Pan-Art Педагогика. Вопросы теории и практики Филологические науки. Вопросы теории и практики Манускрипт

Архив научных статей

ВЫПУСК:    Педагогика. Вопросы теории и практики. 2025. Том 10. Выпуск 11
КОЛЛЕКЦИЯ:    Профессиональное образование и воспитание

Все выпуски

Лицензионное соглашение об использовании научных материалов.

Цифровой портрет студента на основе пятифакторной модели личности: современный подход к персонализации профессионального образования

Матросова Наталья Владимировна
Марийский государственный университет, г. Йошкар-Ола

Швецова Галина Николаевна
Марийский государственный университет, г. Йошкар-Ола
Дата поступления рукописи в редакцию: 27 ноября 2025 г.
Аннотация. Цель исследования – разработка цифрового портрета студента на основе пятифакторного анализа личности в контексте персонализации профессионального образования. В статье рассматриваются современные тенденции развития системы образования в части его персонализации, обоснована актуальность разработки цифрового портрета обучающегося как эффективного инструмента создания и внедрения индивидуальных образовательных траекторий. Спроектирован и описан цифровой портрет обучающегося, определены составляющие компоненты и предложены возможности его использования в образовательном процессе. Научная новизна исследования заключается в разработке и внедрении цифрового портрета студента, в котором пятифакторная модель личности («Большая пятерка») выступает в качестве психологического ядра, обеспечивающего персонализацию профессионального образования в условиях цифровой трансформации вуза. Представлены результаты экспериментального применения цифрового портрета обучающегося на базе педагогического института ФГБОУ ВО «Марийский государственный университет», даны примеры рекомендаций по персонализации образовательного процесса для конкретных студентов с учетом их индивидуальных личностных характеристик. В результате исследования обоснована необходимость использования пятифакторной модели личности для создания цифрового портрета студента как эффективного инструмента, позволяющего не только учитывать психологические характеристики обучающихся, но и формировать адаптивные индивидуальные образовательные траектории, обеспечивающие более глубокое раскрытие потенциала каждого студента и повышение качества профессионального образования.
Ключевые слова и фразы:
цифровой портрет обучающегося
цифровая трансформация образования
персонализация в образовании
пятифакторная модель личности
профессиональное образование
digital student portrait
digital transformation of education
personalization in education
five-factor personality model
professional education
Reader Открыть полный текст статьи в формате PDF. Бесплатный просмотрщик PDF-файлов можно скачать здесь.
Список литературы:
  1. Белоножко П. П., Карпенко А. П., Храмов Д. А. Анализ образовательных данных: направления и перспективы применения // Вестник евразийской науки. 2017. № 4 (41).
  2. Вилявин Д. А., Комлева Н. В., Мамедова Н. А., Уринцов А. И. Цифровые профили компетенций в образовании // Открытое образование. 2023. № 27 (5). https://doi.org/10.21686/1818-4243-2023-5-33-44
  3. Виноградова Е. В., Полякова Т. А., Минбалеев А. В. Цифровой профиль: понятие, механизмы регулирования и проблемы реализации // Правоприменение. 2021. Т. 5. № 4.
  4. Воронкова Я. Ю., Радюк О. М., Басинская И. В. «Большая пятёрка», или пятифакторная модель личности // Смысл, функции и значение разных отраслей практической психологии в современном обществе: сборник научных трудов / ред. Е. Н. Ткач. Хабаровск: Изд-во Тихоокеан. гос. ун-та, 2017.
  5. Гибсон Дж. Экологический подход к зрительному восприятию / пер. с англ. / общ. ред. и вступ. ст. А. Д. Логвиненко. М.: Прогресс, 1988.
  6. Дегтеренко Л. Н. Персональный компетентностный профиль как новый механизм взаимодействия выпускника вуза и работодателя в эпоху цифровизации // Гуманитарные науки. 2022. № 2 (58).
  7. Есин Р. В., Зыкова Т. В., Кустицкая Т. А., Кытманов А. А. Цифровая образовательная история как составляющая цифрового профиля обучающегося в условиях трансформации образования // Перспективы науки и образования. 2022. № 5 (59). https://doi.org/10.32744/pse.2022.5.34
  8. Жаткина К. Н., Крейдер О. А. Применение методов интеллектуального анализа данных для цифровой образовательной платформы // Системный анализ в науке и образовании. 2021. № 2. https://doi.org/10.37005/2071-9612-2020-2-1-5
  9. Жетписбаева Б. А., Сырымбетова Л. С., Акыбаева Г. С. К вопросу о методологии разработки цифрового профиля выпускника высшей школы // Вестник Карагандинского университета. Серия «Педагогика». 2022. № 3 (107). https://doi.org/10.31489/2022Ped3/167-174
  10. Живетьев А. В., Белов М. А., Токарева Н. А., Черемисина Е. Н. Концепция подключаемой рекомендательной системы заданий для персонализации образовательного процесса // Системный анализ в науке и образовании. 2025. № 1.
  11. Калмыкова С. В. Цифровой компетентностный профиль обучающегося: новая реальность образовательного процесса в высшей школе // Вестник педагогических наук. 2024. № 1.
  12. Коландария Е. М. Профессиональная мобильность – один из аспектов цифрового профиля студента // Наука и школа. 2022. № 2. https://doi.org/10.31862/1819-463X-2022-2-58-64
  13. Костина Е. А., Акыбаева Г. С., Сейдина М. З., Микляева Т. В. Цифровой профиль компетентностной модели выпускника вуза // Вестник Карагандинского университета. Серия «Педагогика». 2024. № 2 (114). https://doi.org/10.31489/2024ped2/37-47
  14. Маничев С. А., Лепехин Н. Н., Ильина О. Н. Русскоязычная версия шкалы базового сомоценивания (core sele-evalution scale): психометрическая проверка и перспективы использования // Вестник Санкт-Петербургского государственного университета. Серия 16: Психология. Педагогика. 2022. № 3. https://doi.org/10.21638/spbu16.2022.304
  15. Минязова Е. Р. Большие данные и персонализированное обучение // Высшее образование сегодня. 2022. № 5-6.
  16. Моисеева Т. В. Персонализация образования – новое направление высшей профессиональной школы // Мир науки, культуры, образования. 2024. № 1 (104). https://doi.org/10.24412/1991-5497-2024-1104-78-82
  17. Носкова Т. Н., Козина Н. Д. Цифровая среда поддержки проектной деятельности студентов бакалавриата профиля «Технологическое образование» в высшей школе // Общество. Коммуникация. Образование. 2021. Т. 12. № 3. https://doi.org/10.18721/JHSS.12307
  18. Савина Н. В. Методологические основы персонализации образования // Наука о человеке: гуманитарные исследования. 2020. № 4 (14). https://doi.org/10.17238/issn1998-5320.2020.14.4.10
  19. Сергеева А. С., Кириллов Б. А., Джумагулова А. Ф. Перевод и адаптация краткого пятифакторного опросника личности (TIPI-RU): оценка конвергентной валидности, внутренней согласованности и тест-ретестовой надежности // Экспериментальная психология. 2016. T. 9. № 3. https://doi.org/10.17759/exppsy.2016090311
  20. Тобиен М. А., Мархайчук М. М., Косарева О. А. Цифровой профиль как ключевой элемент информационной инфраструктуры цифровой экономики // Проблемы теории и практики управления. 2021. № 11.
  21. Токтарова В. И. Педагогика в цифровую эпоху: структурно-содержательный анализ // Вестник Марийского государственного университета. 2022. Т. 16. № 4 (48). https://doi.org/10.30914/2072-6783-2022-16-4-474-482
  22. Токтарова В. И., Маматов Д. Р. Реализация модели адаптивного обучения на основе познавательных стилей // Теория и практика общественного развития. 2015. № 8.
  23. Федорова Л. А., Шиманский А. А. Методические рекомендации по созданию цифрового профиля профессиональных компетенций («цифрового следа») и индивидуальных траекторий развития работников как ключевой составляющей человеческого капитала государства // Креативная экономика. 2021. Т. 15. № 5. https://doi.org/10.18334/ce.15.5.112077
  24. Хлопотов М. В., Коцюба И. Ю. Методы интеллектуального анализа данных для мониторинга и диагностики качества образования // Дистанционное и виртуальное образование. 2014. № 5.
  25. Хромов А. Б. Пятифакторный опросник личности: учебно-методическое пособие. Курган: Изд-во Курганского гос. университета, 2000.
  26. Bienkowski M., Feng M., Means B. Enhancing teaching and learning through educational data mining and learning analytics: An issue brief. Washington, 2012.
  27. Bhutoria A. Personalized education and artificial intelligence in the United States, China, and India: A systematic review using a human-In-The-loop model // Computers and Education: Artificial Intelligence. 2022. № 3. https://doi.org/10.1016/J.CAEAI.2022.100068
  28. Boitumelo L., Marijke C. Digital Twin Monitoring of Classes and Students // IST-Africa Conference (IST-Africa). Potchefstrom, 2024. https://doi.org/10.23919/IST-Africa63983.2024.10569389
  29. Chen R. Institutional Characteristics and College Student Dropout Risks: A Multilevel Event History Analysis // Research in Higher Education. 2012. Vol. 53. № 5. https://doi.org/10.1007/s11162-011-9241-4
  30. Chen S. Y., Wang J. H. Individual differences and personalized learning: A review and appraisal // Universal Access in the Information Society. 2021. № 4. https://doi.org/10.1007/s10209-020-00753-4
  31. Fariani R. I., Junus K., Santoso H. B. A systematic literature review on personalised learning in the higher education context // Technology, Knowledge and Learning. 2023. № 28 (2). https://doi.org/10.1007/S10758-022-09628-4
  32. McCarthy S., Palmer E. J. Personalising with AI in higher education: exploring educator characteristics and their role in shaping blended learning // Higher Education Research & Development. 2025. № 32. https://doi.org/10.1080/07294360.2025.2510660
  33. Zhang Y., Yang M., Guo Y. Approach to constructing student portrait based on multilevel labeling system // Proc. SPIE 13228. Fifth International Conference on Computer Communication and Network Security (CCNS 2024). Guangzhou, 2024. https://doi.org/10.1117/12.3038037
Все выпуски


© 2006-2025 Издательство ГРАМОТА