CC BY
23
DOI: 10.23888/humJ2020135-45
ПЕДАГОГИЧЕСКОЕ ПРОГНОЗИРОВАНИЕ ОБРАЗОВАТЕЛЬНЫХ РЕЗУЛЬТАТОВ БУДУЩИХ ИНЖЕНЕРОВ-СТРОИТЕЛЕЙ В РЕАЛЬНОМ ВРЕМЕНИ
PEDAGOGICAL FORECASTING OF EDUCATIONAL RESULTS OF FUTURE CIVIL ENGINEERS IN REAL TIME
Ташкинов Ю.А.
Донецкий национальный университет Аннотация:
Перед нами стоит цель: разработать простую, но эффективную технологию прогнозирования в реальном времени образовательных результатов студентов строительного вуза. Данное направление исследования является актуальным в условиях постоянных меняющихся условий динамично развивающегося общества XXI века. Предсказать понижение успеваемости или иные отрицательные тенденции при обучении студента архитектурно-строительного вуза проще, чем исправлять недостатки дипломированного специалиста: цена инженерной ошибки высока. Использовался динамический подход при прогнозировании образовательных результатов будущих инженеров-строителей с применением технологии визуального анализа данных в реальном времени. Была разработана интерактивная аналитическая панель (дашборд «Калькулятор компетенций инженеров-строителей») с использованием технологии Real-Time Data Mining в табличном редакторе MS Excel. Данная аналитическая панель обладает мощным прогностическим потенциалом: показывает рейтинг студента в академической группе, наличие стипендии, средний балл и диаграмму развития конкретных компетенций в соответствии с государственным образовательным стандартом и учебным планом. Результаты работы будут полезны кураторам академических групп, работникам учебной части и деканатов, которые, заметив негативные
Tashkinov Ju.A.
Donetsk National University Abstract:
The purpose of research to develop a simple but effective technology of the educational results of students of a building university forecasting in realtime. This area of research is relevant in the conditions of constantly changing conditions of a dynamically developing society of the 21st century. Predicting a decline in performance or other negative trends when teaching a student of an architectural and construction university is easier than correcting the shortcomings of a graduate: the price of an engineering error is high. We used a dynamic approach to predict the educational results of future civil engineers using real-time visual data analysis technology. We developed an interactive dashboard «Competence Calculator for Civil Engineers» using the Real-Time Data Mining technology in the MS Excel. The results of the work will be useful to curators of academic groups, employees of the academic department and deans, who, having noticed negative trends in the course of training, will be able to identify in advance the reasons for such changes in the student's approach to learning. The level of development of specific competencies will help the student to choose the work that is best suited, in accordance with the level of development of certain skills. Employers will be able to select a young specialist, in accordance with professional standards at the enterprise. In the future we plan to add the entire list of competencies from the state educational standard to the «Competency Calculator».
35
тенденции в ходе профессиональной подготовки, смогут заранее выявить причины подобных перемен в подходе студента к обучению. Уровень развития конкретных компетенций поможет студенту выбрать работу, которая подойдёт лучше всего в соответствии с уровнем развития его определённых навыков и умений. Работодатели смогут подобрать молодого специалиста в соответствии с профессиональными стандартами на предприятии, основываясь не только на среднем балле диплома и иных критериях, которые, с нашей точки зрения, не в полной мере отражают образовательные результаты инженеров-строителей. В дальнейшем планируется добавить в «Калькулятор компетенций» весь перечень компетенций из государственного образовательного стандарта.
Ключевые слова:
Real-Time Data Mining, образовательные результаты, будущие инженеры-строители, педагогическое прогнозирование.
Keywords:
Real-Time Data Mining, educational results, future civil engineers, pedagogical forecasting..
Актуальность
Цена ошибки инженера-строителя высока. Конечно, в профессиональном образовании студентов строительного вуза вопрос не стоит так же остро, как в ходе их будущей инженерной деятельности. Но и здесь намного проще устранить возникающие в ходе образовательного процесса проблемы сразу, в реальном времени, а не по окончании сбора статистической информации, когда восполнять пробелы в знаниях, или, что ещё хуже, в необходимых профессиональных навыках, очень трудно.
Максимальное финансирование выделяется на исследования в области бизнеса и экономики. Часто применяется термин Business Intelligence, который российские авторы переводят как «бизнес-аналитика» - инструменты и приложения для поиска, анализа, моделирования и доставки информации, необходимой для принятия бизнес-решений [1]. Отметим, что большинство из применяемых бизнес-аналитиками технологиями можно пользоваться и в педагогическом прогнозировании. Ведь бизнес, в первую очередь, направлен на удовлетворение потребностей людей (клиентов), что в свою очередь приводит к количественным изменениям (повышению прибыли предпринимателя). В ходе профессионального образования мы также концентрируем внимание на потребностях студентов, что приводит к количественным изменениям -повышению уровня развития компетенций. Можно предложить термин «Pedagogical Intelligence», «педагогическая аналитика», который бы характеризовал инструменты и приложения для поиска, анализа, моделирования и доставки информации, необходимой для принятия решений в ходе образовательного процесса. Многие из терминов мы будем применять на английском языке, переводя дословно на русский
язык, т.к. на данный момент нет общепринятого варианта перевода. По определению Л.В. Быковой, педагогическая аналитика - компонент педагогической деятельности, включающий в себя сбор информации о ходе, результатах и субъектах образовательного процесса, ее интерпретацию и представление рекомендаций по более совершенной организации образовательного процесса; к сущностным характеристикам педагогической аналитики относится ее непрерывность [2 ].
Есть две модели анализа информации: статические (используют подход «чем большие объемы доступных данных, тем лучше качество предсказания», в них нет элементов взаимодействия в реальном времени, но опираются на профессиональную точку зрения эксперта) и динамические (пользуются подходом «более важным, чем анализ просто исторических данных, является процесс изучения через прямое взаимодействие с пользователем», модель изменяется в ходе получения новой информации и дает ответ в реальном времени; лучше подходит при прогнозировании). Второй тип моделей ещё называют Real-Time Data Mining, Real-Time Analytics, или аналитика в реальном времени. Статические методы позволяют достигнуть более точных результатов анализа, но не позволяют реагировать на изменения в данных в ходе их накопления, а также требуют большего количества эмпирического материала [3]. Создав серию поисковых запросов в наиболее востребованных поисковиках (Google, Yandex), выяснили, что самым популярным среди пользователей моделями аналитики в реальном времени является программа Oracle Real-Time Decisions (Oracle RTD). Несмотря на преимущества программного обеспечения, мы сталкиваемся ещё с одной проблемой: Oracle RTD, как и ряд других подобных программ, требует знаний методов статистического анализа данных и языков программирования, умения настраивать и работать с серверами, навыков построения математических моделей, работы с большими массивами данных и уникальной способности находить закономерности [4]. Т.е. для большинства исследователей в области профессионального образования такое программное обеспечение будет достаточно сложным для освоения, возможно, потребуется помощь квалифицированного эксперта по аналитическим данным, Data Scientist. Средняя зарплата эксперта в США в 2017 году составляла 91000 долларов в год. В Российской Федерации заработная плата составляет от 60-70 тысяч рублей в месяц для молодых специалистов и доходит до 220 тысяч для опытных экспертов [4 ]. Но для большинства отечественных вузов наличие даже одного такого эксперта не входит в размер финансирования организации, не говоря о наличии группы специалистов. Поэтому технология прогнозирования в реальном времени должна быть достаточно простой, не требовать специфических навыков и знаний в области компьютерных технологий, но вместе с тем быть эффективной и наглядной.
Проблеме педагогического прогнозирования посвящены работы Т.И. Бугаевой, Б.С. Гершунского, А.В. Захарова, А.И. Карманчикова, М.Г. Коляды [5 ], Л.Е. Никитиной, А.Ф. Присяжной, Т.С. Шеховцевой, и др., и эта проблема является одной из актуальнейших на современном этапе развития педагогической науки. Ряд исследователей посвятили работы применению технологии образовательной (учебной) аналитики (Educational Data Mining либо Learning Analytics): К. Бичер, Д. Берри,
Л.В. Быкова [2 ], С. Вентура, А. Датт, Т.И. Бугаева, М.Г. Коляда [ 5], Д.Х. Имаев, Е.Е. Котова, Р.В. Майер, Ц. Ромеро и др.
Цель
Разработать простую, но эффективную технологию прогнозирования в реальном времени образовательных результатов студентов строительного вуза.
Материалы и методы
Использовалась технология Real-Time Educational Data Mining в среде табличного процессора MS Excel 2019.
Была выдвинута концепция, которая предполагает эффективность применения динамических моделей при прогнозировании образовательных результатов будущих инженеров-строителей. Из всех подходов, описанных в литературе, в качестве методической основы был выбран компетентностный подход [ 6]. В качестве показателей использовались баллы, которые получают студенты при сдаче экзаменов, т.к. они являются измеримыми, а их объективность прописана в государственном образовательном стандарте. В качестве критерия достижения образовательного результата будем считать сформированность каждой индивидуальной компетенции не ниже 60% от максимально доступного уровня.
Образовательный результат в литературе трактуется по-разному [7 ]: как знания, умения и навыки; как качества личности; как компетенции; как личность в целом. В педагогическом словаре указывается, что результат образовательного процесса -изменения в знаниях, способностях, отношениях, целостных ориентациях, физическом состоянии студентов и воспитанников [ 8]. И.П. Подласый пишет, что результаты обучения - то, к чему приходит обучение, конечные следствия учебного процесса, степень реализации намеченной цели [9 ].
Мы понимаем педагогическое прогнозирование образовательных результатов будущих инженеров-строителей средствами вычислительной педагогики как организованное системное научное исследование, направленное на получение опережающей информации о перспективах развития педагогических объектов с целью формирования политики и стратегии в области образования студентов инженерного строительно-архитектурного вуза и принятия оптимальных решений, в процессе формирования общекультурных, общепрофессиональных и профессиональных компетенций, опираясь на достижения классической психолого-педагогической науки и информационно-коммуникационных технологий, вычислительно-математических, имитационных, статистических, методов моделирования, интеллектуальных систем и искусственных нейронных сетей, а также других методов. Для обработки больших наборов данных лучше всего подошли бы технологии Data Mining, а для реализации поставленной цели исследовательской работы понадобятся средства аналитики в реальном времени или динамические модели.
Есть два подхода к проведению Data Mining в реальном времени: накапливаемое обучение применяет алгоритмы Data Mining, начиная с начального набора данных и
заканчивая имеющимся в текущий момент времени полным набором данных, и адаптивная пошаговая добыча данных для обновления существующих моделей используют только новые данные [ 3].
В качестве рабочего инструмента был выбран MS Excel, как простой, но имеющий все аналитические возможности для педагогического прогнозирования. В частности, в области создания динамических моделей Excel имеет целый ряд возможностей по визуализации имеющейся информации и работы со сводными таблицами. Визуальная информация воспринимается человеком лучше всего. Основной идеей визуального анализа данных является представление данных в некоторой визуальной форме, позволяющей человеку погрузиться в данные, работать с их визуальным представлением, понять их суть, сделать выводы и напрямую взаимодействовать с данными [3 ]. Поэтому даже на стадии получения новой информации эксперт должен иметь возможность видеть тенденции и зависимости в имеющихся данных. Для их визуализации предлагаем использовать условное форматирование в виде диаграмм, цветовых шкал и наборов значков. Спарклайн - это небольшая диаграмма, помещенная в одну ячейку [10 ].
Собрали информацию о результатах экзаменов одной академической группы (27 студентов) ГОУ ВПО «Донбасская национальная академия строительства и архитектуры» за три учебных семестра. Фрагмент результатов за третий учебный семестр, а также средние баллы, представлены на рисунке 1. Ряд значений скрыт от читателя, чтобы представить результаты наглядно.
р Фамилия (изменена) ■ Теоретическая механика т Сопротивление материалов D Технология I — : — - £ Н и - ■is материалов 1 Электротехник a а средний балл за семестр D средний балл за весь период В график 3 = - а, а к ■ В : Я .. Z 1 т Гистограмма i
5 г Домышев 75 □ О 60 К1. : гх 82 j 73100 78,79 V ... ■ 111
9 г Дудник 82 75 гх 89 ] 1Ж 85.215 86.26 □ Л— ^ rJ 1ш ■ . II.
10 г Дуркин © 60 О 60 > ЕЯ 77 ] 68,00 'yd ■ yv ч II 1!.
13 г Епанчин 62 ] о 60 1 о № 62,5.5' 64,50 /V/ . (м
17 Жирен ков 75 □ о 60 ■ 0 □ [X 80 ! 73]75 75,93 II ■ III
18 г Зимин о ■■ • 1 и 75 65,00 69.6-1 J\s ~вг ■
19 г Зинченко 5 75 п 85 о 90 j п 81,25 75,64 ] У\ 11» J.
23 Плюшкин ( 60 г 75 J о 60 Wl 70 66,25 71,14 ■ ■■■J- li
26 г Калюта » 60] 60 .. С 75 j 68,50 73,07 it О.
г среднее 70,33 Г Я 68,59! - 3,4 г л - 71,56 71,56 Г4- - II.
Рис. 1. Рейтинговые результаты некоторых студентов строительного вуза за один семестр, в совокупности с визуализацией в реальном времени
Несмотря на кажущуюся на первый взгляд простоту, оформленная таким образом таблица содержит ряд полезной информации, которая мгновенно изменяется, как только в неё вносятся новые значения:
1. К таблице подключена возможность фильтрации, что позволяет эксперту увидеть раздельно, например, отличников, хорошистов и троечников.
2. Набор значков «Светофор», где красный цвет будет обозначать удовлетворительный результат (60-74 баллов), жёлтый - «хорошо» (75-89 баллов), зелёный - «отлично» (90 баллов и выше), позволяет наглядно увидеть, кто из студентов будет получать стипендию по результатам семестра.
3. Условное форматирование «Гистограммы» и «Цветовая шкала» позволяет разбить группу на сильных, средних и слабых студентов, т.е. позволяет учебной части давать преподавателям совет касательно дифференцированного обучения каждого из студентов академической группы.
4. Выбор «самой сложной» и «самой простой» дисциплины по средним баллам. Можно давать рекомендации об увеличении часов на изучение той либо иной дисциплины, если она даётся трудно большинству студентов.
5. Спарклайны позволяют мгновенно визуализировать информацию о каждом студенте, не прибегая к построению диаграмм.
6. Гистограмма «Выигрыш/Проигрыш» позволяет сравнивать результаты изучения конкретной дисциплины со средним баллом этого же студента за предыдущий период обучения. Красная линия обозначает понижение успеваемости (проигрыш), синяя - повышение (выигрыш).
Такой подход к оформлению таблицы с данными использовали и в рамках одной дисциплины, чтобы узнать, какие темы студентам даются сложнее, чтобы увеличить время на их изучение, либо выделить студентов, которым необходимы индивидуальные консультации. Однако прогнозирование тенденций только экзаменационных результатов не в полной мере отражает представленное выше определение прогнозирования образовательных результатов будущих инженеров-строителей -необходим учёт формирования в ходе изучения дисциплин компетенций. В соответствии с Федеральным государственным образовательным стандартом высшего профессионального образования по направлению подготовки 08.03.01 Строительство (уровень «Бакалавриат») [ 12], инженеры-строители в ходе обучения приобретают 3 типа компетенций: общекультурные (ОК-1 - ОК-9), общепрофессиональные (ОПК-1 -ОПК-9) и профессиональные (ПК-1 - ПК-22). Выберем четыре компетенции, которые развиваются в ходе изучения дисциплин «Теоретическая механика» (ТМ), «Сопротивление материалов» (СМ), «Технология конструкционных материалов» (ТКМ), «Электротехника» (ЭТ); если компетенция развивается в ходе изучения дисциплины, ставим «1», если нет - «0». Информация предоставлена в таблице 1.
Для прогнозирования образовательных результатов студентов строительного вуза сопоставили полученные ими экзаменационные баллы и формируемые в ходе обучения компетенции: если в ходе изучения дисциплины в соответствии со стандартом компетенция не развивается, то уровень достижения компетенции = 0%, а если стандарт подразумевает освоение будущим специалистом данной компетенции в ходе изучения учебного предмета, то студент получает определённый процент от теоретически возможного (например, 75 баллов соответствует 75%-ному развитию компетенции). В статье представлен результат для «среднего студента», т.е. использовались средние баллы за экзамены. За 1 семестр можно усвоить лишь 1/8 часть возможного уровня ком-
Таблица 1
Фрагмент результатов развития ряда компетенций в ходе обучения студентов-строителей бакалавриата
.4» Кими етемц и я 2 ь S там н Г! Описание
1. ПК-2 0 [ | 0 Владеть методами проведения инженерных изысканий, технологией проектирования деталей и конструкций в соответствии с техническим заданием с использованием универсальных и специализированных программно-вычислительных комплексов и систем автоматизированных проектирования (изыскательская и проектно-конструкторская деятельность)
2 1IK-3 0 1 1 0 Способность проводить предварительное технико-экономическое обоснование проектных решений, разрабатывать проектную и рабочую техническую документацию, оформлять законченные 1 фоектно-конструкторские рабо i ы. Kompojшрова гь шответствие разрабатываемых проектов и технической документации заданию, стандартам, техническим условиям и другим нормативным документам (изыскательская и просктно-конструкторская деятельность)
3. ПК-4 0 1 1 0 Способность участвовать в проектировании и изыскании объектов профессиональной деятельности (производственно-технологическая и производственно-управленческая деятельность)
40. ОПК-1 1 0 0 1 Способность использовать основные чаконы естественнонаучных дисциплин в профессиональной деятельности, применять методы математического анализа и математического (компьютерного) моделирования, теоретического и экспериментальною исследования
петенции, т.к. бакалавриат включает в себя 4 года обучения (8 семестров); компетенция развивается в ходе каждого учебного семестра неравномерно, и у студентов второго курса ещё не достигают 100%. Но мы не будем учитывать этого в расчётах в рамках данной статьи. Результат представлен в таблице 2.
Таблица 2
Фрагмент средних результатов развития ряда компетенций в ходе обучения студентов второго курса строительного вуза, по результатам завершения 1 учебного семестра
№ Компетенция тм СМ ткм эт
1. ПК-2 0 68,6% 72,4% 0
2. ПК-3 0 68,6% 72,4% 0
3. ПК-4 0 68,6% 72,4% 0
40. ОПК-1 70,3% 0 0 73,1%
Такой подход к представлению информации называется многомерной аналитикой, возможности которой мы представили в предыдущих исследованиях, например в [11 ].
Одним из способов представления информации в реальном времени являются дашборды (или аналитические панели) - документы с лаконично представленными статистическими данными, отчетами, чаще всего с элементами инфографики [13 ]. Дашборды бывают интерактивными, стратегическими, аналитическими,
операционными или информационными. Нас будет интересовать только первый вид дашбордов, который будет изменяться, в зависимости от вводимой в него информации. Среди преимуществ дашбордов можно выделить следующие: дашборды позволяют переводить огромное количество данных на страницу с краткими результатами; с помощью дашбордов можно сравнивать большое количество результатов; на дашбордах можно выделить более приоритетные показатели, т.к. отчеты являются модульными [ 10]. Пользователь Excel в состоянии заменить менее приоритетную таблицу или график на более важный. Создадим интерактивный дашборд «Калькулятор компетенций» по результатам, представленным выше.
Далее использована формула для распределения студентов по рейтингу (1 место -студент, имеющий максимальный балл за весь период):
=РАНГ(Таблица1[@[средний балл за весь период]];Таблица1[средний балл за весь период]) ( 1)
Используя совокупность двух формул, провели разделение студентов на три категории: получающие стипендию; не получающие стипендию; имеющие задолженности или рекомендованные к отчислению:
=ЕСЛИ([@ [Теоретическая механика] ]>=75;2;Е С Л И([@ [Теоретическая механика]]>=60;1;0)) (2 )
{=ЕСЛИ(ИЛИ(Таблица16[@[Столбец1]:[Столбец4]]=0);0;ЕСЛИ(ИЛИ(Таблица16[@[ Столбец1]:[Столбец4]]=1);1;2))} ( 3)
Для создания сортировки по студентам использовалась проверка данных для создания именованного диапазона. Для подключения соответствующих значений из таблицы данных применялась совокупность функций:
=ПОИСКПОЭ(А5^4^31;0) (4 )
для получения данных о номере студента по списку и =ДВССЫЛ('Ъ"&А7+3) (5 )
для получения нужных данных о студенте из таблицы. Для создания графиков использовались авторские шаблоны дашбордов, которые представлены в сети интернет (в [ 10] и на сайте https://exceldashboardschool.com/cat/free-templates/).
Результаты и их обсуждение
Нами был разработан интерактивный дашборд, представленный на рисунке 2.
Он позволяет:
1. Выбирать фамилию студента из выпадающего списка. Последующая информация автоматически подставляется без участия эксперта.
2. Содержит информацию о студенте: номер по списку, группу, факультет и курс.
3. Показывает, какой рейтинг студента в академической группе: в числовом виде и формате «Рейтингового термометра».
4. Если студент получает стипендию, горит зелёный свет «Светофора», жёлтый свет обозначает отсутствие стипендии, а красный свет указывает на наличие задолженностей или рекомендацию к отчислению студента.
5. «Спидометр» показывает средний балл студента. Индикатор рядом с цифровым
42
Рис. 2. Интерактивная аналитическая панель «Калькулятор компетенций инженеров-строителей»
значением указывает на оценку: красный цвет соответствует результату «удовлетворительно» (выше 60 баллов), жёлтый - «хорошо» (выше 75 баллов), зелёный -«отлично» (выше 90 баллов).
6. Представлена диаграмма развития компетенций, где штриховая линия показывает целевое значение - 100% развития компетенции.
Данная аналитическая панель обладает мощным прогностическим потенциалом. Можно увидеть место студента в рейтинге. Это позволит поощрить самых сильных студентов, используя объективную свежую информацию. А студенты с низким рейтингом могут попытаться повысить успеваемость. Ведь количество бюджетных мест в магистратуре иногда меньше, чем количество бюджетных мест в бакалавриате, поэтому студент должен понимать, что может не достигнуть желаемого уровня. Иногда студенты, имеющие высокий рейтинг и высокий средний балл, тем не менее в новом семестре показывают низкие результаты. Куратор группы, заметив подобную тенденцию, сможет заранее выявить причины подобных перемен в подходе студента к обучению. Уровень развития компетенций поможет выбрать студенту работу, которая подойдёт лучше всего, в соответствии с уровнем развития определённых навыков.
В дальнейшем планируем добавить в «Калькулятор компетенций» весь перечень компетенций из государственного образовательного стандарта.
Выводы
Нам и был прим енен динамический подход при прогнозировании образовательных результатов будущих инженеров-строителей, с использованием технологии визуального анализа данных в реальном времени. Была разработана интерактивная аналитическая панель (дашборд «Калькулятор компетенций инженеров-строителей»). Таким образом, Real-Time Educational Data Mining является эффективным средством при прогнозировании и диагностики образовательных результатов будущих инженеров-строителей.
Конфликт интересов отсутствует.
СПИСОК ЛИТЕРАТУРЫ:
1. Орешков В.И., Паклин Н.Б. Бизнес-аналитика: от данных к знаниям. СПб.: Питер; 2013.
2. Быкова Л.В. Сущность и принципы педагогической аналитики // Педагогическое образование в России. 2014. №12. С. 72-74.
3. Барсегян А.А., Куприянов М.С., Холод И.И., и др. Анализ данных и процессов. СПб.: БХВ-Петербург; 2009.
4. Обзор профессии Data Scientist. Доступно по: http://habr.com/ru/company/netologyru/blog/329 068/. Ссылка активна на 14 января 2020.
5. Коляда М.Г., Бугаева Т.И. Педагогическое прогнозирование в компьютерных интеллектуальных системах. М.: Русайнс; 2015.
6. Карпов А.А. Развитие обучаемости как условие реализации компетентностного подхода в образовании // Личность в меняющемся мире: здоровье, адаптация, развитие. 2014. №2 (5). С. 31-38. Доступно по: http://humjournal.rzgmu.ru/ art&id=78. Ссылка активна на 14 января 2020.
7. Юдин В.В. Образовательный результат: от компетенций до личности // Образование и наука. 2008. №4. С. 13-23.
8. Коджаспирова Г.М., Коджаспиров А.Ю. Словарь по педагогике. М.: МарТ; 2005.
9. Подласый И.П. Педагогика: Новый курс. М.: ВЛАДОС; 2003.
10. Лотфуллин Р. Что такое дашборд (dashboard)? Доступно по: http://exceltip.ru/. Ссылка активна на 14 января 2020.
11. Ташкинов Ю.А. Моделирование образовательных результатов будущих инженеров-строителей с использованием технологии многомерной аналитики в MS Excel // Научная сокровищница образования Донетчины. 2019. №2. С. 33-38.
REFERENCES:
1. Oreshkov VI, Paklin NB. Biznes-analitika: ot dannyh kznanijam. Saint-Petersburg: Piter; 2013. (In Russ).
2. Bykova LV. Essence and principles of pedagogic analytics. Pedagogical Education in Russia. 2014;(12):72-4. (In Russ).
3. Barsegjan AA, Kuprijanov MS, Holod II, et al. Analiz dannyh i processov. Saint-Petersburg: BHV-Peterburg; 2009. (In Russ).
4. Obzor professii Data Scientist. Available at: http:// habr.com/ru/company/netologyru/blog/329068/. Accessed: 14 Jan 2020.
5. Koljada MG, Bugaeva TI. Pedagogicheskoe prognozirovanie v komp'juternyh intellektual'nyh sistemah. Moscow: Rusajns; 2015. (In Russ).
6. Karpov AA. The development of learning ability as condition of implementation of competence approach. Personality in a changing world: health, adaptation, development. 2014;2(5). Available at: http:// humjournal.rzgmu.ru/ art&id=78. Accessed: 14 Jan 2020.
7. Judin VV. Obrazovatel'nyj rezul'tat: ot kompetencij do lichnosti. Education and Science. 2008;(4):13-23. (In Russ).
8. Kodzhaspirova GM, Kodzhaspirov AJu. Slovar' po pedagogike. Moscow: MarT; 2005. (In Russ).
9. Podlasyj IP. Pedagogika: Novyj kurs. Moscow: VLADOS; 2003. (In Russ).
10. Lotfullin R. Chto takoe dashbord (dashboard)? Available at: http://exceltip.ru/. Accessed: 14 Jan 2020.
11. Tashkinov JuA. Modelirovanie obrazovatel'nyh rezul'tatov budushhih inzhenerov-stroitelej s ispol'zovaniem tehnologii mnogomernoj analitiki v MS Excel. Nauchnaja sokrovishhnica obrazovanija Donetchiny. 2019;(2):33-8. (In Russ).
12. Федеральный государственный образовательный стандарт высшего профессионального образования по направлению подготовки 08.03.01 Строительство (уровень «Бакалавриат»). Утвержденный приказом Министерства образования и науки Российской Федерации №201 от 12 марта 2015 г. Доступно по: http://fgos-vo.ru/uploadfiles/fgosvob/080301.pdf. Ссылка активна на 14 января 2020.
13. Бождай А.С., Тимонин А.Ю. Исследование процесса идентификации человека в сетях открытого доступа и построения его социального профиля на основе технологий Big Data // Модели, системы, сети в экономике, технике, природе и обществе. 2016. № 2 (18). C. 112-119.
14. Few S. Design of the dashboard: effective visual data transfer. Доступно по: http://www.amazon. com/Information-Dashboard-Design-Effective-Communication/dp/0596100167/sr=1-1/qid=117050 5949/ref=sr11/103-5091211-2079010?ie=UTF8&s= books. Ссылка активна на 14 января 2020.
СВЕДЕНИЯ ОБ АВТОРЕ:
Ташкинов Юрий Андреевич - аспирант кафедры инженерной и компьютационной педагогики, Донецкий национальный университет, 283001, Донецк, ул. Университетская, д. 24; ассистент кафедры «Прикладная химия», Донбасская национальная академия строительства и архитектуры, 286123, Макеевка, ул. Державина, 2. Email: j.a.tashkinov@gmail.com
ДАТА ПОСТУПЛЕНИЯ: 09.09.2019. ДАТА ПРИНЯТИЯ В ПЕЧАТЬ: 14.02.2020.
ССЫЛКА ДЛЯ ЦИТИРОВАНИЯ:
Ташкинов Ю.А. Педагогическое прогнозирование образовательных результатов будущих инженеров-строителей в реальном времени // Личность в меняющемся мире: здоровье, адаптация, развитие. 2020. Т. 8, №1(28). Доступно по: http://humjoumal.rzgmu.ru/art&id=416. Ссылка активна на чч.мм.гггг. doi:10.23888/humJ2020135-45
12. Federal'nyj gosudarstvennyj obrazovatel'nyj standart vysshego professional'nogo obrazovanija po napravleniju podgotovki 08.03.01 Stroitel'stvo (uroven' "Bakalavriat"). Utverzhdennyj prikazom Ministerstva obrazovanija i nauki Rossijskoj Federacii № 201 ot 12 marta 2015. [The federal state educational standard of higher professional education in the direction of training 08.03.01 Construction (level «Bachelor»). Approved by order of the Ministry of Education and Science of the Russian Federation No. 201 dated March 12, 2015]. Available at: http://fgosvo.ru/uploadfiles/fgosvob/ 080301.pdf. Accessed: 14 Jan 2020.
13. Bozhdaj AS, Timonin AJu. Issledovanie processa identifikacii cheloveka v setjah otkrytogo dostupa i postroenija ego social'nogo profilja na osnove tehno-logij Big Data. Modeli, sistemy, seti v jekonomike, teh-nike, prirode i obshhestve. 2016;2(18):112-9. (In Russ).
14. Few S. Design of the dashboard: effective visual data transfer. Available at: Media; 2006. Available at: http://www.amazon. com/Information-Dashboard-Design-Effective-Communication/dp/0596100 167/sr=1-1/qid=117050 5949/ref=sr11/103-5091211-2079010?ie=UTF8&s= books. Accessed 14 Jan 2020.
ABOUT THE AUTHOR:
Tashkinov Juriy Andreevich - Postgraduate Student at the Department of Engineering and Computer Pedagogy, Donetsk National University, 283001, Donetsk, Universitetskaya str., 24; Assistant, Department of Applied Chemistry, Donbass National Academy of Civil Engineering and Architecture, 286123, Makeevka, Derzhavin str., 2. Email: j.a.tashkinov@gmail.com
PAPER RECEIVED: 09.09.2019. PAPER ACCEPTED: 14.02.2020.
REFERENCE FOR CITING:
Tashkinov JuA. Pedagogical forecasting of educational results of future civil engineers in real time. Personality in a changing world: health, adaptation, development. 2020;8(1). Available at: http://humjoumal.rzgmu.ru/art&id=416. Accessed: dd Month yyyy. doi:10.23888/humJ2020135-45
