Возможности новой содержательно-методической линии «Анализ больших данных» для модернизации системы профессиональной подготовки будущего экономиста

Цель исследования заключается в применении теории педагогических технологий для раскрытия возможностей новой содержательно-методической линии «Анализ больших данных» в аспекте модернизации системы профессиональной подготовки будущего экономиста.

Материалы и методы. В процессе исследования использованы теоретические и эмпирические методы исследования, в частности теоретический анализ приёмов структурирования содержания образования и управления учебно-познавательной деятельностью студентов высшей школы на основе технологического целеполагания и выделения последовательности задач, по содержанию и методам решения приближенных к будущей профессиональной деятельности выпускников; изучение продуктов педагогической деятельности преподавателей высшей школы и опытно-экспериментальная работа, включающая метод педагогического эксперимента.

Результаты. В рамках данной статьи обоснована необходимость модернизации системы профессиональной подготовки будущего экономиста в условиях развития науки о данных посредством выделения и реализации новой содержательно-методической линии «Анализ больших данных». Указывается на востребованность  приёмов  педагогического  проектирования и теории педагогических технологий для методически целесообразного включения элементов теории больших данных в практику профессиональной подготовки будущих бакалавров экономики. При этом уделяется внимание как  содержанию уже разработанных учебных дисциплин «Теория вероятностей и математическая статистика», «Теория принятия решений», «Системный анализ в экономике», «Инструментальные методы в экономике», так и постановке новых профессионально значимых учебных дисциплин, связанных с количественным обоснованием принимаемых решений. Представлены и методически охарактеризованы составляющие содержательно-методической линии «Анализ больших данных»: во-первых, последовательность шести микроцелей, позволяющих задать реализацию данной содержательно-методической линии на языке учебно-познавательной деятельности будущего бакалавра экономики и учитывающую возможности новых цифровых инструментальных средств, поддерживающих модели анализа больших данных; во-вторых, система пяти дидактических модулей, которые могут быть использованы для формирования индивидуальных образовательных траекторий студентов экономического бакалавриата. Выделены шесть типов прикладных задач, имеющих принципиально важное значение для реализации данной содержательно-методической линии. К таким задачам отнесены следующие: «Прикладная задача на анализ больших данных на платформе RapidMiner»; «Прикладная задача кластеризации данных»; «Прикладная задача на мягкую и жесткую кластеризацию»; «Прикладная задача на классификацию»; «Прикладная задача на применение методов поиска ассоциативных правил»; «Прикладная задача на интеллектуальный анализ текста».

Заключение. Предлагаемый авторами подход к структурированию содержания профессиональной подготовки будущего бакалавра экономики позволяет выдержать баланс четверых образовательных компонентов  содержательно-методической линии «Анализ больших данных»: опыта познавательной и творческой деятельности, опыта осуществления типовых способов деятельности и эмоционально-ценностных отношений (идеалы предпринимательства, ценностные ориентации и мотивы хозяйственно-экономической деятельности и др.) Материал статьи может быть полезен преподавателям высшей экономической школы, а также всем, кто интересуется современными методическими подходами к структурированию содержания обучения и достижениями науки о данных.

1. Бодряков В.Ю., Быков А.А. Методические подходы к обучению студентов направления «Прикладная математика и информатика» основам интеллектуальной обработки больших данных // Педагогическое образование в России. 2016. № 7. С. 145–152.

2. Брызгалов А.А., Ярошенко Е.В. Применение методов Data Mining при проектировании и создании новой продукции и услуг // Открытое образование. 2020. Т. 24. № 6. С. 14–21.

3. Власов Д.А. Особенности целеполагания при проектировании системы обучения прикладной математике // Философия образования. 2008. № 4(25). С. 278–283.

4. Власов Д.А., Синчуков А.В. Новое содержание прикладной математической подготовки бакалавра // Преподаватель XXI век. 2013. № 1(1). С. 71–79.

5. Главацкий С.Т., Бурыкин И.Г. О цикле курсов «Аналитика больших данных для математиков» // Современные информационные технологии и ИТ-образование. 2016. Т. 12. № 3(2). С. 17–22.

6. Денежкина И.Е., Зададаев С.А. Проверка статистических гипотез с использованием средств визуализации в среде Rstudio // В сборнике: Системный анализ в экономике – 2018. Сборник трудов V Международной научно-практической конференции-биеннале. Под общей редакцией Г.Б. Клейнера, С.Е. Щепетовой. 2018. С. 181–184.

7. Карасев П.А., Чайковская Л.А. Совершенствование программ высшего образования в контексте современных требований рынков образовательных услуг и профессионального сообщества // Экономика и управление: проблемы, решения. 2017. Т. 3. № 2. С. 3–9.

8. Королев О.Л., Апатова Н.В., Круликовский А.П. «Большие данные» как фактор изменения процессов принятия решений в экономике // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. 2017. Т. 10. № 4. С. 31–38.

9. Корытникова Н.В. Online Big Data как источник аналитической информации в online-исследованиях // Социологические исследования. 2015. № 8(376). С. 14–24.

10. Мельникова В.А., Медведев Д.А Анализ больших данных с использованием Python // Труды Братского государственного университета. Серия: Естественные и инженерные науки. 2019. Т. 1. С. 46–49.

11. Монахов В.М. Введение в теорию педагогических технологий. Волгоград: Перемена, 2006. 365 с.

12. Напеденина Е.Ю., Никитина Н.И. Некоторые аспекты формирования профессионально-прикладной математической подготовленности будущих экономистов в вузе // Вестник Тамбовского университета. Серия: Гуманитарные науки. 2008. № 1(57). С. 261–265.

13. Полковникова Н.А. Особенности подготовки специалистов по анализу больших данных // В сборнике: Преподавание информационных технологий в Российской Федерации. Материалы Пятнадцатой открытой всероссийской конференции. 2017. С. 73–76.

14. Смирнов Е.И. Технология наглядно-модельного обучения математике. Ярославль: Ярославский государственный педагогический университет им. К. Д. Ушинского, 1998. 335 с.

15. Смирнов Е.И. Фундирование опыта в профессиональной подготовке и инновационной деятельности педагога. Ярославль: Канцлер, 2012. 655 c.

16. Смирнов Е.И., Трофимец Е.Н. Проектирование информационно-аналитических технологий обучения студентов-экономистов // Ярославский педагогический вестник. 2010. Т. 2. № 2. С. 137.

17. Сорокин Л.В. Преодоление психолого-познавательных барьеров, связанных с анализом и визуализацией больших данных // Международный научно-исследовательский журнал. 2017. № 1–3(55). С. 59–62.

18. Тестов В.А. Основные задачи развития математического образования // Образование и наука. 2014. № 4(113). С. 3–17.

19. Тихомиров Н.П., Тихомирова Т.М. Теория риска: учебник для студентов вузов, обучающихся по экономическим специальностям. М.: ЮНИТИ-ДАНА, 2020. 308 с.

20. Sukhorukova I.V., Fomin G.P. Hybrid Method for Multi-Criteria Risk Minimization // Espacios. 2019. Т. 40. С. 14–22

21. Sukhorukova I.V., Maksimov D.A., Fomin G.P. Methods of risk minimization in investment and construction projects // В сборнике: IOP Conference Series: Materials Science and Engineering. Buldintech bit. 2020. Innovations and technologies in construction. 2020. С. 012013.

22. Baig M.I., Shuib L., Yadegaridehkordi E. Big data in education: a state of the art, limitations, and future research directions // International Journal of Educational Technology in Higher Education. 2020. Т. 17(44). DOI: 10.1186/s41239-020-00223-0.

23. Camargo Fiorini P., Seles B. M. R. P., Jabbour C. J. C., Mariano E. B., Sousa Jabbour A. B. L. Management theory and big data literature: From a review to a research agenda // International Journal of Information Management. 2018. № 43. С. 112–129. DOI: 10.1016/j.ijinfomgt.2018.07.005.

24. Coccoli M., Maresca P., Stanganelli L. The role of big data and cognitive computing in the learning process // Journal of Visual Languages & Computing. 2017. № 38. С. 97–103. DOI: 10.1016/j.jvlc.2016.03.002.

25. Gupta D., Rani R. A study of big data evolution and research challenges // Journal of Information Science. 2018. № 45(3). C. 322–340. DOI: 10.1177/0165551518789880.

26. Logica B., Magdalena R. Using big data in the academic environment // Procedia Economics and Finance. 2015. № 33(2). С. 277–286. DOI: 10.1016/s2212-5671(15)01712-8.