5ПЕДАГОГИКА
Гуманитарные исследования. Педагогика и психология. 2024. № 17. С. 7-14. Humanitarian Studies. Pedagogy and Psychology. 2024. No. 17. P. 7-14.
Научная статья
УДК 378.046.2:004.891
doi: 10.24412/2712-827Х-2024-17-7-14
ПРОЕКТИРОВАНИЕ РЕКОМЕНДАТЕЛЬНОЙ СИСТЕМЫ ПРОФОРИЕНТАЦИИ ШКОЛЬНИКОВ СРЕДСТВАМИ МАШИННОГО ОБУЧЕНИЯ
Анна Сергеевна Тарасова1, Эмилия Павловна Комарова2
' Воронежский государственный технический университет, Воронеж, Россия
1 anna22tar@gmail.com
2 vivtkmk@mail.ru
Аннотация. Темп развития современных технологий способствует быстрой смене списка актуальных профессий. В ситуации неопределённости модернизация современной системы образования связана с профориентаций школьников старших классов, что актуализирует востребованность теоретического поиска и практической апробации. Рекомендательные системы профориентации позволят школьникам быть мобильнее как в процессе образования, так и в будущем трудоустройстве. Адаптивность к меняющимся условиям и способность выстраивать и корректировать свою образовательную траекторию, крайне необходимы для профессиональной самореализации в условиях быстро меняющейся среды. Крайне важна способность рекомендательной системы профориентации самостоятельно выстраивать корреляции между ответами школьника и компетенциями для актуального списка профессий, что обусловлено быстротой изменения списка актуальных профессий и отсутствием для них исторических данных. Применение средств машинного обучения и других методов искусственного интеллекта, способных обучаться без непосредственных инструкций через самообучение является перспективным решением данной задачи. Цель исследования - спроектировать систему профориентации школьников с применением самообучающегося алгоритма машинного обучения. Задачи исследования: представить современные требования к профориентации в рамках школьного курса; подобрать алгоритмы машинного обучения, необходимые для реализации процесса самообучения в рекомендательной системе профориентации.
Ключевые слова: профориентация, школьники, рекомендательные системы, машинное обучение, генетический алгоритм, эвристический алгоритм поиска.
Для цитирования: Тарасова А. С., Комарова Э. П. Проектирование рекомендательной системы профориентации школьников средствами машинного обучения // Гуманитарные исследования. Психология и педагогика. 2024. № 17. С. 7-14. https://doi.org/10.24412/2712-827X-2024-17-7-14
Original article
DESIGNING A RECOMMENDATION SYSTEM FOR VOCATIONAL GUIDANCE OF SCHOOLCHILDREN BY MEANS OF MACHINE LEARNING
12 Anna S. Tarasova , Emilia P. Komarova
12
, Voronezh State Technical University, Voronezh, Russia 2 anna22tar@gmail.com 2 vivtkmk@mail.ru
Absract. The pace of development of modern technologies contributes to a rapid change in the list of relevant professions. In a situation of uncertainty, the modernization of the modern education system is associated with vocational guidance for high school students, which actualizes the demand for theoretical search and practical testing. Recommendation systems of career guidance will allow students to be more mobile both in the process of education and in future employment. Adaptability to changing conditions and the ability to build and adjust one's educational trajectory are extremely necessary for professional self-
© Тарасова А. С., Комарова Э. П., 2024
realization in a rapidly changing environment. The ability of the recommendation system of career guidance to independently build correlations between the student's answers and competencies for the current list of professions is extremely important. This is due to the speed of changing the list of relevant professions and the lack of historical data for them. The use of machine learning tools and other artificial intelligence methods capable of learning without direct instructions through self-learning is a promising solution to this problem. The purpose of the study is to design a career guidance system for schoolchildren with elements of machine learning capable of self-learning. Research objectives: to present modern requirements for career guidance in the framework of a school course; to select machine learning algorithms necessary for the implementation of the self-learning process in the recommendation system of career guidance.
Keywords: career guidance, schoolchildren, recommendation systems, machine learning, genetic algorithm, heuristic search algorithm.
For citation: Tarasova A. S., Komarova E. P. Designing a recommendation system for vocational guidance of schoolchildren by means of machine learning. Humanitarian Studies. Pedagogy and Psychology. 2024;17:7-14. (In Russ.). https://doi.org/10.24412/2712-827X-2024-17-7-14
Введение
В современной школьной системе образования особое место занимает проблема профориентации. В соответствии с современными требованиями ФГОС [Федеральный закон № 273-Ф3 ] система школьного образования должна быть ориентирована на потребность современного общества в компетентных специалистах, обладающих профессиональными знаниями, умением оценивать собственную деятельность, готовых к порождению ценностей в себе, в своей профессии, в своём окружении [Комарова 2017, 2022]. Вышеуказанные идеи реализуются в технологии контекстного обучения, которые можно отнести к важнейшим научно-педагогическим событиям в современной отечественной педагогике. Предложенное А. А. Вербицким контекстное обучение является универсальным подходом к решению задач профориентации и профессионального образования [Вербицкий 2017]
Контекстный метод обучения моделирует образовательную ситуацию, в которой профессиональная деятельность оказывается «встроенной» в структуру квазипрофессиональной деятельности. При этом актуализуется собственный профессиональный смысл усвоения компетенций, обозначенных в требованиях ФГОС (профессиональные, общекультурные, универсальные компетенции) [протокол от 23.06.2022 № 3/22].
Социально-экономические изменения в профессионально-образовательном пространстве детерминируют необходимость применения современных интеллектуальных алгоритмов для рекомендательных систем профессиональной ориентации школьников. В связи с этим, разрабатывается способ применения алгоритмов машинного обучения без учителя (самообучающихся) для рекомендательных систем в сфере профориентации школьников старших классов. На основе опросного листка интеллектуальная рекомендательная система профориентации подбирает для школьника список наиболее подходящих профессий. При этом, он воспринимает предложенное решение как рекомендации по овладению инструментами решения определённых профессиональных задач [Безукладников 2011; Климов 2004; Молчанов 17; Ценжарик 2020]
Основная часть
Профориентация является одним из основных направлений деятельности педагогов средних образовательных заведений. Правильный выбор дальнейшего направления обучения крайне важен для школьников, так как на его основе должна быть построена текущая учебная деятельность: посещение профильных классов, дополнительных занятий, секций и кружков, а также подготовка к выпускным экзаменам. При решении первой задачи возникают трудности не только при прохождении экзаменационных испытаний, но и на всём следующем пути обучения.
Федеральный государственный общеобразовательный стандарт основного общего образования нового поколения определяет высокую степень значимости профориентационых работ, направленных на школьников старших классов общеобразовательных школ. В требованиях ФГОС отмечается, что школьники должны ориентироваться в мире профессий, понимать значение профессиональной деятельности в интересах устойчивого развития общества и государственной экономики. Для реализации этих целей Министерство просвещения России проводит внедрение единой модели профориентации [протокол 5/22 от 25.08.2022] для школьников, начиная с 6-го класса. Целью создания новой модели является систематизация материалов и мероприятий по профориентации с целью выбора высшего или среднего учебного заведения для дальнейшего обучения.
Современная модель профориентационых работ для школ включает в себя семь направлений. Первое направление - профильное обучение, включающее инженерные, медицинские, ГГ, предпринимательские и другие профильные предпрофессиональные классы обучения; второе направление представляет интеграцию профориентационных материалов в урочную деятельность; третье направление ориентировано на внеклассные мероприятия, такие как классные часы, дискуссии и консультации психолога; четвёртое направление -воспитательная работа, включающая в себя экскурсии на производство, лекции, выставки, ярмарки, дни открытых дверей в колледжах и вузах и т. п.; пятое направление -дополнительное образование с учётом склонностей школьников; шестое направление -обучение по программам профессиональной компетенции, реализуемое в учебных центрах профессиональной квалификации, на производстве и пр.; седьмое направление -взаимодействие школы с родителями или законными представителями школьников по вопросам профориентации.
Каждая школа, по своему усмотрению, может реализовать профориентационную модель на одном из трёх доступных уровней: базовом, основном, продвинутом с минимумом в 40, 60 и 80 академических часов профориентационной работы в учебный год соответстенно [Письмо от 01.06.2023 № АВ 2324-05, от 20.03.2023 № 05-848]. Профориентации уделяется большое внимание в рамках школьного курса. На сегодняшний момент запущено множество профориентационных проектов для школьников, один из ключевых это - федеральный проект «Профиград - Билет в будущее» [https://profigrad.bvbinfo.ru/], в рамках которого школьники в игровой форме могут изучать более 400 видов профессий в тематических кварталах «города». Так же данный сервис представляет возможность пройти профорентационное тестирование «Мой профиль», в результате которого школьник получит перечень рекомендуемых профилей обучения и дополнительного образования. Следует отметить, что данный тест связан только с интересами школьника, но не учитывает его успеваемость по школьным предметам, интеллектуальное и психологические особенности. Поэтому его результаты следует интерпретировать в контексте фактических способностей и достижений школьника.
Среди профориентационных рекомендательных сервисов, учитывающих интересы и взаимосвязи интеллектуальных и личностных качеств тестируемых, а также их значимость для развития профессиональных компетенций, не было обнаружено в ресурсах федерального значения. Одним из наиболее популярных сервисов является «Профвекториум», предлагающий тестирование «Профориентация» [https://profvectorium.ru/my/test], в которое включены вопросы на выявление интересов, интеллектуальных способностей и личностных характеристик. В ходе тестирования представлен список подходящих профессиональных областей, блок иерархии интересов, а также блоки по интеллектуальным и личностным свойствам личности. Среди недостатков тестирования можно отметить слабую ориентированность вопросов теста на выявление потенциальных возможностей к формированию профессиональных компетенций согласно требованиям ФГОС профессионального образования, а также отсутствие анализа взаимосвязей между разными блоками. Наличие большого количества вопросов прямого характера может негативно сказаться на качестве тестирования как при низком уровне искренности школьников, так и при ошибочной оценки ими своих компетенций.
Задача принятия решения о профессиональной ориентации является достаточно сложной, так как она базируется на множестве разноплановых факторов как на внутренних: интерес к профессии, личные качества, склонности, компетенции, так и на внешних: наличие спроса на специальность, уровень заработной платы, доступность образовательных учреждений и пр. Так же осложняющим аспектом проектирования рекомендательной системы профориентации является постоянное изменение внешних факторов. В связи с чем говорить о решении задачи профессиональной ориентации в полной мере алгоритмическими способами невозможно, но применение рекомендательных систем способно сузить область профессионального поиска и дать необходимые рекомендации по зонам роста компетенций. Задача разработки рекомендательной профориентационной системы, удовлетворяющей современным стандартам образования, и включающей в себя оценку интересов, развития интеллектуальных способностей с учётом психологических характеристик школьников, является весьма сложной и в тоже время актуальной и социально востребованной.
Так как с позиции современного образовательного компетентностного подхода уровень образованности школьников определяется способностью решать проблемы различной сложности на основе имеющихся знаний, и не зависит напрямую от объёма самих знаний и их энциклопедичности [Письмо от 01.06.2023 № АВ 2324-05], выявление способностей
использовать полученные знания, навыки и умения должно являться одной из основных целей профориентационного тестирования. Опираясь на выше изложенные факты, можно сделать вывод, что рекомендательная система для профориентации школьников должна выявлять степень сформированности ключевых компетенций и их приложений к интеллектуальным, образовательным, психологическим и личностным аспектам тестируемого. И на основе полученного синтеза система должна подбирать области профессиональной ориентации с учётом требований ФГОС ВПО к профессиональным компетенциям. При таком подходе тестирование прогнозирует новые возможности обучаемых, рост их личностного потенциала в области наиболее востребованных и значимых профессий.
Применение в рекомендательных системах искусственного интеллекта (англ. artificial intelligence, AI) и машинного обучения (англ. machine learning, ML) давно зарекомендовало себя с положительной стороны во многих социально и экономически значимых областях [Ценжарик 2020]. Рекомендательные системы часто используются в контексте искусственного интеллекта. Возможность выдачи подсказок, прогнозирования событий и подчёркивание корреляций - все это результаты применения искусственного интеллекта. С другой стороны, при воплощении рекомендательных систем часто используются приёмы машинного обучения. Нейронные сети позволяют быстро решать сложные задачи и с лёгкостью манипулировать большими данными.
В работе представлены этапы проектирования рекомендательной системы с алгоритмами машинного обучения. Этап 1 заключается в загрузке профилей профессий, материал для которых взят с Атласа новых профессий [Атлас новых профессий 2021]. В дальнейшем планируется расширение групп профилей профессий с добавлением материала и из других источников. Приведена группа профилей профессий «Новые профессии направления медицина» (рис. 1). Каждый профиль профессий представлен вектором из 0 и 1 длинной в 11 позиций. Каждая позиция соответствует определённой компетенции: К1 -'Системное мышление', К2 - 'Межотраслевая коммуникация', КЗ - 'Управление проектами', К4 - 'Бережливое производство', К5 - 'Программирование / Робототехника / Искусственный интеллект', К6 - 'Клиенто-ориентированность', К7 - 'Мультиязычность и мультикультурность', К8 - 'Работа с людьми', К9 - 'Работа в условиях неопределенности', К10 - 'Навыки художественного творчества', К11 - 'Экологическое мышление'.
prof К1 К2 кз К4 К5 Кб К7 к& КЗ кю К11
0 Еиозтик 1 0 0 0 0 1 1 1 1 0 0
1 Генетический консультант 1 0 0 0 1 1 0 0 0 0 0
2 Клинический биоинформатик 1 0 0 0 1 0 1 0 1 0 0
3 р&о-мэнвджер здравоохранения 1 1 1 0 0 1 1 0 0 0 0
4 Молекулярный диетолог 1 0 0 0 0 1 0 0 0 0 1
5 Оператор медицинских ройогов 1 0 0 0 1 0 1 0 0 0 0
6 ИТ-генетик 1 0 0 0 1 0 1 0 0 0 0
7 Разработчик шберпротезов и имплантатов 1 1 1 1 1 0 1 0 0 0 1
3 Тканевый инженер 1 1 1 0 1 0 0 0 0 0 0
9 Проектировщик жизни медицинских учреждений 1 0 1 1 0 1 0 1 0 0 0
10 Эксперт персонифицированной медицины 1 0 0 0 1 1 1 1 0 0 0
11 Консультант по здоровой старости 1 0 1 0 0 1 1 1 0 1 0
12 Сетевой врач 1 0 0 0 1 1 1 1 0 0 0
Рис. 1 Группа профилей профессий «Новые профессии направления медицина»
Всего в систему загружается 29 групп новых профессий: медицина, медиа и развлечения, индустрия туризма и гостеприимства, промышленность, индустрия моды, строительство, финансовый сектор, биотехнологии, безопасность, ГГ-сектор, наземный транспорт, экология, пищевая промышленность, спорт, социальная сфера, робототехника, авиация, водный транспорт, новые материалы и нанотехнологии, электроэнергетика, сельское хозяйство, добыча и переработка полезных ископаемых, космос, нейронет, менеджмент, металлургия, культура и искусство, образование. Список компетенций одинаков для всех групп профессий.
Этап 2 заключается в сборе критериев оценки тестируемого школьника. На данном этапе развития проекта включаются следующие группы:
результаты теста «Мой профиль» от Профиград блока «Склонности» (техника, природа, творчество, общение, управление, сервис, информация, наука, риск), где каждый критерий блока находится в диапазоне от 0 до 10;
школьные оценки за последнее полугодие (родной или государственный язык, литература, алгебра, геометрия, биология, информатика, физкультура, технология, иностранный язык, обществознание, география, история, химия, физика, технология или черчение, экономика) в диапазоне от 3 до 5;
дополнительные достижения по школьным предметам (родной или государственный язык, литература, алгебра и геометрия, биология, информатика, физкультура, технология, иностранный язык, обществознание, география, история, химия, физика, технология или черчение, экономика) за последнее 2 года в диапазоне от 0 до 3;
достижения во внеклассной деятельности (сценическое мастерство, спорт, спортивное ориентирование и туризм, танцы и другие виды физической активности, кроме спорта, изобразительное и прикладное искусство, красота и стиль, литература и журналистика, шахматы и другие виды стратегических и логических игр, IT профиля разработки и программирования, IT профиля дизайна и моделирования, IT, кроме разработки, программирования, дизайна и моделирования, волонтёрство и социальная деятельность, стартапы и предпринимательство) в диапазоне от 0 до 2;
результаты теста Мегедь-Овчарова для определения типа личности ребенка школьного возраста (рациональность/иррациональность, логика/этика, сенсорика/интуиция, интроверсия/экстраверсия) - оценивается от 1 до 5, где 1 - полное соответствие первому критерию, а 5 - полное соответствие второму критерию.
Пример профиля тестируемого состоящего из пяти векторов, на основе описанных выше критериев, представлен на рис. 2. Данные после ввода масштабируются в диапазон от 0 до 1 для каждого вектора, кроме вектора типа личности, который масштабируется в диапазон от -1 до 1.
Рис. 2. Пример профиля тестируемого
Этап 3 представляет собой загрузку матрицы корреляции между профилем тестируемого (см. рис. 2) и профессиональными компетенциями К1, К2,...К3 (см. рис. 1), которая составлена согласно требованиям ФГОС авторами проекта, и в процессе тестирования подвергается корректировкам. Для первых четырех векторов профиля тестируемого коэффициенты корреляции соответствуют значениям от 0 до 2, с шагом 0.5 (от полного отсутствия взаимосвязи до её сильной выраженности). Для пятого вектора, коэффициенты корреляции соответствуют значениям: -1 - взаимосвязь с левым критерием, 0 - отсутствие влияние шкалы психотипа на данную профессиональную компетенцию, 1 - взаимосвязь с правым критерием.
Этап четвёртый заключается в умножении вектора-столбца score (см. рис.2) на матрицу корреляций для получения столбцов рейтинга (score_K1, score_K2, ... score_K11) по каждой профессиональной компетенции (см. рис. 3). Далее составляется вектор-строка из сумм столбцов рейтинга:
s = [sum(score_K1), sum(score_K2),..., sum(score_K11)]. (1)
index 1 factor 1 0 score K1 K2 КЗ K11 score K1 score K2
0 0 техника 9.1 1.000 1.0 0.0 0.0 0.0 1.0000 0.000
1 1 природа 5.5 0.429 0.0 0.0 0.0 2.0 0.0000 0.000
■ É É ■ É É
2 2 творчество 7.8 0.794 0.0 0.5 0.0 0.0 0.0000 0.397
3 3 общение 5.4 0.413 0.0 10 1.0 0.0 0.0000 0.413
Рис. 3. Расчёт векторов рейтинга по профессиональным компетенциям
Далее получившееся вектор строка - s умножается на матрицу значений К1, К2,..., КЗ из таблицы профилей профессий (см. рис. 1). Как итог получаем столбец рейтинга профессией для тестируемого scor (см. рис. 4). [Cao 2023, Cheeseman 1996, Balla 2018].
prof scor Ns prof scor
5 Оператор медицинских роботов 10.515667 9 7 Разработчик киберпротезов и имллантатвв 7.007000
В ИТ-генетик 10 515667 10 13 Архитектор медоборудования 6 744000
2 Клинический биоинформатик 9 578500 11 11 Консультант по здоровой старости 6 185000
0 Тканевый инженер 9 532750 12 3 RiiD-менеджер здравоохранения 6 148600
1 Генетический консультант 9.501333 13 0 Биоэтик 5.826600 17 ИТ-медик 9.305500 14 16 Медицинский маркетолог 5.781200 14 Тарпетный нанотехнолог В.636250 15 9 Проектировщик жизни медицинских учреждений 5.367800 10 Эксперт персонифицированной медицины 7.594600 16 15 Фармакологический эколог 4.857500 12 Сетевой врач 7.594600 17 13 Специалист по трансляционной медицине 4.660250
7 Разработчик киберпротезов и имплантатов 7.007000 1S 4 Молекулярный диетолог 4.585000
Рис.4. Итоговый рейтинг профессий
В силу того, что матрица корреляций не способна отразить полностью все взаимосвязи для конкретного школьника, предлагается добавить эволюционные вычисления на четвёртом этапе работы системы. После расчёта вектора строки рейтинга компетенций - s, предлагается её вывести на экран пользователю, чтобы он отметил те компетенции, с рейтингом которых он не согласен. После чего система методом генетического алгоритма создаёт популяцию особей генами которых будут выступать профессиональные компетенции. Разброс значений по компетенциям, которые пользователь отметил, как малодостоверные, будет наибольшим. После чего система для каждой особи произведёт умножение на матрицу значений К1, К2,..., КЗ из таблицы профилей профессий, и выберутся особи с лучшей приспособленностью, на основе которых произойдут стандартные процессы для генетического алгоритма: скрещивание и мутация. После чего произойдёт повтор умножений ген особей на матрицу значений К1, К2,..., КЗ из таблицы профилей профессий, и выберется лучшая особь, которая будет использована в качестве вектора s для расчёта итогового рейтинга профессий (см. рис. 4) [Анфёров 2019; Бишоп 2020; Головинский 2022; Саймон 2020].
Заключение
Настоящая работа показывает, насколько сложным и многогранным является процесс разработки интеллектуальной системы профориентации. В ходе работы рассмотрены аспекты применения интеллектуальных алгоритмов в рекомендательных системах подбора профессиональной области. Актуальность проблемы направлена на проведение дальнейших исследований в области выявления психологических, педагогических и иных факторов построения рекомендательной системы профориентации, как средства направления вектора образовательного пространства российской федерации.
Список литературы
1. Атлас под редакцией Д. Варламова Атлас новых профессий 3.0 / Под ред. Д. Варламовой, Д. Судакова. М. : Альпина ПРО, 2021. 472 с.
2. Анфёров М. А. Генетический алгоритм кластеризации // Russian Technological Journal. 2019. № 7(6). С. 134-150.
3. Безукладников К. Э., Рубина Н. С. Формирование лингводидактических компетенций в инновационной развивающей среде // Педагогическое образование и наука. 2011. № 6. С. 95-98.
4. Бишоп К. М. Распознавание образов и машинное обучение : учебник для для вузов. СПб. : Диалектика, 2020. 962 с.
5. Вербицкий А. А. Теория и технологии контекстного образования : учеб. пособие. М. : МПГУ, 2017. 268 с.
6. Головинский П. А. Вязкий гравитационный алгоритм кластеризации неточных данных // Вестник Воронежского государственного университета. Сер. Интеллектуальные системы, анализ данных, машинное обучение. 2022. № 179. С. 79-89.
7. Комарова Э. П. Интеллектуально-эмоциональное становление поликультурной личности: проблемы интеграции // Вестник Воронежского государственного университета. Серия: Проблемы высшего образования. 2017. № 4. С. 133-137.
8. Комарова Э. П., Бакленева С. А. Актуализация механизма «смыслообразования» в контекстном подходе // Проблемы современного педагогического образования. 2022. № 7-42. С. 36-139.
9. Климов Е. А. Психология профессионального самоопределения. М. : Издательский центр «Академия», 2004. 304 с.
10. Молчанов А. С., Калашникова Т. Г. Новая модель отбора абитуриентов в университеты в условиях SMART-общества // Открытое образование. 2017. Т. 22. № 1. С. 51-58.
11. Саймон Д. Алгоритмы эволюционной оптимизации : учебник для вузов. М. : ДМК Пресс, 2020. 1002 с.
12. Ценжарик М. К., Крылова Ю. В., Стешенко В. И. Цифровая трансформация компаний: стратегический анализ, факторы влияния и модели // Вестник Санкт-Петербургского университета. Экономика. 2020. Т. 36. Вып. 3. С. 390-420.
13. Bala I. et al Harmony Search and Nature Inspired Optimization Algorithms // ICHSA 2018. Advances in Intelligent Systems. 2018. Vol. 741. P. 1141-1187.
14. Cao L., Zhao Z., Wang D. Clustering Algorithms. In: Target Recognition and Tracking for Millimeter Wave Radar in Intelligent Transportation. Singapore: Springer, 2023. https://doi.org/10.1007/978-981-99-1533-0_5 (дата обращения: 12.05.2023).
15. Cheeseman P., Stutz J. Bayesian classification (AutoClass): theory and resultsAdvances in knowledge discovery and data mining. Palo Alto (CA, USA): AAAI/MIT Press. 1996. P. 61-68.
16. Письмо и методические рекомендации Министерства просвещения Российской Федерации от 01.06.2023 № АВ 2324-05 «О внедрении Единой модели профессиональной ориентации». URL: https://shkola6inta-r11.gosweb.gosuslugi.ru/netcat_files/userfiles/ (дата обращения: 12.05.2023).
17. PROFMINIMUM /Pismo_Minprosvescheniya_ Rossii_ot_2023_0_ vnedrenii_modeli.pdf
18. Примерная рабочая программа воспитания для общеобразовательных организаций (одобрена решением федерального учебно-методического объединения по общему образованию, протокол от 23.06.2022 № 3/22). URL: https://fgosreestr.ru/uploads/files/ 95551609a5bfe91a11646eef1222a4cf.docx (дата обращения: 12.05.2023).
19. Рабочая программа курса внеурочной деятельности «Профориентация» (одобрена решением федерального учебно-методического объединения по общему образованию, протокол 5/22 от 25.08.2022). URL: https://fgosreestr.ru/oop/primernaia-rabochaia-programma-osnovnogo-obshchego-obrazovaniia-po-kursu-vneurochnoi-deiatelnosti-proforientatsiia (дата обращения: 12.05.2023).
20. Федеральный закон от 29.12.2012 № 273-ФЗ «Об образовании в Российской Федерации» (ред. от 01.03.2020). URL: https://www.consultant.ru/document/cons_doc_LAW_140174/ (дата обращения: 12.05.2023).
References
1. Atlas pod redaktsiei D. Varlamova Atlas novykh professii 3.0 [Atlas edited by D. Varlamov Atlas of new professions 3.0]. Ed. D. Varlamova, D. Sudakova, Moscow, Al'pina PRO Publ., 2021, 472 p. (In Russ.).
2. Anferov M. A. Geneticheskii algoritm klasterizatsii [Formation of linguodidactic competencies in an innovative development environment]. Russian Technological Journal. 2019, no. 7(6), pp. 134-150. (In Russ.).
3. Bezukladnikov K. E., Rubina N. S. Formirovanie lingvodidakticheskikh kompetentsii v innovatsionnoi razvivayushchei srede [Pattern recognition and machine learning]. Pedagogicheskoe obrazovanie i nauka. 2011, no.6, pp. 95-98. (In Russ.).
4. Bishop K. M. Raspoznavanie obrazov i mashinnoe obuchenie [Pattern recognition and machine learning]. Saint Petersburg, Dialektika Publ., 2020, 962 p. (In Russ.).
5. Verbitskii A. A. Teoriya i tekhnologii kontekstnogo obrazovaniya [Theory and technology of contextual education]. Moscow, MPGU Publ., 2017, 268 p. (In Russ.).
6. Golovinskii P. A. Vyazkii gravitatsionnyi algoritm klasterizatsii netochnykh dannykh [Viscous gravity algorithm for clustering imprecise data]. Vestnik Voronezhskogo gosudarstvennogo universiteta. Ser. Intellektual'nye sistemy, analiz dannykh, mashinnoe obuchenie. 2022, no.179, pp. 79-89. (In Russ.).
7. Komarova E. P. Intellektual'no-emotsional'noe stanovlenie polikul'turnoi lichnosti: problemy integratsii [Intellectual and emotional formation of a multicultural personality: problems of integration]. Vestnik Voronezhskogo gosudarstvennogo universiteta. Seriya: Problemy vysshego obrazovaniya. 2017, no.4, pp. 133-137. (In Russ.).
8. Komarova E. P., Bakleneva S. A. Aktualizatsiya mekhanizma «smysloobrazovaniya» v kontekstnom podkhode [Updating the mechanism of "meaning formation" in the contextual approach]. Problemy sovremennogo pedagogicheskogo obrazovaniya. 2022, no.7-42, pp. 36-139. (In Russ.).
9. Klimov E. A. Psikhologiya professional'nogo samoopredeleniya [Psychology of professional self-determination]. Moscow, Izdatel'skii tsentr «Akademiya» Publ., 2004, 304 p. (In Russ.).
10. Molchanov A. S., Kalashnikova T. G. Novaya model' otbora abiturientov v universitety v usloviyakh SMART-obshchestva [A new model for selecting university applicants in a SMART society]. Otkrytoe obrazovanie. 2017, vol. 22, no.1, pp. 51-58. (In Russ.).
11. Saimon D. Algoritmy evolyutsionnoi optimizatsii [Evolutionary optimization algorithms]. Moscow, DMK Press Publ., 2020, 1002 p. (In Russ.).
12. Tsenzharik M. K., Krylova Yu. V., Steshenko V. I. Tsifrovaya transformatsiya kompanii: strategicheskii analiz, faktory vliyaniya i modeli [Digital transformation of companies: strategic analysis, influencing factors and models]. Vestnik Sankt-Peterburgskogo universiteta. Ekonomika. 2020, vol. 36, iss. 3, pp. 390-420. (In Russ.).
13. Bala I. et al Harmony Search and Nature Inspired Optimization Algorithms // ICHSA 2018. Advances in Intelligent Systems. 2018. Vol. 741. P. 1141-1187.
14. Cao L., Zhao Z., Wang D. Clustering Algorithms. In: Target Recognition and Tracking for Millimeter Wave Radar in Intelligent Transportation. Singapore: Springer, 2023. https://doi.org/10.1007/978-981-99-1533-0_5 (дата обращения: 12.05.2023).
15. Cheeseman P., Stutz J. Bayesian classification (AutoClass): theory and resultsAdvances in knowledge discovery and data mining. Palo Alto (CA, USA): AAAI/MIT Press. 1996. P. 61-68.
16. Pis'mo i metodicheskie rekomendatsii Ministerstva prosveshcheniya Rossiiskoi Federatsii ot 01.06.2023 № AV 2324-05 «O vnedrenii Edinoi modeli professional'noi orientatsii» [16. Letter and methodological recommendations of the Ministry of Education of the Russian Federation dated 06/01/2023 No. AB 2324-05 "On the implementation of the Unified Model of Vocational Guidance"]. (In Russ.). Available at: https://shkola6inta-r11.gosweb.gosuslugi.ru/netcat_files/userfiles/ (accessed: 12.05.2023).
17. PROFMINIMUM /Pismo_Minprosvescheniya_ Rossii_ot_2023_O_ vnedrenii_modeli.pdf
18. Primernaya rabochaya programma vospitaniya dlya obshcheobrazovatel'nykh organizatsii (odobrena resheniem federal'nogo uchebno-metodicheskogo ob"edineniya po obshchemu obrazovaniyu, protokol ot 23.06.2022 № 3/22) [Approximate working educational program for general education organizations (approved by the decision of the federal educational and methodological association for general education, protocol dated June 23, 2022 No. 3/22)]. (In Russ.). Available at: https://fgosreestr.ru/uploads/files/ 95551609a5bfe91a11646eef1222a4cfdocx (accessed: 12.05.2023).
19. Rabochaya programma kursa vneurochnoi deyatel'nosti «Proforientatsiya» (odobrena resheniem federal'nogo uchebno-metodicheskogo ob"edineniya po obshchemu obrazovaniyu, protokol 5/22 ot 25.08.2022) [Work program of the extracurricular activities course "Career Guidance" (approved by the decision of the federal educational and methodological association for general education, protocol 5/22 of 08/25/2022)]. (In Russ.). Available at: https://fgosreestr.ru/oop/primernaia-rabochaia-programma-osnovnogo-obshchego-obrazovaniia-po-kursu-vneurochnoi-deiatelnosti-proforientatsiia (accessed: 12.05.2023).
20. Federal'nyi zakon ot 29.12.2012 № 273-FZ «Ob obrazovanii v Rossiiskoi Federatsii» (red. ot 01.03.2020) [Federal Law of December 29, 2012 No. 273-FZ "On Education in the Russian Federation" (as amended on March 1, 2020)]. (In Russ.). Available at:
https://www.consultant.ru/document/cons_doc_LAW_140174/ (accessed: 12.05.2023).
Информация об авторах А. С. Тарасова - аспирант, кафедра инноватики и строительной физики, Воронежский государственный технический университет;
Э. П. Комарова - доктор педагогических наук, профессор, кафедра иностранных языков и технологии перевод, Воронежский государственный технический университет.
Information about the authors
A. S. Tarasova - Postgraduate Student, Department of Innovation and Building Physics,
Voronezh State Technical University;
E. P. Komarova - Grand Ph. D. (Education), Professor, Department of Foreign Languages and Technology Translation, Voronezh State Technical University.
Статья поступила в редакцию 10.08.2023; одобрена после рецензирования 30.09.2023; принята к публикации 20.10.2023.
The article was submitted 10.08.2023; approved after reviewing 30.09.2023; accepted for publication 20.10.2023.
