CC BY
23
Вестн. Моск. ун-та. Сер. 20. Педагогическое образование. 2023. Т. 21 № 1
В . В . Малахов
социальные и поисковые сети как средство развития практик профориентационной работы со школьниками
(Институт развития педагогического образования Томского государственного педагогического университета; e-mail: malakhov14@yandex. ru)
Целью статьи является анализ возможностей использования цифрового следа для выявления идентификационных признаков профессионализации человека в сфере образования (педагогики) на основе технологий больших данных посредством социальных и поисковых сетей. Обозначены причины, обусловливающие необходимость использования социальных и поисковых сетей для развития практик профориентационной работы со школьниками. Представлены и проанализированы данные о пользователях, аккумулируемые социальными сетями (на примере «ВКонтакте») и поисковыми сетями (на примере сервисов «Яндекс» и Google). Показаны возможные варианты кластеризации данных о пользователях в социальной сети «ВКонтакте» с дифференциацией пользовательских интересов и сторонней сегментации, определяемых с помощью алгоритмов нейронных сетей (одна из основополагающих технологий больших данных), исходя из множества различных действий пользователя социальной сети как внутреннего, так и внешнего пространства интернет-поля. Предложен вариант сравнительного анализа пользовательских интересов, подтвержденных сторонним сегментом между группой людей из педагогического сообщества и группой профессионалов других сфер. Сформулирована и проверена гипотеза об идентичности пула интересов педагогического сообщества, выявлен их паттерн и проецирован на выпускников педагогических специальностей 2022 года ОГБПОУ «Томский государственный педагогический колледж», работающих по специальности. Показаны возможные варианты развития предложенной модели кластеризации интересов педагогического сообщества и экстраполяции принципов работы на различные уровни педагогического образования. Материалы статьи подготовлены на основе использования следующих методов: теоретический и структурный анализ, структурно-семиотический анализ, метод предиктивной аналитики и имитационного моделирования на основе данных нейронных сетей.
Ключевые слова: социальные сети; поисковые сети; большие данные; предиктивная аналитика в педагогике; кластеризация педагогических данных; паттерны педагогического сообщества; профессиональная ориентация школьников; профессиональное самоопределение, педагогическая профессия; профессиональное образование.
Введение
Проблема профессионального самоопределения не одно десятилетие рассматривается множеством ученых из разных образовательных систем мира . В последние десять лет специалисты все чаще обращаются к инновационным технологиям в надежде решить традиционные проблемы . Исключением не стала и профориентация . Профориентация - довольно специфичная область, так как для формирования профессионального ориентира и впоследствии непосредственного выбора профессии необходимо изучить и проанализировать множество факторов, особенно если речь заходит про систему профессионального самоопределения Проблема профессионального самоопределения человека, включая самоопределение школьников, сегодня как никогда популярна в России и в Томской области в частности . Об этом можно судить исходя из количества интернет-запросов в поисковом сервисе «Яндекс» . Так, например, по запросу «как определиться с профессией» сервис «Яндекс . Подбор слов» фиксирует 8 672 запроса в месяц; по запросу «какая профессия мне подходит» - 24 860 показов в месяц; по запросу «как выбрать профессию» - 80 674 показа в месяц; по запросу «выбор профессии» - 104 543 показа в месяц; запрос «профориентация» выдает 312 546 показов в месяц; ряд более популярных запросов: «куда поступать» - 313 381 показ в месяц, «профессии» - 4 558 405 показов в месяц и (самый популярный запрос из перечисленных) «кем работать» - 21 462 506 запросов в месяц по всей России В Томской области этот запрос также популярен - 114 188 показов, что соответствует доли региональной популярности в 102 % (По версии «Яндекс . Подбор слов») Региональная популярность - это доля, которую занимает регион в показах по данному слову, деленная на долю всех показов результатов поиска, пришедшихся на этот регион . Популярность слова/ словосочетания, равная 100%, означает, что данное слово в данном регионе ничем не выделено . Если популярность более 100%, это означает, что в данном регионе существует повышенный интерес к этому слову, если меньше 100% - пониженный [1]. Особенно эта цифра интересна в сравнении с населением области (1 062 666 чел . (2021 г .), то есть каждый 10 житель задается этим вопросом
Исходя из анализа исследований Минюровой С .А, Фиофановой О .А . , Осиповой Н . О . и многих других в области цифровизации образования, на данный момент мы видим, что профориентационная система пользуется традиционными методами, в основе которых лежат тесты на профессиональное самоопределение и профессиональные пробы [2; 3; 4; 5; 6; 7; 8] Такие методы недостаточно эффективны: с их помощью невозможно понять интересы человека в полной мере, а именно от этого зависит выбор профессии . Для того чтобы учитывать множество
неструктурированной информации такой, как интересы, привычки человека, его поведение, мировоззрение, круг общения, увлечения и тому подобное, необходимо собирать подобного рода информацию несколько лет (для более объективной оценки) и постоянно анализировать ее в динамике . Для этого необходимо использовать технологии больших данных, современный инструментарий которых позволяет собирать, обрабатывать и анализировать непрепарированные, разрозненные и неструктурированные массивы информации с помощью дата майнин-га (нейронные сети, машинное обучение, искусственный интеллект), а также дает возможность строить из всего этого многообразия данных персонализированную траекторию дальнейшего развития и обучения человека посредством имитационного моделирования и предиктивной аналитики данных . Такой системный подход к сбору и обработке информации о школьнике сможет дать объективное представление о его профессиональных интересах
На сегодняшний день профориентационная система начинает меняться: происходит смешение акцента в область использования ИТ-технологий, но пока что это перенос традиционных методов на новые платформы . Существенного сдвига не происходит, хотя на данном этапе мы уже обладаем достаточными инструментами и ресурсами для кардинальных изменений в области профориентационной работы, что показывают авторы многих исследований в области внедрения готовых программно-цифровых решений . Так, Стрекалова Н . Б . , Краснова Г .А . и Можаева Г . В . видят большой потенциал использования технологий отечественных социальных сетей в области сбора информации об обучающихся, а Фиофанова О . А, Фридман М . Ф . и Вихрев В . В . анализируют широкий спектр возможностей поисковых сетей в области кластеризации данных в образовании [9; 10; 11; 12; 13]. Технологии больших данных уже доказали свою эффективность в области маркетинга, а их способы и методы можно использовать и для решения задач профориентации . Это можно сравнить с таргетированной и контекстной рекламой, которая предлагает человеку товары и услуги, которые могут быть ему интересны, на основе интернет-запросов, телефонных разговоров, предпочтений, реальных перемещений, приложений, которые он использует, просмотров и поисков на видеохостингах, прослушивания музыки и подкастов, лайков и репостов в социальных сетях и тому подобного . Здесь необходимо выявить пул конкретных данных, которые собирают о человеке поисковые, операционные системы, различные сервисы и социальные сети Для более полного представления в работе проанализирован сбор данных самых популярных сервисов, а именно: поисковые сети Google, «Яндекс» и социальная сеть «ВКонтакте» . По данным анализа, поисковая сеть Google собирает и хранит следующие данные о человеке:
1) возраст и пол;
2) местоположение;
3) текущий поисковый запрос;
4) историю поиска;
5) действия в аккаунте Google;
6) предыдущие взаимодействия с рекламными объявлениями;
7) сайты, которые посещает пользователь;
8) интересы пользователя;
9) действия в мобильных приложениях на устройстве пользователя;
10) действия на других устройствах пользователя;
11) время суток, в которое пользователь активен;
12) языки, на которых говорит пользователь;
13) вещи, которые покупает пользователь, и его бюджет расходов;
14) места, которые ищет пользователь в картах Google, и предыдущие посещения различных мест;
15) любимые магазины пользователя (с привязкой и отслеживанием), бонусные карты к Google Pay;
16) все, что происходит в почтовом ящике пользователя: все электронные письма, вложения и даже то, что помечается как спам или удаляется пользователем;
17) все, что пользователь сохраняет на диске Google - рабочие документы, чеки о покупках, фотографии, видео;
18) привычки просмотра YouTube, включая всё, что когда-либо смотрел пользователь, любые его комментарии, и всё, что когда-либо искал пользователь;
19) как выглядит предстоящее расписание, на основе ранее полученных данных геолокации;
20) приложения, которые открывает пользователь (если используется Android) и время их использования;
21) вопросы, которые задаются Google Ассистенту;
22) все прочитанные статьи в Новостях Google;
23) все объявления, которые были просмотрены и на которые был сделан отклик в виде перехода (если они были показаны через сервисы Google, партнерские сайты или в мобильных приложениях);
24) отслеживание IP-адресов;
25) файлы cookie (фрагменты кода, которые сохраняются в браузере при первом посещении веб-сайта . Файлы cookie помогают веб-сайтам и другим компаниям идентифицировать пользователя и запоминать, что он делал во время предыдущих посещений, а также они используются для хранения и обслуживания персонализированного контента, отслеживания веб-аналитики и показа рекламы);
26) список устройств, получавших доступ к аккаунту .
Анализ особенностей поисковой сети «Яндекс» показывает, что она собирает и хранит следующие данные о человеке:
1) история запросов, уведомлений, информация о рекомендациях, данные сценариев, прослушанные треки, состояние экрана и биометрический слепок;
2) вся история личной переписки в чатах, подписки на каналы и настройки приложения;
3) музыкальные плейлисты, лайки и дизлайки, история прослушивания, настройки персонализации;
4) все данные о файлах на «Яндекс . Диске», папках, фотографиях и заметках;
5) все созданные пользователем подборки и информация о подписках;
6) все письма и контакты в почте .
А по данным анализа матричной структуры, социальная сеть «ВКон-такте» собирает и хранит следующие данные о человеке:
1) привязки телефонных номеров;
2) время входа в приложение;
3) история изменений имени;
4) часто посещаемые места;
5) информация о подписках на тематические сообщества;
6) отметки «нравится»;
7) фотографии;
8) файлы;
9) музыка;
10) интересы;
11) комментарии;
12) репосты;
13) какую информацию читали и на чем задерживали взгляд;
14) хобби и ритм жизни;
15) наличие определенных слов в переписке с другими людьми;
16) историю посещений и данные об устройствах пользователей
«ВКонтакте» видит операционную систему гаджетов, с которых люди заходят в свои аккаунты, браузер, название провайдера, 1Р-адрес . С согласия пользователей социальная сеть получает доступ к микрофону устройств, их камерам, телефонной книге, установленным приложениям и уведомлениям . Обозначенные выше блоки информации можно использовать и для решения задач, связанных с профессиональным самоопределением школьников . Целенаправленный анализ данной информации в заданном контексте поможет выявить склонность школьника к педагогической профессии в будущем
Наличие таких данных позволяет напрямую работать с цифровым следом человека (уникальный набор действий в интернете или
на цифровых устройствах, электронные или виртуальные следы представляют собой фиксации совершения любых действий (включения, создания, открывания, активации, внесения изменений, удаления в информационном пространстве компьютерных и иных цифровых устройств, их систем и сетей), что может выступать новым педагогическим способом помощи ребенку в самоопределении . Это, в частности, может быть использовано для выявления школьников, проявляющих интерес к педагогической профессии и ориентированных на выбор этой сферы труда в плане карьеропостроения, о чем свидетельствуют исследования в области создания персонализированной цифровой образовательной траектории Уварова А . Ю . , Блиновой В . И . , Дударева Ф . Ф . , Над-еевой М . И . , Петровой Н . П . и других [14; 15; 16; 17; 18; 19; 20 и др . ].
Для этого важно выявить атрибутивные характеристики, можно пойти по классическому пути профориентационной работы и начать с психологических моделей типа личности, но такая методика неэффективна, так как модели будет выбирать человек и в конечном итоге мы придём к тому, что поиски склонности к педагогической профессии сведутся к психотипу «человек-человек», а это не слишком объективно . Особенностью технологий больших данных является исключение человеческого аспекта при работе и анализе того, что для человека покажется нелогичным, например, если выбрать фактором склонности к педагогике психотип «человек-техника», то для машины может служить закономерностью, повторяющимся элементом в длинной цепочке, то есть паттерном На данном этапе необходимо в качестве примера проанализировать цифровой след настоящих, состоявшихся учителей и педагогов и уже на основе так называемых исторических данных можно выстроить основные паттерны в связке интересов, которые ведут в конечном итоге к выбору педагогической профессии, а далее можно применять полученные факторы и перекладывать на детей школьного возраста, анализируя данные в динамике и обращая внимания на отклонения от заданной траектории
Методология (Материалы и методы)
В рамках апробации вышеописанного способа профориентационной работы со школьниками нами было проведено научно-педагогическое исследование (2022 г ), целью которого стало выявления закономерностей, посредством которых можно отнести человека к той или иной сфере профессиональной деятельности Исследование осуществлялось с участием 6-и человек в возрасте от 25 до 34 лет. Участники эксперимента были поделены на две группы (по три человека в каждой) Первая (контрольная) группа - люди, не связанные профессионально со сферой образования (инженер-программист, старший инженер отдела организации надзорных мероприятий в области гражданской обороны,
руководитель отдела продаж в коммерческом сегменте). Вторая группа - действующие педагоги: учитель биологии и географии в МАОУ Школа «Перспектива» (г . Томск) (участник 1), преподаватель основ финансовой грамотности в ОГБПОУ «Томский государственный педагогический колледж» (участник 2), преподаватель методики обучения предмету «Физическая культура» в ОГБПОУ «Томский государственный педагогический колледж» (участник 3) . Изначально предполагалось выявить закономерности в схожих интересах только у педагогов, но во время проведения эксперимента возникла идея провести сравнительный анализ, касающийся людей из других профессиональных сфер . Это было сделано для того, чтобы подтвердить или опровергнуть теорию о том, что педагогическое сообщество обладает схожими интересами, модель которых впоследствии можно использовать для профориентации школьников, нацеленных на педагогическую деятельность, поэтому эксперимент проводился в двух разных группах
Этапы (сроки) исследования: сбор информации об участниках -14 07 2022-07 08 10 2022; поиск паттернов интересов - 07 08 202217.08.2022; итоговый этап - 17.08.2022-14.09.2022.
На первом этапе исследования была собрана информация об участниках (интересы, хобби, увлечения), в качестве информационного ха-ба была выбрана отечественная социальная сеть «ВКонтакте» . Данный сервис был выбран по двум причинам: во-первых, все участники эксперимента либо пользовались «ВКонтакте», либо были там зарегистрированы, что важно, так как сеть обрабатывает данные и составляет портрет человека даже, если сервисы самой сети не используются человеком Во-вторых, «ВКонтакте» обладает собственными сервисами по предоставлению услуг таргетинговой рекламы Это означает, что сеть самостоятельно собирает и обрабатывает все данные с помощью элементов технологий больших данных (на этом этапе используются технологии нейронных сетей) о пользователях для того, чтобы составить портрет потребителя и сегментировать его Для данного исследования социальная сеть была идеальной площадкой еще и потому, что она разрешает смотреть данные о пользователе по архивному запросу, где для участника доступен раздел реклама, в котором «ВКонтакте» собирает, анализирует и формирует интересы пользователя исходя из его деятельности в сети: подписки на тематические сообщества, время прочтения постов, процент дочитывания информации, реакция на посты (лайки, комментарии, игнорирование), добавление музыки в плейлист, поисковые запросы в интернете, отклики на рекламные посты «ВКон-такте» делит все интересы пользователей на 2 группы: пользовательский интерес (полный анализ действий в социальной сети с алгоритмами, разработанными «ВКонтакте») и сторонний сегмент, схожий анализ только с алгоритмами, разработанными другими компаниями
Все вышеперечисленные особенности сбора данных и их последующая кластеризация относятся к методам обработки и к сбору информации технологий больших данных, так как «ВКонтакте» использует машинное обучение, нейронные сети и технологии темных данных (автоматический сбор труднокластеризируемых данных), как часть технологий больших данных
Рис. 1. Профили пользовательских интересов участников эксперимента
Сопоставительный анализ пользовательских профилей всех участников показывает причастность к педагогической профессии по наличию совпадению четырех признаков (см . рис . 1) . На втором этапе была проанализирована собранная информация и найден один паттерн в интересах участников второй группы, который отсутствовал у первой . У всех участников, непосредственно связанных со сферой образования, в группе пользовательских интересов (среди прочих категорий) были категории «Образование», «Общество», «Наука и техника», а группа интересов стороннего сегмента была представлена категорией «Наука»
Стоит отметить, что алгоритм сегментации по всем представленным интересам и по категориям образование, общество, наука и техника, наука, в частности, собирает и анализирует поведение пользователей социальной сети: здесь система учитывает не только комментарии и отметки «мне нравится», но и множество других факторов: комментарии под постами групп и публикаций друзей; частота посещения конкретной группы или страницы пользователя; время просмотра записи и чтения материала; переходы по прикрепленным ссылкам; отметки «мне нравится» и нажатие кнопки «поделиться»; частота нажатия кнопки «это не интересно» [21].
На заключительном этапе был проведен анализ и сравнение данных между группами эксперимента, что подтвердило теоретическое предположение о том, что у людей, профессионально связанных с педагогической деятельностью есть определённый паттерн в интересах .
Далее, для апробации результатов эксперимента было решено экстраполировать выявленный паттерн интересов на выпускников педагогических специальностей ОГБПОУ «Томский государственный педагогический колледж» текущего года, которые были устроены по профессии В данном эксперименте приняли участие 173 выпускника, целью работы стало выявление процентного соотношения совпадений ранее выявленного паттерна интересов педагогического сообщества, сроки работы: 14.09.2022-16.12.2022.
Результаты и их обсуждение
Данные, полученные по результатам исследований, были системно проанализированы и обсуждены с представителями управленческих и научно-педагогических сообществ Томской области, способных экс-пертно отнестись к их осмыслению
В ходе работы было выявлено полное совпадение ранее выявленного паттерна интересов людей с педагогическим стажем в несколько лет с паттерном интересов выпускников, работающих по специальности, что подтверждает теорию о том, что педагогическое сообщество обладает схожими интересами, модель которых впоследствии можно перекладывать на школьников для профориентации на педагогическую деятельность (см рис 2)
Выводы
Представленные выше результаты анализа проведенных исследований позволяют сделать ряд общих выводов:
1 . У людей, находящихся в профессиональном педагогическом сообществе, сформирован ряд схожих личных интересов и паттернов,
которые могут быть обозначены как идентификационные признаки для данного сообщества.
173
УЧАСТНИКА
173
173
114
107
100%
СОВПАДЕНИЕ
100%
СОВПАДЕНИЕ
100%
СОВПАДЕНИЕ
100%
СОВПАДЕНИЕ
65%
СОВПАДЕНИЕ
62%
СОВПАДЕНИЕ
Рис. 2. Процентное соотношение совпадений интересов участников эксперимента с ранее выявленным паттерном интересов педагогического сообщества
2 . Личные пользовательские интересы представителей профессионального педагогического сообщества (субъектов активностей поисковых и социальных сетей), в основном, представлены следующими категориями: наука и техника, общество, образование, культура и искусство, игры
3 . Поиск и наличие идентификационных признаков (поведенческих и других паттернов) у субъектов профессионального педагогического сообщества открывает возможности для дальнейшего использования технологий больших данных в целях создания организационно-педагогической модели профориентации школьников на педагогическую деятельность
Заключение
Осмысление опыта и результатов, представленного выше исследования, нацеливает на активизацию использования
структурно-семиотического подхода при достижении научно-педагогических целей . Одним из важных понятий в рамках данного подхода является понятие культурного кода . Коды - это системы моделирования мира (в том числе мифы и легенды, знаковые структуры разных сфер), которые создают единую картину, отражающую глобальное видение мира с позиции какого-либо сообщества, в частности педагогического Код представляет собой модель, выступающую как основной способ формирования сообщений любого рода, что позволяет их передавать, декодировать (расшифровывать) и интерпретировать: «Код воздвигает из символов систему различий и оппозиций и закрепляет правила их сочетания» [22]. В преломлении к контексту нашего исследовании профессионально-педагогический код может выступать основой как для определения потенциальной аудитории абитуриентов для педагогических вузов и колледжей, так и в качестве полномерного цифрового следа человека . И если начать аккумулировать и анализировать данные о школьнике, например, с переходом учащегося в среднюю школу, то к моменту выбора профильного классах (и впоследствии университета или колледжа) школьник (и его родители) с большой долей вероятности сможет сделать правильный для себя выбор . А это, в свою очередь, говорит о том, что целесообразно подробнее изучать паттерны действующих педагогов, для того чтобы создать и апробировать организационно-педагогическую модель использования цифрового следа для выявления идентификационных признаков профессионализации человека по линии педагогики на основе технологий больших данных . Этому будут посвящены наши дальнейшие исследования
Список литературы
1. «Яндекс. Подбор слов» - URL: https://wordstat.yandex.ru/#!/ regions?filter=regions&words (дата обращения: 23.12.2022). — Режим доступа: сайт «Яндекс. Подбор слов». —Текст: электронный .
2 . Макаренко А.Н., СмышляеваЛ.Г., Замятина О.М., Минаев Н.Н. Цифровые
горизонты развития педагогического образования // Высшее образование в России . - 2020. - № 6 . - С . 113-121
3 . Минюрова С.А., Басюк В. С., Брель Е.Ю., Воробьева И.В., Кружкова О.В., Мат-
веева А.И Эмоциональный интеллект субъектов образовательной среды в условиях цифровизации: обзор исследований//Сибирский психологический журнал. - 2021. - № 82. - С. 153-173.
4. Смышляева Л.Г., Титова Г.Ю. Развитие региональной практики профессиональной ориентации школьников на педагогическую деятельность: стратегия и ресурсы // Вестник Томского государственного педагогического университета. - 2016. - № 5 (170). - С. 36-41.
5 . Малахов В.В., Смышляева Л.Г. Big Data как средство повышения эффективности учебных занятий в контексте развития личностного потенциала обучающихся СПО // Научно-педагогическое обозрение (Pedagogical Review). - 2022. - № 4 (44). - С. 72-80.
6. Фиофанова О.А. Big Data в российском образовании: методы анализа данных об образовании и развитии человека, цифровые сервисы данных// Digital Society . - 2020. - № 3 . - С . 89-96.
7. Фиофанова О.А. Анализ больших данных в сфере образования: методология и технологии . // М . : Дело . - 2020. - № 1 - С . 123-140.
8. Осиповская Е.А. Тренды образовательных технологий в России и мире в 2020 г. : анализ поисковых запросов в Google Trends // Вестник Российского университета дружбы народов . - 2021. - № 4. - С . 291-304.
9 . Стрекалова Н.Б. Риски внедрения цифровых технологий в образование//
Вестник Самарского университета - 2019 - № 2 - С 84-88
10 . Краснова Г.А., Можаева Г.В. Электронное образование в эпоху цифровой
трансформации / Г.А. Краснова, Г. В. Можаева - Томск: Издательский Дом Томского государственного университета, 2019. - 200 с . - ISBN 9785-94621-813-9.
11 Фиофанова О. А Проблема интеграции цифровых сервисов аналитики данных: компетенции педагога в работе с образовательными данными // М : Вестник Московского университета - 2020 - № 9 - С 38-49
12. Фридман М.Ф. Стратегическое мышление data-менеджеров в образовании // Вестник Самарского университета - 2019 - № 4 - С 105-121
13 . ГиглавыйА.В., Вихрев В.В., Завриев Н.К. Процессы цифровой трансфор-
мации в российских школах: архитектурные и статистические аспекты// Красноярский педагогический журнал - 2020 - № 3 - С 112-124
14 . Уваров А.Ю., Вихрев В.В., Водопьян Г.М. Школы в развивающейся цифро-
вой среде: цифровое обновление и его зрелость // Информатика и образование - 2021 - № 6 - С 89-102
15 . Блинов В.И., СергеевИ.С., ЕсенинаЕ.Ю. Педагогическая концепция циф-
рового профессионального образования и обучения: монография / В. И . Блинов, И . С. Сергеев, Е. Ю Есенина; под науч . ред. В. И . Блинова. -М . : Издательский дом «Дело» РАНХиГС, 2020. -112 c . - ISBN 978-5-85006240-8
16 . Фиофанова О.А. Развитие у педагогов компетенций анализа образователь-
ных данных: методология и организационные формы // Казанский педагогический журнал . - 2020. - № 3 . - С . 125-147.
17 . Ковалев Е.Е. Системная модель и инструменты модернизации федераль-
ных и региональных цифровых сервисов статистики и аналитики данных в образовании // Вестник московского городского педагогического университета - 2021 - № 2 - С 89-108
18. Дудырев Ф.Ф. Симуляторы и тренажеры в профессиональном образовании: педагогические и технологические аспекты // Вопросы образования . - 2020. - № 3 . - C. 43-62.
19. Надеева М.И. Место и роль цифровых технологий в современном образовании // Казанский педагогический журнал. - 2019. - № 5. -С. 255-276.
20. Петрова Н.П. Цифровизация и цифровые технологии в образовании // Мир науки, культуры, образования . - 2019. - № 5 (78). - С. 353-355.
21 «ВКонтакте . Рекламный кабинет» - URL: https://vk. com/faq11844?union_ id=1606828079 (дата обращения: 23.12.2022). - Режим доступа: сайт «Вкон-такте». - Текст: электронный .
22 . Осипова Н.О. Структурно семиотический подход как аспект методологии
гуманитарного знания // Культурологический журнал . - 2021 - № 4. -С . 100-116 .
Сведения об авторе
Малахов Владислав Валерьевич — аспирант Института развития педагогического образования ФГБОУ ВО «Томский государственный педагогический университет», Томск, Россия. E-mail: malakhov14@yandex.ru
social and search Networks as a Means to Develop the Practices of career Guidance work with schoolchildren
V.V. Malakhov
The research aims to analyze the possibilities of using a digital footprint to reveal the identification signs of a person's professionalization in the field of education (pedagogy) based on big data technologies through social and search networks. The author identifies the reasons for using social and search networks to develop career guidance practices with schoolchildren. The research presents and analyses data about users of accumulated social networks (e.g. Facebook) and search networks (e.g. Yandex and Google). The author shows possible options for clustering user data in the Vkontakte social network with differentiation of user interests and third-party segmentation determined using neural network algorithms (one of the fundamental technologies of big data), based on a variety of different actions of the user of the social network inside and outside the Internet field. The author proposes a variant of a comparative analysis of user interests confirmed by a third-party segment between a group of people from the pedagogical community and a group of professionals from other fields. The hypothesis about the identity of the pool of interests of the pedagogical community is formulated and tested; their pattern is revealed and projected on the graduates of pedagogical specialties of the Tomsk State Pedagogical College in 2022, working in the specialty. Possible variants of the development of the proposed model of clustering the interests of the pedagogical community and extrapolation of the principles of work to different levels of pedagogical education are shown. The research materials are prepared based on the use of the following methods: theoretical and structural analysis, structural-semiotic analysis, and predictive analytics and simulation modeling based on neural network data.
Keywords: social networks; search networks; big data; predictive analytics in pedagogy; clustering of pedagogical data; patterns of the pedagogical community; professional orientation of schoolchildren; professional self-determination; pedagogical profession; vocational education.
References
1. «Yandeks. Podbor slov» - URL: https://wordstat.yandex.ru/#!/ regions?filter=regions&words (data obrashcheniya: 23.12. 2022). — Rezhim dostupa: sait «Yandeks. Podbor slov» . —Tekst: elektronnyi .
2. Makarenko A.N., Smyshlyaeva L.G., Zamyatina O.M., Minaev N.N. Tsifrovye gorizonty razvitiya pedagogicheskogo obrazovaniya // Vysshee obrazovanie v Rossii. - 2020. - № 6. - S . 113-121.
3. Minyurova S.A., Basyuk V.S., Brel' E.Yu., Vorob'eva I.V., Kruzhkova O.V., Matveeva A.I. Emotsional'nyi intellekt sub"ektov obrazovatel'noi sredy v usloviyakh tsifrovizatsii: obzor issledovanii // Sibirskii psikhologicheskii zhurnal. - 2021. - № 82 . - S . 153-173.
4. Smyshlyaeva L.G., Titova G.Yu. Razvitie regional'noi praktiki professional'noi orientatsii shkol'nikov na pedagogicheskuyu deyatel'nost': strategiya i resursy // Vestnik Tomskogo gosudarstvennogo pedagogicheskogo universiteta . -2016 - № 5 (170) - S 36-41
5 . Malakhov V.V., SmyshlyaevaL.G. Big Data kak sredstvo povysheniya effektivnosti uchebnykh zanyatii v kontekste razvitiya lichnostnogo potentsiala obuchayushchikhsya SPO // Nauchno-pedagogicheskoe obozrenie (Pedagogical Review). - 2022. - № 4 (44). - S . 72-80.
6. Fiofanova O.A. Big Data v rossiiskom obrazovanii: metody analiza dannykh ob obrazovanii i razvitii cheloveka, tsifrovye servisy dannykh // Digital Society. -2020. - № 3 . - S . 89-96.
7. Fiofanova O.A. Analiz bol'shikh dannykh v sfere obrazovaniya: metodologiya i tekhnologii. // M . : Delo . - 2020. - № 1 . - S . 123-140.
8 . Osipovskaya E.A. Trendy obrazovatel'nykh tekhnologii v Rossii i mire v 2020 g . :
analiz poiskovykh zaprosov v Google Trends // Vestnik Rossiiskogo universiteta druzhby narodov. - 2021. - № 4. - S . 291-304.
9 . Strekalova N.B. Riski vnedreniya tsifrovykh tekhnologii v obrazovanie//Vestnik
Samarskogo universiteta - 2019 - № 2 - S 84-88
10 . Krasnova G.A., Mozhaeva G.V. Elektronnoe obrazovanie v epokhu tsifrovoi
transformatsii / G. A. Krasnova, G. V. Mozhaeva - Tomsk: Izdatel'skii Dom Tomskogo gosudarstvennogo universiteta, 2019. - 200 s . - ISBN 978-5-94621813-9.
11 Fiofanova O. A Problema integratsii tsifrovykh servisov analitiki dannykh: kompetentsii pedagoga v rabote s obrazovatel'nymi dannymi // M : Vestnik Moskovskogo universiteta . - 2020. - № 9 . - S . 38-49.
12. Fridman M. F. Strategicheskoe myshlenie data-menedzherov v obrazovanii // Vestnik Samarskogo universiteta. - 2019. - № 4. - S . 105-121.
13 . GiglavyiA.V., Vikhrev V. V., ZavrievN. K. Protsessy tsifrovoi transformatsii v rossiiskikh shkolakh: arkhitekturnye i statisticheskie aspekty // Krasnoyarskii pedagogicheskii zhurnal . - 2020. - № 3 . - S . 112-124.
14. Uvarov A. Yu., Vikhrev V. V., Vodop'yan G. M. Shkoly v razvivayushcheisya tsifrovoi srede: tsifrovoe obnovlenie i ego zrelost' // Informatika i obrazovanie. -2021. - № 6 . - S . 89-102.
15 . Blinov V. I., Sergeev I. S., Esenina E. Yu. Pedagogicheskaya kontseptsiya
tsifrovogo professional'nogo obrazovaniya i obucheniya: monografiya/ V . I . Blinov, I . S . Sergeev, E. Yu Esenina; pod nauch . red. V . I . Blinova . - M .: Izdatel'skii dom «Delo» RANKhiGS, 2020. - 112 c . - ISBN 978-5-85006240-8
16 Fiofanova O. A Razvitie u pedagogov kompetentsii analiza obrazovatel'nykh dannykh: metodologiya i organizatsionnye formy // Kazanskii pedagogicheskii zhurnal - 2020 - № 3 - S 125-147
17. KovalevE. E. Sistemnaya model' i instrumenty modernizatsii federal'nykh i regional'nykh tsifrovykh servisov statistiki i analitiki dannykh v obrazovanii // Vestnik moskovskogo gorodskogo pedagogicheskogo universiteta . - 2021. -№ 2. - S . 89-108.
18. Dudyrev F. F. Simulyatory i trenazhery v professional'nom obrazovanii: pedagogicheskie i tekhnologicheskie aspekty // Voprosy obrazovaniya . -2020. - № 3 . - C . 43-62.
19 . Nadeeva M. I Mesto i rol' tsifrovykh tekhnologii v sovremennom obrazovanii // Kazanskii pedagogicheskii zhurnal - 2019 - № 5 - S 255-276
20. Petrova N. P. Tsifrovizatsiya i tsifrovye tekhnologii v obrazovanii // Mir nauki, kul'tury, obrazovaniya . - 2019 . - № 5 (78). - S . 353-355.
21. «VKontakte. Reklamnyi kabinet» - URL: https://vk.com/faq11844?union_ id=1606828079 (data obrashcheniya: 23.12.2022). - Rezhim dostupa: sait «Vkontakte» . - Tekst: elektronnyi .
22. Osipova N.O. Strukturno semioticheskii podkhod kak aspekt metodologii gumanitarnogo znaniya//Kul'turologicheskii zhurnal - 2021 - № 4 -S . 100-116 .
About The Author
Malakhov Vladislav V. - Postgraduate student at the Institute for the
Development of Pedagogical Education of Tomsk State Pedagogical University,
Tomsk, Russia. E-mail: malakhov14@yandex.ru
