Модернизация технологии оценки профессионализма и уровня компетенций педагогов на основе анализа результатов обучающихся
DOI: 10.23951/2307-6127-2023-1-18-32
Представлен анализ разработанных за последние три года подходов, технологий, моделей, связанных с оценкой профессионализма и уровня компетенций педагогов. Акцентировано внимание на исследованиях и разработках, в основу которых положена работа с большими данными, применение технических средств для автоматизации процесса оценки. Сформулирован подход к оценке профессиональных компетенций педагогов, основанный на анализе результатов их учеников. Описан третий этап технологии оценки профессионализма и уровня компетенций педагогов общего образования. Образовательные результаты обучающихся Томской области по национальному единому государственному экзамену были разделены на два массива (естественно-научное и гуманитарное направления), далее к ним применены три алгоритма кластеризации; валидность кластеров исследовалась коэффициентом силуэта и индексом Калински – Харабаса. Оценены метрики результатов алгоритмов и целесообразность их использования в рамках поставленной задачи.
Ключевые слова: оценка профессионализма педагога, компетенции педагога, кластеризация, результаты обучающихся, профессиональные дефициты педагога, data mining
Библиография:
1. Сагитов С. Т., Дорофеев А. В., Мустаев А. Ф., Калимуллина Г. И. Структурно-функциональная модель единого образовательного пространства развития профессиональных компетенций педагога // Педагогика и просвещение. 2022. № 1. С. 103–115.
2. Алтыникова Н. В., Дорофеев А. В., Музаев А. А., Сагитов С. Т. Управление качеством педагогического образования на основе диагностики профессиональных дефицитов учителя // Психологическая наука и образование. 2022. Т. 27, № 1.
3. Лескина И. Н. Модель организации управления эффективностью профессиональной деятельности педагога на основе работы с большими данными // Человек и образование. 2021. № 4 (69).
4. Пеша А. В., Шавровская М. Н., Николаева М. А. Ассессмент-центр компетенций онлайн: возможности и методология // Вестник ОмГУ. Серия: Экономика. 2021. № 2.
5. Мухамедьярова Н. А., Богачев А. Н. Формирование и оценка уровня сформированности метапредметных компетенций педагога // Вестник ЮУрГГПУ. 2021. № 3 (163).
6. Шарафутдинова Д. Р. Автоматизация процесса оценки профессиональных компетенций педагога по профессиональному стандарту // Вестник УГНТУ. Наука, образование, экономика. Серия: Экономика. 2020. № 1 (31).
7. Арстангалеева Г. Ф., Тезина М. Н., Слободчикова С. М. Оценка сформированности цифровых компетенций педагогических работников // Отечественная и зарубежная педагогика. 2022. Т. 1, № 3 (84). С. 140–155.
8. Гаркавая Д. И., Жилякова М. Н. Автоматизированное тестирование компетенций педагогов в рамках внутренней системы оценки качества образования дополнительного профессионального образования // Вестник Белгородского ин-та развития образования. 2020. Т. 7, № 3 (17). С. 131–145.
9. Заир-Бек С. И., Анчиков К. М. Школьные учителя в изменяющихся условиях: адаптивность и готовность к инновациям: информационный бюллетень. М.: НИУ ВШЭ, 2022. 44 с.
10. Темняткина О. В., Токменинова Д. В. Модели оценки эффективности работы педагогов, используемые в зарубежных странах // Перспективы науки и образования. 2019. № 3 (39). С. 489–499.
11. Резильентность. Оценка по модели PISA-2020 // Федеральный институт оценки качества образования. URL: https://fioco.ru/Media/Default/Documents/Резильентность%202020.pdf (дата обращения: 30.08.2021).
12. Мозгова Д. А., Замятина О. М., Семенова Н. А., Куровская Л. В. Диагностика профессиональных дефицитов и компетенции педагогов общего образования: кластерный анализ // Вестник Томского гос. ун-та. 2021. № 472. С. 189–196.
13. Шамрик Д. Л. Базовые методы восстановления пропусков в массивах данных // Информационные технологии в науке и производстве: материалы V Всерос. молодежной научно-техн. конф. 2018. С. 73– 83.
14. Ким Дж.-О., Мьюллер Ч. У., Клекка У. Р. Факторный, дискриминантный и кластерный анализ / пер. с англ.; под ред. И. С. Енюкова. М.: Финансы и статистика, 1989. 215 с.
15. Пестунов И. А., Рылов С. А., Бериков В. Б. Иерархические алгоритмы кластеризации для сегментации мультиспектральных изображений // Автометрия. 2015. Т. 51, № 4. С. 12–22.
16. Кокорева Я. В., Макаров А. А. Поэтапный процесс кластерного анализа данных на основе алгоритма кластеризации k-means // Молодой ученый. 2015. № 13 (93). С. 126–128. URL: https://moluch.ru/archive/93/20759/ (дата обращения: 06.09.2021).
17. Герасименко Е. М. Интеллектуальный анализ данных. Алгоритмы Data Mining: учеб. пособие. Ростов-на-Дону; Таганрог: Изд-во Южного федерального ун-та, 2017.
18. Ulrike von Luxburg A Tutorial on Spectral Clustering // Statistics and Computing. 2007. № 17 (4).
19. Шитиков В. К., Мастицкий С. Э. Классификация, регрессия, алгоритмы Data Mining с использованием R. 2017. URL: https://github.com/ranalytics/data-mining. (дата обращения: 30.08.2021).
20. Calinski R. B., Harabasz J. A dendrite method for cluster analysis // Communications in Statistics. 1974. № 3. Р. 1–27.
21. Etienne Becht, Charles-Antoine Dutertre, Immanuel W.H. Kwok, Lai Guan Ng, Florent Ginhoux, Evan W. Newell. Evaluation of UMAP as an alternative to t-SNE for single-cell data // bioRxiv. 2018.
( 1.79 MB ) 
( 1.53 MB )
Выпуск: 1, 2023
Серия выпуска: Выпуск № 1
Рубрика: ПРОФЕССИОНАЛЬНОЕ РАЗВИТИЕ ПЕДАГОГОВ
Страницы: 18 — 32
Скачиваний: 492