритмов не позволяют эффективно учитывать и отслеживать изменения как на рынке труда, так и в пространстве открытого образовательного контента в среде Интернет. Вместо этого предлагается использовать подходы к семантическому анализу текстов на основе известной нейросетевой модели языка word2vec, обучаемой без учителя на больших текстовых корпусах. Сложность сопоставительного семантического анализа заключается в переходе от определения меры семантической близости для отдельных коротких описаний анализируемых сущностей (тем курсов, результатов обучения, требований вакансий и т. д.) к сопоставлению больших структурируемых документов, таких как профессиональный стандарт, образовательная программа по направлению подготовки. Для учета взаимосвязей сущностей вводится графовая модель представления образовательной и профессиональной области. В работе предлагается интеллектуальный метод формирования рекомендаций по актуализации целей и содержания образовательных программ, включающий четыре этапа анализа. На первом этапе определяются актуальные требования рынка труда на основе семантического сопоставления фрагментов вакансий с содержанием профессиональных стандартов. Второй этап включает в себя семантическое сопоставление содержания учебных дисциплин с требованиями рынка труда. На третьем этапе производится семантический поиск релевантного образовательного контента среди программ дисциплин ведущих вузов и онлайн-курсов. В ходе четвертого этапа формируются итоговые рекомендации по актуализации образовательной программы. В рамках эксперимента продемонстрирована возможность применения метода для сопоставления результатов обучения и содержания дисциплин с требованиями профессиональных стандартов с оценкой качества на примере образовательной программы по направлению «Информатика и вычислительная техника».


Ключевые слова


интеллектуальный анализ данных; обработка естественного языка; нейросетевые модели языка; семантическая близость; word2vec; образовательная программа; профессиональный стандарт; рынок труда

Полный текст:

PDF

Литература


Национальная технологическая инициатива «Кадровое обеспечение промышленного роста» (2018). – https://asi.ru/staffing/ (дата обращения: 05.12.2018).

Автоматизированная система мониторинга и анализа кадровых потребностей по номенклатуре специальностей вуза / П.В. Зрелов, В.В. Кореньков, Н.А. Кутовский и др. // Федерализм. – 2016. – № 4 (84). – С. 63-76.

Стаин, Д.А. Квалификационно-ориентированная экспертная система управления образовательным процессом вуза в современных процессах непрерывного квалификационного развития кадров в России / Д.А. Стаин, Н.О. Вербицкая, Т.Г. Калугина // Вестник Южно-Уральского государственного университета. Серия «Образование. Педагогические науки». – 2018. – Т. 10, № 1. – С. 27–36. DOI: 10.14529/ped180104

Юсупова, Н.И. Организация информационной поддержки принятия решений при управлении образовательным маршрутом на основе онтологии / Н.И. Юсупова, О.Н. Сметанина, А.В. Климова // Труды Четвертой Международной научной конференции «Информационные технологии и системы» (Банное, 25 февраля – 01 марта 2015 г.). – Челябинск, 2015. – С. 109–111.

Chung, H. An Ontological Approach for Semantic Modeling of Curriculum and Syllabus in Higher Education / H. Chung, J. Kim // International Journal of Information and Education Technology. – 2016. – Vol. 6 (5). – P. 365–369. DOI: 10.7763/IJIET.2016.V6.715

Chernikova, E. The Similarity Measure and Algorithm for Comparison of the Learning Outcomes / E. Chernikova, P. Nikolaev // Proceedings of the Fourth International Conference on Internet Technologies and Applications. – 2011. – P. 465–473.

Ужва, А.Ю. Автоматизированная разработка онтологической модели предметной области для поиска образовательных ресурсов с использованием анализа текстов рабочих программ / А.Ю. Ужва // Современные проблемы науки и образования. – 2013. – № 1. – http://scienceeducation.ru/ru/article/view?id=8324 (дата обращения: 05.12.2018).

Харитонов, И.М. Алгоритм формирования учебного плана с применением методики формализованного представления учебной дисциплины (на примере дисциплины «моделирование систем») / И.М. Харитонов // Вестник АГТУ. Серия «Управление, вычислительная техника и информатика». – 2011. – № 2. – С. 178–185.

Сибикина, И.В. Построение лингвистических шкал в целях выявления важных дисциплин, формирующих компетенцию / И.В. Сибикина, Н.Ю. Квятковская // Вестник Астраханского государственного технического университета. Серия «Управление, вычислительная техника и информатика». – 2012. – № 2. – С. 182–186.

Лисицына, Л.С. Автоматизация управления образовательными траекториями для разработки модульных компетентностно-ориентированных образовательных программ вуза / Л.С. Лисицына, А.С. Пирская // Сборник трудов Всероссийской научно-практической конференции с международным участием «Информационные технологии в обеспечении нового качества высшего образования». – М., 2010. – С. 75–86.

Котов, С.С. Управление структурой образовательных программ компетентностного содержания с учетом нечетких социальных предпочтений / С.С. Котов, В.Ю. Столбов // Системы управления и информационные технологии. – 2009. – № 1.3. – С. 411–416.

Distributed Representations of Words and Phrases and their Compositionality / T. Mikolov, I. Sutskever, K. Chen et al. // Advances in neural information processing systems. – 2013. – P. 3111–3119.

RUSSE: The First Workshop on Russian Semantic Similarity / A. Panchenko, N.V. Loukachevitch, D. Ustalov et al. // Computational Linguistics and Intellectual Technologies: Proceedings of the International Conference Dialogue 2015 (Moscow, RGGU). – Moscow, 2015. – Vol. 2. – P. 89–105.

RUSSE'2018: A Shared Task on Word Sense Induction for the Russian Language / A. Panchenko, A. Lopukhina, D. Ustalov et al. // Computational Linguistics and Intellectual Technologies: Proceedings of the International Conference Dialogue 2018 (Moscow, RGGU). – Moscow, 2018. – P. 547–564.

Lilleberg, J. Support vector machines and word2vec for text classification with semantic features. / J. Lilleberg, Y. Zhu, Y. Zhang // Proceedings of International Conference on Cognitive Informatics & Cognitive Computing (Beijing, China). – IEEE 14th, 2015. – P. 136–140. DOI: 10.1109/ICCI-CC.2015.7259377




DOI: http://dx.doi.org/10.14529/ctcr190101

Ссылки

  • На текущий момент ссылки отсутствуют.