Pan-Art Pedagogy. Theory & Practice Philology. Theory & Practice Manuscript

Archive of Scientific Articles

ISSUE:    Pedagogy. Theory & Practice. 2025. Volume 10. Issue 11
COLLECTION:    Vocational Education

All issues

License Agreement on scientific materials use.

A digital portrait of a student based on the five-factor personality model: a modern approach to personalizing professional education

Natalia Vladimirovna Matrosova
Mari State University, Yoshkar-Ola

Galina Nikolaevna Shvetsova
Mari State University, Yoshkar-Ola
Submitted: November 27, 2025
Abstract. The aim of this research is to develop a digital portrait of a student based on a five-factor personality analysis (Big Five) within the context of personalizing professional education. The article examines modern trends in the development of the education system concerning its personalization and substantiates the relevance of developing a digital student portrait as an effective tool for creating and implementing individualized educational trajectories. A digital student portrait is designed and described, its constituent components are defined, and opportunities for its use in the educational process are proposed. The scientific novelty of the research lies in the development and implementation of a digital student portrait, where the five-factor personality model (the ‘Big Five’) serves as a psychological core, enabling the personalization of professional education amid the digital transformation of the university. The results of the experimental application of the digital student portrait at the Pedagogical Institute of the Mari State University are presented, along with examples of recommendations for personalizing the educational process for specific students, taking into account their individual personal characteristics. As a result, the research substantiates the necessity of using the five-factor personality model to create a digital student portrait as an effective tool. This tool not only allows for accounting for students’ psychological characteristics but also for forming adaptive individualized educational trajectories, thereby ensuring a deeper realization of each student’s potential and improving the quality of professional education.
Key words and phrases:
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 Open the whole article in PDF format. Free PDF-files viewer can be downloaded here.
References:
  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
All issues


© 2006-2025 GRAMOTA Publishing