РАЗРАБОТКА МЕТОДА ФОРМИРОВАНИЯ АДАПТИВНЫХ ОБРАЗОВАТЕЛЬНЫХ ТРАЕКТОРИЙ ДЛЯ ИТ-СПЕЦИАЛИСТОВ ПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ НА ОСНОВЕ АНАЛИЗА ВАКАНСИЙ И ДЕНОТАТИВНОГО МОДЕЛИРОВАНИЯ

​АННОТАЦИЯ

В статье предложен новый метод автоматизированного формирования адаптивных образовательных траекторий для ИТ-специалистов промышленных предприятий, основанный на анализе слабоструктурированных данных вакансий с применением обработки естественного языка (NLP) и денотативного моделирования. Разработана формальная модель требований работодателя на основе нечётких множеств ключевых компетенций, а также метод построения взвешенного денотативного графа, отражающего семантические связи между понятиями предметной области. Научная новизна заключается в интеграции NLP, нечёткой логики и графовых моделей для динамического выявления актуальных компетенций и генерации структурированных рекомендаций по обновлению учебных программ. Апробация метода на реальных данных (корпус 520 000 вакансий) и его внедрение в образовательный процесс ПНИПУ позволили выявить 37 новых востребованных компетенций, интегрировать их в учебные планы и повысить соответствие выпускников требованиям регионального рынка труда на 25–40%. Результаты подтверждают эффективность предложенного подхода для сокращения кадрового разрыва в высокотехнологичных отраслях промышленности.

Ключевые слова: адаптивные образовательные траектории, анализ вакансий, денотативный граф, нечёткие множества, обработка естественного языка, ИТ-кадры, промышленное предприятие.

1. ВВЕДЕНИЕ

Динамика цифровизации промышленности и реализация национальной программы «Цифровая экономика Российской Федерации» [5] обострили проблему дефицита квалифицированных ИТ-специалистов, чьи компетенции зачастую не соответствуют реальным требованиям предприятий [13]. Традиционные механизмы актуализации образовательных программ, основанные на экспертных опросах или анализе нормативных документов (ФГОС, профстандарты) [9, 10], обладают низкой гибкостью и не успевают за быстро меняющимся технологическим стеком [6].

В то же время, основной источник актуальной информации о требованиях рынка — тексты вакансий на агрегаторах — остаётся слабоструктурированным и труднообрабатываемым вручную из-за больших объёмов и постоянной изменчивости [7]. Существующие методы анализа вакансий часто ограничиваются частотным анализом ключевых слов и не позволяют выявлять глубинные семантические связи между компетенциями [1, 2].

Цель исследования — разработка метода автоматизированного формирования адаптивных образовательных траекторий для ИТ-специалистов на основе интеграции анализа вакансий, нечётких множеств и денотативных графов, обеспечивающего динамическое соответствие учебных программ потребностям промышленных предприятий.

Научная новизна заключается в:

Предложении формальной модели требований работодателя на основе нечётких множеств [3], учитывающей не только наличие, но и степень важности компетенций.

Разработке метода построения взвешенного денотативного графа, отражающего семантические и логические связи между компетенциями, что позволяет выявлять скрытые, фундаментальные знания [15].

Создании алгоритма интеллектуального обогащения модели компетенций за счёт внешних источников (образовательные стандарты, онлайн-курсы) и генерации структурированных рекомендаций для учебных программ.

2. МЕТОДОЛОГИЯ

2.1.  Общая схема метода

Метод реализует конвейер обработки данных, состоящий из пяти этапов:

- Сбор данных: автоматический парсинг вакансий для ИТ-специалистов с региональных агрегаторов.

- Предобработка и векторизация: очистка текста, лемматизация с использованием доменного словаря ИТ-терминов, извлечение ключевых сущностей (технологии, языки программирования) и их векторизация с помощью модифицированной метрики TF-IDF [12].

- Построение модели требований работодателя (модель соискателя): кластерный анализ вакансий для выявления профессиональных направлений; для каждого кластера строится модель на основе нечётких множеств, где каждой компетенции присваивается вес принадлежности  [3].

- Построение онтологии предметной области (модель выпускника): обогащение выявленных компетенций за счёт внешних источников и построение взвешенного ориентированного денотативного графа , отражающего связи типа «является частью», «требует предварительного знания» [11, 14].

- Формирование рекомендаций: генерация линейно упорядоченного списка понятий для изучения на основе графа модели выпускника и весов из модели соискателя.

2.2.  Формальная постановка задачи

Задача оптимизации формулируется как максимизация сходства между моделью соискателя  и моделью выпускника  :

                                                              ₍₁₎

Сходство рассчитывается как мера покрытия ключевых понятий модели соискателя понятиями модели выпускника. Пусть  — множество ключевых понятий модели соискателя,  — множество понятий модели выпускника . Тогда:

                                     ₍₂₎

где , если , иначе 0.

Модель профессионального направления в модели соискателя описывается нечётким множеством:

                                         ₍₃₎

где  — функция принадлежности понятия  к направлению  рассчитываемая на основе его частоты в вакансиях кластера [3, 12].

3. РЕАЛИЗАЦИЯ И АПРОБАЦИЯ

3.1.  Экспериментальная апробация

Апробация метода проводилась совместно с АО «Сарапульский электрогенераторный завод» и кафедрой информационных технологий ПНИПУ. На основе корпуса из 520 000 вакансий по ИТ-специальностям за 33 месяца была построена региональная модель, выделившая 12 профессиональных направлений и 127 уникальных ключевых компетенций.

Для направления «Java-разработчик» алгоритм сформировал обогащённую модель, включившую 129 понятий и 493 смысловые связи между ними. В результате были выявлены 37 новых ключевых компетенций (таких как «Apache Kafka», «Spring Boot», «Docker»), ранее слабо отражённых в учебных планах, но востребованных региональными работодателями.

3.2.  Оценка эффективности

Внедрение скорректированных учебных программ и проведение интенсивных курсов для студентов показали:

- рост уровня владения актуальным технологическим стеком на 60%;

- повышение общего соответствия выпускников требованиям работодателей на 25–40% по оценкам экспертов предприятий-партнёров.

Данные результаты подтверждают, что предложенный метод позволяет не только выявлять актуальные компетенции, но и эффективно интегрировать их в образовательный процесс, сокращая разрыв между вузовской подготовкой и запросами индустрии.

3.3. Сравнение с существующими подходами

В отличие от традиционных методов, основанных на экспертных опросах [6] или частотном анализе [2], предложенный подход обеспечивает:

- динамичность за счёт автоматического мониторинга вакансий;

- глубину анализа благодаря использованию денотативных графов;

- формальную обоснованность рекомендаций на основе нечётких множеств и меры сходства моделей.

4. ЗАКЛЮЧЕНИЕ

Разработанный метод формирования адаптивных образовательных траекторий на основе анализа вакансий и денотативного моделирования позволяет динамично синхронизировать содержание учебных программ с реальными требованиями промышленных предприятий. Научная новизна метода подтверждена формальными моделями и алгоритмами, а практическая эффективность — результатами апробации, показавшими значительное повышение соответствия компетенций выпускников запросам рынка труда.

Перспективными направлениями дальнейших исследований являются:

- интеграция метода с системами управления обучением (LMS) для персонализации траекторий;

- применение глубокого обучения для более точного извлечения и классификации компетенций;

- расширение подхода на другие высокотехнологичные отрасли.

Список литературы:

1. Яруллин Д.В., Файзрахманов Р.А. Интеллектуальная система управления подготовкой ИТ-специалистов на основе денотативной аналитики // Прикладная математика и вопросы управления. 2022. № 3. С. 141–164.
2. Yarullin D.V., Faizrakhmanov R.A., Fominykh P.Y. A Web-Data Driven HR Decision Support System Based on the IT Specialist Vector Model // Proceedings of 2021 24th International Conference on Soft Computing and Measurements (SCM). 2021. P. 225–228.
3. Zadeh L.A. Fuzzy sets // Information and Control. 1965. Vol. 8, no. 3. P. 338–353.
4. Jurafsky D., Martin J.H. Speech and Language Processing. 3rd ed. 2020.
5. Национальная программа «Цифровая экономика Российской Федерации». Утверждена президиумом Совета при Президенте РФ по стратегическому развитию и национальным проектам, протокол №16 от 24 декабря 2018 г.
6. Подвесовский А.Г., Бурцева Е.Т. Моделирование компетенций ИТ-специалиста на основе анализа рынка труда // Информационные технологии. 2020. Т. 26. № 5. С. 290–298.
7. Feldman R., Sanger J. The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge Univ. Press, 2007.
8. Cormen T.H. et al. Introduction to Algorithms. 3rd ed. MIT Press, 2009.
9. Профессиональный стандарт «Специалист по информационным системам». Приказ Минтруда России № 866н от 05.12.2016.
10. ФГОС ВО по направлению 09.04.04 «Программная инженерия» (магистратура). Утв. приказом Минобрнауки России.
11. Newman M.E.J. Networks. 2nd ed. Oxford Univ. Press, 2018.
12. Pedregosa F. et al. Scikit-learn: Machine Learning in Python // JMLR. 2011. Vol. 12. P. 2825–2830.
13. Тамбовцев В.Л. Оценка потребности в кадрах для цифровой экономики // Вопросы экономики. 2019. № 5. С. 5–23.
14. Borgatti S.P. et al. Network analysis in the social sciences // Science. 2009. Vol. 323, no. 5916. P. 892–895.
15. Клесов А.А., Ландэ Д.В. Поиск знаний в Internet. М.: ДМК Пресс, 2017.