Методика оценки соответствия содержания образовательных программ требованиям рынка труда

В статье представлена методика оценки соответствия содержания образовательных программ требованиям рынка труда с использованием инструментов интеллектуального анализа текстов. Рассматривается проблема несоответствия формируемых в вузах компетенций и актуальных потребностей работодателей, особенно в условиях стремительной цифровизации и трансформации экономики. В работе обоснована необходимость перехода от ручных экспертных процедур к автоматизированному мониторингу на основе моделей обработки естественного языка и онтологического моделирования. Предлагаемая система поддержки принятия решений интегрирует модель RuBERT, онтологию ESCO и метрику RCA, позволяя выявлять разрывы между программами и вакансиями, визуализировать данные и формировать рекомендации для корректировки учебных планов. Представлен практический кейс применения методики на примере программы подготовки в области информационной безопасности. Результаты демонстрируют высокую точность выявления несоответствий и подтверждают потенциал использования системы в рамках проектирования и адаптации образовательных программ. Научная новизна заключается в комплексном подходе к анализу компетенций, сочетающем лингвистические и онтологические методы с экономическими метриками. Методика может быть масштабирована на иные отрасли и уровни образования.

1. Розенберг В.Я. Система обучения на базе семантических сетей: теория и практика. Фундаментальные и прикладные исследования в современном мире. 2013;(1):184–191.

2. Шваб К., Дэвис Н. Технологии Четвёртой промышленной революции. Москва: Издательство Эксмо; 2018. 320 с.

3. Бабич Н.С., Иващенкова Н.В. Компетенции в высшем образовании и на рынке труда: социокогнитивный анализ проблемы интеграции. Интеграция образования. 2024;28(1):68–80. https://doi.org/10.15507/1991-9468.114.028.202401.068-080

4. Devlin Ja., Chang M.-W., Lee K., Toutanova K. BERT: Pre-Training of Deep Bidirectional Transformers for Language Understanding. arXiv. URL: https://arxiv.org/abs/1810.04805 [Accessed 10th August 2025].

5. Кожевников И.С., Дубровский В.Ф. Сравнительный анализ эффективности моделей обработки естественного языка для адаптации образовательных программ к требованиям рынка труда. Автоматизация в промышленности. 2025;(4):55–60.

6. Xun L.Sh., Gottipati S., Shankararaman V. Text-Mining Approach for Verifying Alignment of Information Systems Curriculum with Industry Skills. In: 2015 International Conference on Information Technology Based Higher Education and Training (ITHET), 11–13 June 2015, Lisbon, Portugal. IEEE; 2015. P. 1–6. https://doi.org/10.1109/ITHET.2015.7217959

7. Kawintiranon K., Vateekul P., Suchato A., Punyabukkana P. Understanding Knowledge Areas in Curriculum Through Text Mining from Course Materials. In: 2016 IEEE International Conference on Teaching, Assessment, and Learning for Engineering (TALE), 07–09 December 2016, Bangkok, Thailand. IEEE; 2017. P. 161–168. https://doi.org/10.1109/TALE.2016.7851788

8. Николаев И.Е. Интеллектуальный метод формирования списка требований профиля должности на основе нейросетевых моделей языка с использованием таксономии ESCO и корпуса онлайн-вакансий. Бизнес-информатика. 2023;17(2):71–84.

9. Буйневич М.В., Матвеев А.В., Смирнов А.С. Актуальные проблемы подготовки специалистов в области информационной безопасности МЧС России и конструктивные подходы к их решению. Вестник Санкт-Петербургского университета государственной противопожарной службы МЧС России. 2022;(3):1–17.

10. Дмитриев Я.В., Алябин И.А., Бровко Е.И., Двинина С.Ю., Демьянова О.В. Развитие цифровых навыков у студентов вузов: де-юре vs де-факто. Университетское управление: практика и анализ. 2021;25(2):59–79. https://doi.org/10.15826/umpa.2021.02.015