Full Text

Введение Развитие отрасли информационных технологий и подготовка высококвалифицированных ИТ-кадров являются одними из приоритетных направлений в экономике Российской Федерации [1]. В настоящее время спрос на таких специалистов в значительной мере превышает предложение [2], поскольку потребность в ИТ-специалистах возрастает во всех областях, где происходят процессы автоматизации, цифровизации, аналитики; спрос на специалистов в сфере информационных технологий наблюдается во всех развитых странах [3; 4]. Одновременно с этим статистические исследования высшей школы демонстрируют тренд на снижение числа поступающих на специальности, связанные с информационными технологиями [5]. Данную тенденцию можно соотнести с тем, что компетенции, которые ожидают работодатели от специалистов, зачастую не соответствуют компетенциям, которые будущие специалисты приобретают в процессе получения высшего образования [6]. Известно, что уже в 2013 г. в Российской Федерации 15 % от всех существующих компаний сообщали, что работники недостаточно квалифицированы [7]. В результате все большее число соискателей предпочитает приобретать необходимые для трудоустройства компетенции бессистемно, путем самообразования, краткосрочных программ дополнительного образования, курсов повышения квалификации; также укрепляется тренд на переход от очного образования к электронному на основе дистанционных технологий. Следовательно, мониторинг, обработка и систематизация требований работодателей становятся необходимыми для составления и реализации конкурентоспособных образовательных программ в высших учебных заведениях, нацеленных на выпуск специалистов, востребованных на рынке труда, что особенно актуально именно в сфере информационных технологий. Целесообразным становится создание рекомендательной системы для составления и корректировки образовательных программ, которая использует модель востребованного специалиста в качестве основы для рекомендательных алгоритмов. Существующие подходы В подходах к моделированию специалиста можно обозначить два основных направления: построение модели с опорой на требования работодателей и построение модели с учетом требований профессиональных и образовательных стандартов. Подходы к построению модели специалиста с учетом требований работодателей предложены такими исследователями, как В.В. Калевко, Д.Г. Лагерев, А.Г. Подвесовский [8], К.В. Булах, Е.Т. Бурцева [9], И.Ю. Харитонова и С.Ф. Сергеев [10]. Изучением методов построения модели специалиста с учетом требований образовательных организаций, Федерального государственного образовательного стандарта и профессиональных стандартов занимались Р.М. Галиев [11], Л.В. Курзаева [12], А.А. Захарова [13], А.А. Воронин, А.А. Васильченко, А.В. Зенович [14], Т.Ф. Лебедева, С.А. Муравьев [15]. Концепции формирования подготовки специалистов с учетом как требований работодателей, так и образовательных институтов описаны в работах М.Б. Гузаирова, И.Б. Герасимова [16], Е.В. Васильевой [17], В.В. Мартынова, Е.И. Филосовой, О.В. Ширяева [18], А.П. Бакановой [19], Х. Марвана [20]. Большинством исследователей предлагается анализировать рынок труда в области ИТ-сферы на основании вакансий с сайтов-агрегаторов, индивидуализировать образовательные программы и вовлекать работодателей в процесс обучения. М. Бюссемакер и соавторы предлагают онтологический подход к формированию учебной программы на примере студентов в области химической инженерии [21]. Авторы предлагают опираться на онтологическую репрезентацию предметной области с привлечением экспертов для формирования отношений между классами онтологии. Такая структура модели позволяет для каждой специальности в рамках предметной области получать список необходимых знаний, умений и навыков, а также сферы их применения. В работе Д. Смита и А. Али [22] рассматривается извлечение навыков программистов с сайта для вакансий Dice.com. Был разработан автоматизированный алгоритм сбора данных, в котором на основании запроса ключевого слова, идентифицирующего навык, формируются данные о дате запроса, ключевом слове и количестве вакансий, которые относятся к этому навыку. Далее в работе анализировалась популярность навыка на основании данных за последние три года. Данное исследование позволило выявить тенденции рынка труда, и на основании выявленной динамики популярности навыков рекомендуется корректировать, актуализировать образовательные программы. Д.Ю. Ильиным [23] описана система, которая собирает сведения из патентных данных, вакансий для поиска работы и поисковых запросов. Осуществлялся сбор, гомогенизация и анализ данных из пяти различных источников: HeadHunter, Indeed.com, GooglePatents, GoogleScholar и GoogleTrends. Результатом обработки являлись навыки в области программирования. Был разработан прототип сервиса, автоматически формирующий аналитическую информацию о востребованности навыков на рынке труда, и прогноз развития технологий - на основе анализа патентной активности. Сервис позволяет подбирать наиболее актуальные для изучения навыки, навыки определяются по ключевым словам. Возможность учета различных требований работодателей рассматривается в большинстве работ, посвященных построению модели специалиста, однако исследователи не всегда подходят к решению задачи с точки зрения автоматизации, вследствие чего уменьшается число источников, которые возможно одновременно использовать при построении модели специалиста. Кроме того, не проводится унификация и анализ компетенций, которые требуются от молодых специалистов, что, учитывая слабоструктурированный характер исходных данных о требованиях работодателей, также указывает на необходимость разработки моделей и методов обработки открытых данных о требованиях предприятий к соискателям. Концепция управления подготовкой ИТ-кадров С учетом анализа существующих подходов нами предлагается концепция организации подготовки ИТ-специалистов с опорой на открытые данные о требованиях работодателей, которая учитывает особенности предметной области и использует ключевые понятия в качестве базовых единиц предложенных моделей. Источниками таких данных являются: 1. Страницы вакансий, размещаемые компаниями на сайтах-агрегаторах. 2. Информационные веб-ресурсы и веб-энциклопедии, включающие статьи и рубрики, посвященные информационным технологиям; ресурсы с нормативной документацией (например, реестр профессиональных стандартов на сайте Министерства труда и социальной защиты Российской Федерации). 3. Учебные планы и рабочие программы дисциплин, публикуемые образовательными организациями на официальных сайтах. Важно отметить, что перечисленные источники представляют собой коллекции веб-документов на естественном языке и могут быть охарактеризованы как слабоструктурированные данные [24], поэтому целесообразно обратиться к методам обработки естественного языка [25] для сбора и структурирования указанных данных. Одной из методик является денотативный подход [26-29] к анализу текста на естественном языке, позволяющий извлечь содержание текста и представить его в виде набора денотатов. Денотат - слово или словосочетание в тексте на естественном языке, которое соотносится с объектом или явлением предметной области и выражает этот смысл в указанном тексте [27]. В настоящей работе денотаты соотносятся с ключевыми понятиями, используемыми для описания и классификации компетенций в области информационных технологий. К таким понятиям относятся обозначения технологий, языков программирования, инструментов, концепций и т.д. Денотативный подход позволяет использовать единицы, уже представленные в исходных данных в явном виде, в качестве базовых элементов моделей. Еще одним преимуществом подхода является возможность использования денотатного графа в качестве средства организации данных. Денотатный граф - ориентированный граф, узлами которого являются денотаты текста, ребрами - смысловые связи между ними [29]. Денотатный граф может использоваться как формальное представление смысловой структуры текста или множества текстов на естественном языке. Денотатный граф, построенный для множества текстов одной предметной области, может рассматриваться как онтология [30; 31]. Онтологическая модель обеспечивает гибкость и системный подход к предметной области. Онтология позволяет восстановить недостающие логические связи [32], что позволяет на основе конечного множества ключевых понятий, указанных в текстах вакансий, описать полный профессиональный портрет специалиста, требующегося работодателю на вакантную должность. Использование денотатного графа для этих задач расширяет возможности автоматизированного построения иерархии ключевых понятий на основе большого количества данных без необходимости привлечения экспертов. Используя указанные выше источники данных, разрабатываемая информационная система должна обеспечить их автоматизированный сбор, хранение, предварительную обработку. Обработанные данные становятся основой для комплекса математических моделей, описывающих специалиста с разных точек зрения и на разных этапах его подготовки и трудоустройства. Полученные модели позволяют формировать набор рекомендаций образовательным учреждениям для повышения эффективности подготовки специалистов. Рис. 1. Схема организации подготовки ИТ-специалистов на основе открытых данных Схема предлагаемой концепции представлена на рис. 1 и включает в себя следующие этапы: 1. Мониторинг и сбор данных вакансий с сайтов-агрегаторов с заданной периодичностью. 2. Их последующая обработка для построения динамической модели ИТ-специалиста, описывающей ключевые понятия, необходимые для профессиональной деятельности, и удовлетворяющей требованиям работодателей. 3. Обогащение полученной модели открытыми данными о предметной области и информацией, содержащейся в нормативных документах. 4. Построение модели специалиста-выпускника, учитывающей связи между ключевыми понятиями (денотатами), путем построения денотатного графа для восстановления иерархии обогащенного множества понятий. 5. Формирование на ее основе набора рекомендаций по составлению и корректировке образовательных программ. Модели специалиста на основе денотативного подхода В рамках реализации концепции разработаны модели специалиста с точки зрения работодателя и востребованного специалиста-выпускника. Модель специалиста с точки зрения работодателя представляет собой семейство частных моделей характеризующих направления профессиональной деятельности специалиста в рамках предметной области (например, «Веб-разработка», «Разработка для мобильных устройств», «Разработка баз данных») и объединенных множеством ключевых понятий D: (1) Каждая частная модель представляет собой нечеткое множество ключевых понятий, описывающее не только набор ключевых понятий направления профессиональной деятельности, но и величину принадлежности понятия данному направлению, что позволяет оценить значимость каждого ключевого понятия для специалиста данного направления: (2) где D - множество ключевых понятий модели специалиста; - функция принадлежности ключевого понятия d i-му направлению профессиональной деятельности. Направления профессиональной деятельности выявляются путем кластерного анализа корпуса вакансий, их число, в свою очередь, определяется предварительной кластеризацией множества ключевых понятий . Кластеризация множества ключевых понятий осуществлялась методом распространения близости; для корпуса вакансий применялся алгоритм спектральной кластеризации. Качество кластеризации оценивается при помощи интегральной оценки на основе коэффициента силуэта, индекса Калински - Харабаша и индекса Дэвиса - Болдина. Для векторного представления ключевых понятий и вакансий на естественном языке используется сглаженная метрика TF-IDF: где - количество вхождений i-го понятия в тексте; k - общее количество понятий в тексте; n - общее количество текстов в корпусе, df - количество текстов в корпусе, в которых i-е понятие встречается минимум один раз. Размерность вектора в случае с вектором для ключевых понятий определяется мощностью корпуса вакансий; в случае с векторным представлением вакансий - мощностью множества ключевых понятий D. Функция принадлежности ключевого понятия -му профессиональному направлению использует частотную характеристику встречаемости понятия d в исходных данных i-го кластера вакансий и рассчитывается следующим образом: где Vi - множество вакансий, входящих в -й кластер; - текст j-й вакансии в i-м множестве вакансий; - переменная хотя бы единственного вхождения ключевого понятия d в текст j-й вакансию в i-м множестве вакансий. Фрагмент автоматически построенной модели приведен на рис. 2. И хотя модель специалиста отражает набор ключевых понятий, необходимых работодателям в тех или иных направлениях деятельности, она не учитывает связи между понятиями. Также линейная модель не включает в себя понятия компетенций, освоение которых необходимо для изучения других компетенций, но которые при этом не были включены работодателями в качестве явных требований к вакансиям (например, ключевое понятие git в приведенном на рис. 2 фрагменте модели требуется во всех направлениях профессиональной деятельности, но ни одно из них не содержит требования «системы контроля версий», которое является родовым понятием для git и необходимо для его изучения). Рис. 2. Фрагмент линейной модели ИТ-специалиста на вакантную должность для предприятий Пермского края Модель специалиста-выпускника расширяет и обогащает модель специалиста на должность работодателя, сохраняя при этом общую основу (множество ключевых понятий), что позволяет напрямую оценивать сходство моделей, в том числе после возможной экспертной корректировки модели специалиста-выпускника. Модель специалиста-выпускника включает в себя множество частных моделей и множество всех ключевых понятий S, при этом , где D - множество ключевых понятий модели специалиста на должность, как указано в (1). Каждая из частных моделей является ориентированным графом: где V - множество вершин графа, E - множество дуг графа. Количество частных моделей совпадает с количеством частных моделей, описанных в формуле (2), для каждой модели производится обогащение множества ключевых понятий и строится граф. Итоговые графы модели специалиста-выпускника сохраняются в формате DOT, фрагмент графа приведен на рис. 3. Для формирования рекомендаций для составления и корректировки образовательных программ разработан алгоритм, принимающий на вход целевое понятие и модель специалиста-выпускника . Разработанный алгоритм приведен на рис. 4. На выходе алгоритма - линейно упорядоченное множество рекомендованных к изучению понятий с расчетным количеством часов. Полученное множество передается экспертам образовательной организации и лицу, принимающему решения, как набор рекомендаций относительно составления и корректировки образовательных программ. Указанные рекомендации не только отражают требования работодателей, но также указывают на горизонтальную и вертикальную интеграцию ключевых понятий в рамках предметной области, что дает возможность эффективного внесения изменений не только в рамках отдельных дисциплин, но также и учебных планов в целом. Рис. 3. Фрагмент графа модели специалиста-выпускника, описанного на языке DOT Рис. 4. Алгоритм формирования рекомендаций по включению в образовательные программы востребованных ключевых понятий Программная реализация моделей и алгоритмов Разработанные модели и алгоритмы реализованы в информационной системе поддержки принятия решений. Реализация серверной части осуществлена на языке программирования Python. Она включает в себя модули, которые обеспечивают: - запуск сервера веб-приложения; - обработку HTTP-запросов со стороны клиента (frontend) - формирование и вывод рекомендаций по составлению и корректировке образовательных программ; - предоставление интерфейса обмена данных с моделями для сервера веб-приложения; - запуск моделирования специалиста по заданным входным параметрам - организацию ввода/вывода для базы данных - анализ разметки документов; - сегментацию документов; - морфологический анализ документов; - генерацию коллекции лемм по заданным критериям; - фильтрацию ключевых понятий из множества лемм коллекции - ежемесячный сбор данных о вакансиях с сайтов-агрегаторов; - организацию и сохранение полученных данных в формате JSON - векторизацию ключевых понятий; - выявление числа стабильных групп ключевых понятий при помощи кластеризации алгоритмом распространения близости - векторизацию множества вакансий; - группировку вакансий алгоритмом спектральной кластеризации; - формирование нечетких множеств ключевых понятий - сбор и кэширование текстов о предметной области с информационных веб-ресурсов; - обогащение заданного множества ключевых понятий понятиями, извлеченными из текстов предметной области; - построение взвешенного денотатного графа обогащенного множества понятий; - установление иерархии узлов графа алгоритмом DOT. Логика клиентской части написана на языке программирования JavaScript. Инструменты визуализации графов используют C++-библиотеки в формате модулей WebAssembly. Пользовательский интерфейс реализован шаблонами Jinjia2 и средствами веб-разметки - HTML и CSS. Данные о вакансиях включают в себя 495 024 текста вакансий, опубликованных в период с февраля 2020 г. Пользовательский интерфейс системы с фрагментом модели специалиста с точки зрения работодателей Пермского края на основе данных в период с ноября 2021 г. по апрель 2022 г. приведен на рис. 5. Для взаимодействия с моделью специалиста-выпускника система предоставляет интерактивную визуализацию денотатного графа с возможностью анализа связей между денотатами. Фрагмент визуального представления исходного денотатного графа в интерфейсе системы приведен на рис. 6. Рис. 5. Фрагмент модели специалиста на должность для Пермского края на основе данных за период с ноября 2021 г. по апрель 2022 г. Рис. 6. Фрагмент исходного обогащенного денотатного графа, регион Пермский край, период с ноября 2021 г. по апрель 2022 г. Апробация результатов В рамках тестирования разработанной интеллектуальной системы проведен эксперимент с целью оценки ее эффективности. В эксперименте по проверке соответствия их компетенций требованиям работодателей приняли участие десять студентов Пермского национального исследовательского политехнического университета после окончания III курса направлений «Программная инженерия» и «Информатика и вычислительная техника». Для оценки данного соответствия со стороны работодателей в эксперименте участвовало четыре эксперта из ООО «Датабриз» (г. Пермь) и четыре эксперта из ООО «Иннфокус» (г. Пермь). Компания «Датабриз» является разработчиком систем бизнес-аналитики с клиентскими приложениями для персональных компьютеров и мобильных устройств под управлением ОС Android и iOS. Компания «Иннфокус» специализируется на разработке математического и программного обеспечения аддитивных технологий. Обе компании заинтересованы в высокой компетенции разработчиков ПО, которые владеют стеком технологий, связанных с языком программирования Java. Экспертами проведены стандартизированные собеседования на квалификацию стажера-разработчика с каждым из студентов, участвующих в эксперименте. Экспертами заполнены опросники с указанием оценок каждого студента по шкале от «1» (низкий уровень) до «5» (наивысший уровень) по следующим критериям: - уровень общей подготовки - наличие у студента компетенций по основам алгоритмизации и программирования, включая парадигмы программирования; теории алгоритмов и структурам данных; - уровень владения стеком технологий - наличие у студента компетенций по требуемым компании технологиям, включая языки программирования, фреймворки, прикладное программное обеспечение; - уровень технического кругозора - наличие у студента понимания взаимосвязей между различными технологиями; умение подбора альтернатив; - вероятность рекомендации к трудоустройству - оценка экспертом вероятности рекомендации соискателя к трудоустройству на позицию стажера-разработчика в компании эксперта. Результаты первичных собеседований приведены в табл. 1, где указана средняя оценка экспертов по заданному критерию. Таблица 1 Результаты первичных собеседований, средняя оценка экспертов, авторские результаты № участника Общий уровень подготовки Владение стеком технологий Уровень технического кругозора Вероятность рекомендации к трудоустройству 1 3,875 2,5 3,25 2 2 4,375 2,375 2,125 3,25 3 3,625 1,625 3,375 2,5 4 4,125 2,625 2,375 3,125 5 4,125 2,5 1,5 2,375 6 3,125 1,5 1,625 1,375 7 4,5 2,625 2,375 3,5 8 3,875 2,625 2,5 3 9 4 1,5 2 1,5 10 3,75 2,5 2,625 2,75 Среднее 3,9375 2,2375 2,375 2,5375 Результаты первичных собеседований показали, что, хотя студенты обладают достаточными компетенциями в области алгоритмизации и программирования (ср. балл - 3,9375), отсутствие компетенций, связанных с требуемыми технологиями, и понимания их взаимосвязи (ср. оценка владения стеком технологий - 2,24; оценка технического кругозора - 2,375) сильно снижают вероятность рекомендации к трудоустройству (средний балл - 2,54). После первичных собеседований студенты прошли краткосрочную подготовку по программе интенсива, составленной на основе денотатного графа для направления «Java-разработка» для Пермского края на основе данных за период с ноября 2021 г. по апрель 2022 г. (фрагмент указанного графа представлен на рис. 6). По итогам двухнедельного интенсива студенты заново прошли собеседование, при этом эксперты задавали дополнительные вопросы соискателям и заново заполняли опросники. Результаты повторных собеседований приведены в табл. 2. Повторные собеседования показали улучшение показателей по всем критериям (средний общий уровень подготовки вырос на 9 %; владение стеком технологий - на 60 %; технический кругозор - на 46 %). Особенно важно отметить, что вероятность рекомендации трудоустройства выросла на 40 %. Таблица 2 Результаты повторных собеседований, средняя оценка экспертов, авторские результаты № участника Общий уровень подготовки Владение стеком технологий Уровень технического кругозора Вероятность рекомендации к трудоустройству 1 4,375 3,625 4,375 3,625 2 4,875 3,625 3,375 3,875 3 4,375 3,375 3,875 3,5 4 4,5 3,625 3,5 3,75 5 4,375 3,625 3,25 3,125 6 3,5 3,125 2,75 3 7 5 4,125 3,375 4,125 8 4,375 3,875 3,5 4 9 4,25 3,125 2,875 2,75 10 4 3,625 3,75 4 Среднее 4,3625 3,575 3,4625 3,575 Таким образом, разработанная система сокращает разрыв между компетенциями, которые приобретают соискатели в образовательных организациях, и компетенциями, которые требуются работодателям, что подтверждает ее эффективность. Заключение В рамках исследования обозначена растущая проблема несоответствия компетенций выпускников ИТ-специальностей образовательных организаций и требований работодателей. Произведен анализ существующих подходов к ее решению. Выявлены перспективные направления моделирования специалиста. Предложена концепция организации подготовки ИТ-специалистов на основе открытых слабоструктурированных данных. Описан подход, основанный на обработке данных на естественном языке и денотативной аналитике. Разработаны модели специалиста с точки зрения работодателя и специалиста-выпускника, а также алгоритм формирования рекомендаций по составлению и корректировке образовательных программ. Разработано программное обеспечение системы поддержки принятия решений, реализующее указанные модели и алгоритмы. Проведена экспериментальная проверка с привлечением экспертов из ИТ-индустрии. По итогам эксперимента получены положительные результаты. Разработанная система может использоваться для составления и корректировки рабочих программ дисциплин, программ профессиональной переподготовки, программ дополнительного образования в области направлений, связанных с информационными технологиями.

About the authors

D. V Yarullin

Perm National Research Polytechnic University

References

Statistics

Views

Abstract - 105

PDF (Russian) - 93

Refbacks

• There are currently no refbacks.