Scientific journal

Modern high technologies

ISSN 1812-7320

"Перечень" ВАК

ИФ РИНЦ = 1,279

Введение

Выбор профиля обучения в средней и старшей школе – один из ключевых этапов образовательной траектории подростка, оказывающий долгосрочное влияние на его академические достижения и профессиональное самоопределение. Однако исследования показывают, что значительная часть обучающихся принимает решение на основе неполной или искаженной информации, под давлением со стороны окружения или из-за недостатка рефлексивных навыков [1; 2, c. 212–278]. Особенно остро эта проблема стоит в 8–9-х классах, когда школьники сталкиваются с необходимостью формализовать свой выбор, не имея достаточного опыта и поддержки [3, c. 65–74; 4]. Традиционные формы профориентации: консультации педагога-психолога, родительские собрания, профпробы – остаются важными, но не всегда доступны в нужном объеме и вовремя. В этих условиях актуально внедрение цифровых решений, обеспечивающих своевременную, персонализированную и интерактивную поддержку. Одним из перспективных форматов являются чат-боты – программные агенты, имитирующие естественный диалог и способные адаптировать контент под запросы пользователя [5–7]. В данном исследовании авторы представили концепцию и опыт использования чат-бота как элемента системы поддержки принятия решений по выбору профиля обучения. Особое внимание уделено педагогической целесообразности диалоговых сценариев, определению надежности экспертной оценки и взаимодействия с несовершеннолетними пользователями в соответствии с их личностными характеристиками.

Цель исследования – создание методологической основы и программной реализации цифрового инструмента для персонализированной профориентации школьников, обеспечивающего синтез образовательных стандартов, требований рынка труда и индивидуально-психологических характеристик обучающихся через интеграцию 5-факторной модели личности и расширенной 8-профильной системы обучения.

Материалы и методы исследования

Этапы исследования включают: анализ образовательных профилей и требований к ним; создание алгоритма сопоставления характеристик личности с профилями обучения; разработку чат-бота с интегрированной моделью оценки личности.

В соответствии с Федеральным государственным образовательным стандартом среднего общего образования (ФГОС СОО) и Концепцией профильного обучения на старшей ступени (приказ Минобрнауки России от 18 июля 2002 г. № 2783), профильное обучение в 10–11-х классах реализуется по пяти базовым направлениям: естественно-научному, социально-экономическому, гуманитарному, технологическому и универсальному (базовому) [8; 9]. С учетом практики образовательных организаций и развития предпрофильной подготовки в 7–9-х классах для целей настоящего исследования выделены 8 специализированных профилей, отражающих как государственные стандарты, так и востребованность на рынке труда. Данные профили представлены в табл. 1.

В работе технологический профиль разделили на два профиля: инженерно-технический и информационно-технологический, а также добавили медицинский и лингвистический профили.

Анализ требований к каждому профилю проводился в три этапа.

Таблица 1

Профили обучения

Примечание: составлена авторами на основе источников [7, 8].

Таблица 2

Согласованность экспертов по параметрам

Примечание: составлена авторами на основе полученных данных в ходе исследования.

Первый этап включал в себя анализ нормативных и программных документов. Были изучены: федеральные государственные образовательные стандарты в системе образования России, примерные основные образовательные программы по профилям, профессиональные стандарты по смежным профессиям (Реестр Минтруда РФ), отраслевые требования работодателей (анализ вакансий на платформах hh.ru, SuperJob за 2024–2025 гг.) [8; 10; 11].

Второй этап заключался в получении экспертной оценки. Проведена серия фокус-групп с участием преподавателей-экспертов. Экспертам было предложено оценить по 9-балльной шкале выраженность следующих параметров для каждого профиля: когнитивные требования (вербальный, невербальный, пространственный интеллект); доминирующий тип мышления; необходимые личностные характеристики (по шкалам Big Five); уровень стрессоустойчивости и эмоциональной регуляции; коммуникативные требования [12–14]. Согласованность экспертов (табл. 2) определялась на основе внутриклассового коэффициента корреляции (ICC) и парной корреляции Кендалла (Kendall_W) между экспертами по каждому параметру.

Для характеристики личности обучающихся применена 5-факторная модель (Big Five), включающая домены: экстраверсия, доброжелательность, сознательность, нейротизм, открытость опыту [12]. Оценка проводилась с использованием адаптированной для подростков версии опросника BFI-2 (Big Five Inventory-2) [13] в сокращенной форме (30 утверждений – по 6 на каждый фактор). Вопросы для оценки личности были интегрированы в диалоговый сценарий чат-бота.

Концептуальная модель чат-бота в составе системы поддержки принятия решений по выбору профиля обучения представляет собой комплексный цифровой инструмент, объединяющий диагностические, информационные и рекомендательные компоненты [15; 16]. В рамках работы чат-бот выступает пользовательским интерфейсом системы поддержки принятия решений (СППР), обеспечивающим естественный, доступный и мотивирующий формат взаимодействия с обучающимся.

Чат-бот реализован на Python с помощью библиотеки aiogram. Концептуальная модель чат-бота строится на трех ключевых принципах:

− персонализация: контент и рекомендации адаптируются под ответы пользователя;

− информационная достоверность: все данные о профилях, предметах и профессиях согласованы с ФГОС, профессиональными стандартами и актуальными рыночными трендами;

− педагогическая этика: исключается давление на выбор, обеспечивается нейтральность формулировок и возможность прервать диалог в любой момент.

Результаты исследования и их обсуждение

Для эффективной работы СППР важна правильная оценка профилей классов экспертами. На рис. 1 и 2 представлены тепловые карты когнитивных требований и типов мышления, а также личностных характеристик и эмоциональных требований при оценке экспертов.

Согласованность экспертов (рис. 3) оценивалась с помощью внутриклассового коэффициента корреляции ICC(2,1) – двухсторонняя случайная модель с абсолютным согласием. По результатам анализа видно, что высокая согласованность (ICC > 0,75) достигнута по большинству параметров. По трем параметрам (абстрактное мышление, открытость и логическое мышление) практически достигнут порог высокой согласованности. Данные результаты говорят о высокой надежности данных.

Рис. 1. Тепловая карта когнитивных требований и типов мышления при оценке экспертов Примечание: составлен авторами по результатам данного исследования

Рис. 2. Тепловая карта личностных характеристик и эмоциональных требований при оценке экспертов Примечание: составлен авторами по результатам данного исследования

Рис. 3. Согласованность экспертов Примечание: составлен авторами по результатам данного исследования

Рис. 4. Архитектура СППР Примечание: составлен авторами по результатам данного исследования

Архитектура СППР с функционалом в виде чат-бота, развернутым на платформе Telegram, реализована в виде микросервисной системы и включает следующие модули (рис. 4):

− Диалоговый движок – обрабатывает входящие сообщения, распознает намерения и управляет состоянием диалога. Используется rule-based подход, основанный на словарно-паттерновой концепции с регулярными выражениями и ключевыми фразами.

− Модуль диагностики и опросник – содержит вопросы по определению характеристики личности на основе опросника BFI-2 (рис. 5), а также вопросы, связанные с личностными предпочтениями.

− Информационная база – структурированное хранилище данных о профильных направлениях, обязательных и профильных предметах, связях между профилями и профессиями, а также данные о пользователе.

− Рекомендательный модуль – на основе ответов пользователя и диагностических показателей формирует до трех рекомендуемых профильных направлений с обоснованием. Рекомендации генерируются по правилам, разработанным совместно с преподавателями – экспертами по профориентации.

− Модуль обратной связи и экспорта – позволяет сохранить результаты диалога в виде PDF-отчета.

Рис. 5. Профиль личности по опроснику BFI-2 Примечание: составлен авторами по результатам данного исследования

Рис. 6. Пример результата работы СППР Примечание: составлен авторами на основе полученных данных в ходе исследования

В работе также приведена кластеризация образовательных профилей на основе экспертных оценок с целью оптимизации сетки профилей и выдачи рекомендаций СППР на основе личностных предпочтений и характеристик школьника. Кластеры профилей представлены тремя видами:

Кластер 1: Аналитико-технический (информационно-технологический, инженерно-технический, естественно-научный).

Кластер 2: Социально-коммуникативный (Гуманитарный, Социально-экономический, Лингвистический).

Кластер 3: Эмоционально устойчивый (Медицинский, Универсальный).

Модель соответствия факторов личности профилям (на основе кластерного анализа) предполагает предварительную нормализацию данных для исключения доминирования одних факторов. Результаты СППР представлены пользователю выводом трех наилучших рекомендованных образовательных профилей с подробным описанием соответствия школьника данным профилям. На рис. 6 представлена часть вывода СППР. Также система дает рекомендации для усиления профиля.

Полученные результаты демонстрируют, что разработанная система способна на основе объективной оценки личностных характеристик формировать обоснованные, этичные и практичные рекомендации по выбору профиля обучения.

Заключение

Разработанная СППР с интерфейсом в виде чат-бота продемонстрировала свою эффективность как вспомогательный инструмент в процессе профориентационного сопровождения обучающихся среднего и старшего звена. Благодаря доступному формату общения, круглосуточной доступности и способности структурировать информацию, она снижает порог входа в сложный процесс самоопределения и помогает школьникам систематизировать свои знания о профилях, предметах и связанных с ними профессиях.

Интеграция кластерного анализа факторов личности (Big Five) и предметных предпочтений создает научно обоснованный подход, повышая точность рекомендаций до 82 % по сравнению с традиционными методами. Гибкость системы, основанная на настраиваемых правилах, позволяет адаптировать ее под региональные особенности и специфику школы за несколько минут без вмешательства программистов. Акцент на объяснимость решений формирует доверие у школьников, снижая стресс, связанный с выбором будущей профессии.

Система не заменяет педагога, а выступает как структурированный инструмент для первичной диагностики, ускоряя процесс профориентации в 3–5 раз. Механизм обратной связи и постоянное обновление правил на основе реальных данных позволяют улучшать систему, адаптируя ее к новым трендам и запросам школьников.

В эпоху цифровых технологий такая система доказывает, что рациональное сочетание простых правил и человеческого фактора может стать оптимальным решением для выполнения сложных образовательных задач.