Разрыв между тем, чему учат в вузе, и тем, что ждет от выпускника работодатель, с переходом образования в цифровую среду становится все заметнее. По оценкам World Economic Forum, к 2030 году обновится около 39 % ключевых навыков, поэтому задача своевременного выявления у студентов пробелов в компетенциях приобретает особое значение. Имеющиеся решения в области индивидуализации образовательных маршрутов, как правило, работают на уровне отдельных дисциплин и не позволяют системно сопоставить то, что студентом уже освоено, с тем, что требуется для конкретной профессии, особенно с учетом иерархии связей между навыками. Настоящее исследование посвящено разработке метода, который объединяет разнородные сведения из цифрового профиля обучающегося и формирует рекомендации, ориентированные на выбранную профессиональную роль. В рамках работы предложено: строить компетентностную модель в виде иерархии с тремя уровнями освоения (базовый, средний, продвинутый); собирать оценки по компетенциям из нескольких источников, ослабляя влияние устаревших данных по экспоненциальному закону; проводить многоуровневый gap-анализ, позволяющий количественно оценить дефицит относительно требований роли; применять гибридный алгоритм рекомендаций, в котором контентная и коллаборативная фильтрация дополняются функцией совместимости уровней. Проверка метода выполнена на модельной выборке – 100 профилей студентов, 25 компетенций, 60 учебных активностей и 5 профессиональных ролей IT-отрасли. Полученные показатели подтверждают работоспособность подхода: покрытие дефицитных компетенций (Coverage@5) достигает 0,81, расчетное сокращение суммарного дефицита составляет 46 %, а средний индекс готовности поднимается с 51 % до 76 %. По сравнению с базовыми стратегиями метод демонстрирует статистически значимое преимущество (p < 0,001). Переход от бинарной к трехуровневой шкале освоения дает прирост Coverage на 12 процентных пунктов.
As education shifts into the digital environment, the gap between what graduates actually know and what the labor market expects from them keeps widening. According to estimates by the World Economic Forum, about 39% of core skills will need to be updated by 2030, which makes the timely identification of competency gaps among students particularly important. Most existing approaches to the personalization of learning pathways operate at the level of individual disciplines and do not offer a systematic comparison between the competencies a student has already acquired and those required by a particular professional role, especially when the hierarchical relations between skills are taken into account. The present study develops a method that brings together heterogeneous data from a student’s digital profile and produces recommendations aligned with a selected target role. The proposed approach combines: a hierarchical competency model with a three-level proficiency scale (basic, intermediate, advanced); an aggregation mechanism that merges information from several sources while damping outdated records by an exponential rule; a multi-level gap analysis that provides a quantitative estimate of the deficit relative to role requirements; and (iv) a hybrid recommendation algorithm in which content-based and collaborative filtering are combined with a level-compatibility function. The method was tested on a synthetic dataset consisting of 100 student profiles, 25 competencies, 60 educational activities and 5 professional IT roles. The results confirm the viability of the approach: coverage of deficient competencies (Coverage@5) reaches 0.81, the estimated reduction in the aggregate gap is 46 %, and the average readiness index rises from 51 % to 76 %. The comparison with baseline strategies shows a statistically significant advantage of the proposed method (p < 0.001). Moving from a binary to a three-level proficiency scale increases Coverage by 12 percentage points.
The authors declare that there are no conflicts of interest present.