Обучение сквозным технологиям в российских университетах: масштаб и особенности управления

Статья посвящена рассмотрению вопросов управления обучением сквозным технологиям, в частности аналитике больших данных и искусственному интеллекту, в российских университетах. В статье приведены статистические данные по масштабу реализации программ обучения большим данным и искусственному интеллекту в российских вузах. Авторы обращают внимание, что для обработки существенного объема информации были использованы алгоритмы работы с большими данными, такие как Google Chrome-расширения для экстракции данных с веб-страниц Instant data scraper и Table Capture. По результатам исследования были выявлены и проанализированы ключевые особенности управления разработкой и реализацией программ обучения большим данным и искусственному интеллекту в топ-15 университетах страны. Отмечается то, что большинство программ разработано «на стыке» учебных дисциплин и направлено на подготовку универсальных специалистов, что диктует интеграцию факультетов вузов при их создании и тесное взаимодействие с представителями профессионального сообщества. Приводятся суждения о том, что наиболее плотной интеграцией университетов и бизнеса является автоматическое трудоустройство студентов в период обучения. Выявляется, что управление разработкой программ обучения большим данным и искусственному интеллекту предполагает коллаборации с EdTech-площадками и реализацию программ в дистанционной форме, объединяющей в себе преимущества классической университетской программы и удобство онлайн-обучения, в частности коммуникативный комфорт. Исследование показало, что управление обучением предполагает также развитие «мягких» навыков у специалистов в сфере аналитики данных и искусственного интеллекта.

1. Атлас профессий будущего / Н. Ю. Анисимов, Л. М. Гохберг, Г. О. Греф, Н. В. Дудина, С. В. Черногорцева, Н. А. Шматко [и др.]; Нац. исслед. ун-т «Высшая школа экономики»; ПАО «Сбербанк». – М.: НИУ ВШЭ, 2021. Вып. 2. – 240 с.

2. Рубин Ю. Б. Конкуренция в российском образовании: теория и противоречивые реалии // Университетское управление: практика и анализ. 2017. Т. 21. № 5 (111). С. 17–30. DOI: 10.15826/umpa.2017.05.058.

3. Васильев А. И. Качество образования и конкурентоспособность вуза: аспекты взаимосвязи // Высшее образование в России. 2019. Т. 28. № 4. С. 37–43. DOI: 10.31992/0869-3617-2019-28-4-37-43.

4. Коваленко А. И. Теоретические и методологические аспекты использования концепции «конкурентоспособности» в научных исследованиях // Современная конкуренция. 2013. № 6 (42). С. 65–79.

5. Алавердов А. Р., Ягодкина И. А. Компетентностный подход к организации образовательного процесса как конкурентное преимущество вуза // Современная конкуренция. 2013. № 2 (38). С. 69–76.

6. Ульянова М. Е. Факторы повышения конкурентоспособности вузов: международный контекст // Мир новой экономики. 2018. Т. 12. № 2. С. 72–77. DOI: 10.26794/2220-6469-2018-12-2-72-77.

7. Ендовицкий Д. А., Коротких В. В., Воронова М. В. Конкурентоспособность российских университетов в глобальной системе высшего образования: количественный анализ // Высшее образование в России. 2020. Т. 29. № 2. С. 9–26. DOI: 10.31992/0869-3617-2020-29-2-9-26.

8. Васильев А. И. Конкурентоспособность вуза в свете теории конкуренции и норм российского законодательства // Современная конкуренция. 2017. Т. 11. № 6 (66). С. 122–134.

9. Коваленко А. И. Ценностный подход к онлайн-обучению предпринимательству по программам колледжа и бакалавриата в России // Современная конкуренция. 2021. Т. 15. № 1 (81). С. 108–115. DOI: 10.37791/2687-0657-2021-15-1-108-115.

10. Чоросова О. М., Алексеева А. З. Актуальные вопросы развития электронного (дистанционного) обучения в ДПО СВФУ в условиях цифровизации // Вестник СВФУ. 2019. № 2 (14). С. 19–26.

11. Никольский В. С., Лукашенко М. А., Шарова Е. А. Современный мировой ландшафт онлайн-обучения наукам о данных // Высшее образование в России. 2022. Т. 31. №. 4. С. 148–166. DOI: 10.31992/0869-3617-2022-31-4-148-166.

12. Schwab-McCoy A., Baker C., Gasper R. Data Science in 2020: Computing, Curricula, and Challenges for the Next 10 Years // Journal of Statistics and Data Science Education. 2021. Vol. 29. Sup. 1. P. S40–S50. DOI: 10.1080/10691898.2020.1851159.

13. Irizarry R. A. The role of academia in data science education // Harvard Data Science Review. 2020. No. 2 (1). P. 1–8. DOI: 10.1162/99608f92.dd363929.

14. Demchenko Y., Belloum A., Wiktorski T. Edison Data Science Framework: Part 1. Data Science Competence Framework. 2017. URL: http://edison-project.eu/data-science-competence-framework-cf-ds (дата обращения: 06.02.2023). DOI:10.5281/zenodo.167585.

15. Топ-100 вузов России. Выпуск 2022 года // RAEX Rating Review. URL: https://raex-rr.com/education/universities/rating_of_universities_of_russia (дата обращения: 06.02.2023).

16. Декан факультета МО А. А. Сушенцов – о новой программе «Большие данные и моделирование международных отношений» // МГИМО: официальный сайт. 07.07.2022. URL: https://mgimo.ru/about/news/main/mo-big-data-2022/ (дата обращения: 06.02.2023).

17. Лукашенко М. А. Селф-менеджмент студента как основа результативности е-learning // Высшее образование в России. 2021. Т. 30. № 2. С. 61–70. DOI:10.31992/0869-3617-2021-30-2-61-70.

18. Гребнев Л. С., Кирабаев Н. С., Шейнбаум В. С., Зборовский Г. Е., Лукашенко М. А. «Высшее образование в России»: 30 лет научной рефлексии (круглый стол) // Высшее образование в России. 2022. Т. 31. № 12. С. 150–166. DOI: 10.31992/0869-3617-2022-31-12-150-166