Existing approaches to teaching information technologies to students of physics and mathematics specializations

Full Text

Постановка проблемы. В целях выстраивания аналитической позиции относительно существующих в высшей школе подходов к обучению информационным технологиям студентов физико-математических направлений подготовки будет целесообразным раскрыть исторические предпосылки и тенденции, предопределившие наблюдаемую в международном образовательном пространстве необходимость формирования цифровых компетенций у студентов в области их профессионального развития. Выявляя исторические предпосылки информатизации образования, важно обратиться к всемирной истории, в частности к одному из ее унитарно-стадиальных представлений [1, с. 158] - социологической концепции постиндустриального общества [2, с. 25] - в единстве с таким комплексным процессом, как информатизация общества [3]. Сам процесс информатизации тесно связан с системным изменением способов работы с информацией, а также с появлением новых для своих исторических этапов коммуникативных взаимодействий и технологических решений, систематизирующих последовательность из шести «информационных революций» [4]. Рассматривая высшую школу с позиции наблюдаемых в ней цифровых изменений, вызванных информатизацией общества, необходимо обосновать потребность обучающихся высших учебных заведений в освоении новых компетенций, позволяющих адаптироваться к цифровым изменениям. С одной стороны, согласно пункту 2 статьи 26 Всеобщей декларации прав человека, принятой резолюцией Генеральной Ассамблеи ООН 10 декабря 1948 г., «Образование должно быть направлено к полному развитию человеческой личности…»[15], и в этом отношении развитие человеческой личности важно нормировать в естественной среде социализации человека, которая в условиях информатизации общества все чаще отождествляется с цифровой средой [5]. С другой стороны, современные информационные технологии открывают новые возможности для различных подходов к обучению, позволяя базировать образовательный процесс на принципах доступности и инклюзивности, что согласуется с реализацией задач [6], направленных на достижение Цели 4 в области устойчивого развития «Обеспечение всеохватного и справедливого качественного образования и поощрение возможности обучения на протяжении всей жизни для всех»[16]. Так, например, ассистивные технологии позволяют адаптировать образовательные программы к индивидуальным потребностям людей с ограниченными возможностями здоровья, предлагая для студентов с инвалидностью вариативные образовательные траектории с фокусом на особенностях организации процесса обучения для различных нозологических групп[17]. Проблематика настоящего исследования задана в поле нормативно-правовых актов Российской Федерации, характеризующих цифровые тенденции отечественной науки и высшего образования: • Цифровая модернизация системы высшего образования обоснована на уровне Правительства Российской Федерации в рамках Концепции технологического развития на период до 2030 г.[18] В Концепции отмечается, что при высоком уровне базового физико-математического образования в стране наблюдается дефицит кадров инженерных и естественнонаучных специальностей. • Развитие естественно-технического профиля в синтезе с созданием наукоемких и сквозных технологий является приоритетным национальным направлением Стратегии научно-технологического развития Российской Федерации, где фундаментальная наука занимает ключевое место в «…подготовке научно-технологического сектора страны к новым большим вызовам…»[19]. Таким образом, в условиях наблюдаемой сегодня шестой «информационной революции» [4] цифровая грамотность задает один из направляющих векторов современного профессионального развития студента и, как следствие, обуславливает метаморфозы системы высшего образования в формировании у обучающихся цифровых компетенций и навыков, так как «…без цифровых технологий приобретаемые… знания и навыки вряд ли будут столь же актуальными»[20]. Методология. Дизайн исследования разработан на анализе совокупности эмпирических данных с целью апробации внешней валидности существующих в высшей школе подходов к обучению информационным технологиям студентов физико-математических направлений подготовки. Структура описания результатов исследования основывается на следующих методах. Количественные методы статистического и экономического анализа, определяющие выборку вузов в предметном рейтинге QS WUR by Subject: Physics & Astronomy[21] для обобщения международного опыта организации образовательного процесса в плоскости проблематики исследования. Качественные методы сбора и анализа данных. Систематизируется отечественный и международный опыт высших учебных заведений в части реализации цифровой компоненты подготовки студентов относительно следующей выборки образовательных программ бакалавриата и специалитета: «Astrophysics» (Harvard University), «Physics» (University of Oxford, Stanford University, Massachusetts Institute of Technology), общая программа подготовки «Natural Sciences» (University of Cambridge), программы 03.05.02 «Фундаментальная и прикладная физика» и 03.05.01. «Астрономия» (МГУ им. М.В. Ломоносова), 03.03.01 «Прикладные математика и физика» (МФТИ, НИЯУ МИФИ, НГУ), 03.03.02 «Физика» (НГУ). Результаты и обсуждение. Перечень укрупненных групп специальностей и направлений подготовки высшего образования, входящих в состав физико-математических наук, в соответствии с приказом Минобрнауки России от 04.03.2022 г. № 197, составляют три наименования областей образования математического профиля («Математика и механика», «Статистика», «Фундаментальные математика и механика») и четыре наименования областей образования фундаментального профиля («Физика», «Радиофизика», «Астрономия», «Фундаментальная и прикладная физика»)[22]. Так как математический аппарат является функциональным инструментом физико-математического профиля, выборку областей образования относительно проблематики исследования целесообразно определить в части фундаментальной составляющей рассматриваемого перечня. Целевая группа высших учебных заведений, относительно которой систематизирован международный опыт обучения студентов информационным технологиям, сформирована по результатам предметного рейтинга QS WUR by Subject: Physics & Astronomy с учетом рейтинговых линий тренда в период с 2021 по 2024 г. (табл. 1). Таблица 1 Сравнительная динамика позиций университетов в предметном рейтинге QS WUR by Subject: Physics & Astronomy в период с 2021 по 2024 г. Высшее учебное заведение Страна Общая оценка 2021 2022 2023 2024 Массачусетский технологический институт Соединенные Штаты Америки 98,5 98,7 97,9 97,8 Гарвардский университет 97,1 96,9 97,0 96,7 Стэнфордский университет 97,5 96,4 94,8 94,7 Оксфордский университет Соединенное Королевство 95,2 94,8 94,9 95,7 Кембриджский университет 95,9 95,9 94,5 94,5 Окончание табл. 1 Высшее учебное заведение Страна Общая оценка 2021 2022 2023 2024 Московский государственный университет имени М.В. Ломоносова Российская Федерация 82,6 82,6 82,7 80,9 Московский физико-технический институт (МФТИ) 80,1 80,9 80,1 78,7 Национальный исследователь- ский ядерный университет «МИФИ» 75,9 77,2 77,4 76,1 Новосибирский государственный университет (НГУ) 75,6 75,1 72,3 71,2 Источник: составлено Д.Д. Добромировым. Table 1 Comparative dynamics of universities’ positions in the Subject Ranking QS WUR by Subject: Physics & Astronomy in the period from 2021 to 2024 Higher Education Institution Country Overall Score 2021 2022 2023 2024 Massachusetts Institute of Technology The United States of America 98.5 98.7 97.9 97.8 Harvard University 97.1 96.9 97.0 96.7 Stanford University 97.5 96.4 94.8 94.7 University of Oxford The United Kingdom 95.2 94.8 94.9 95.7 University of Cambridge 95.9 95.9 94.5 94.5 Lomonosov Moscow State University Russian Federation 82.6 82.6 82.7 80.9 Moscow Institute of Physics and Technology 80.1 80.9 80.1 78.7 National Research Nuclear University MEPhI 75.9 77.2 77.4 76.1 Novosibirsk State University 75.6 75.1 72.3 71.2 Source: compiled by Daniil D. Dobromirov. Важно отметить, что в период с 2022 по 2024 г. средний показатель по рейтинговым позициям вузов Российской Федерации (ТОП4) в предметном рейтинге снизился на 48,34 % (с 233 до 346 места) при соответствующей отрицательной динамике роста среднего показателя «общая оценка», равной +24,00 % (с 62,5 до 77,5). При подготовке сводного перечня цифровых компонент (программное обеспечение, среды разработки, языки программирования, вспомогательные цифровые решения) (табл. 2) были рассмотрены рабочие программы дисциплин, аннотации образовательных программ и курсов, учебные планы и требования к материально-технической базе по заданной группе вузов[23]. Таблица 2 Компоненты, используемые при обучении студентов информационным технологиям в исследуемой группе вузов (по странам) № Страна Компонента Целевые функции использования ЯЗЫКИ ПРОГРАММИРОВАНИЯ 1.1 Российская Федерация, Соединенное Королевство, Соединенные Штаты Америки C++ основы программирования, математические вычисления, анализ данных 1.2 Python 1.3 Fortran 1.4 Соединенное Королевство, Соединенные Штаты Америки Java 1.5 R статистическая обработка данных, графическая визуализация ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ 2.1 Российская Федерация, Соединенное Королевство, Соединенные Штаты Америки MATLAB программирование, математические вычисления, анализ данных, графическая визуализация, аппаратное обеспечение, интерфейсы внешних языков 2.2 LabVIEW графическое программирование, разработка тестовых систем, анализ данных, аппаратное обеспечение, интерфейсы внешних языков 2.3 Multisim моделирование и проектирование систем, визуализация поведения электронных систем, интерфейсы внешних языков 2.4 Российская Федерация Origin анализ данных, графическая визуализация 2.5 GNU Octave математические вычисления, графическая визуализация 2.6 Wolfram Mathematica математические вычисления, анализ данных, графическая визуализация, машинное обучение 2.7 Соединенное Королевство, Соединенные Штаты Америки Nteract создание вычислительных сред, интерактивные блокноты, интерфейсы внешних языков 2.8 JupyterHub математические вычисления, анализ данных, графическая визуализация, интерактивные блокноты, машинное обучение 2.9 Wolfram|One математические вычисления, анализ данных, графическая визуализация, аппаратное обеспечение, машинное обучение 2.10 Java 3D API моделирование трехмерной геометрии ИНТЕГРИРОВАННАЯ СРЕДА РАЗРАБОТКИ математические вычисления, анализ данных, Соединенное Королевство, 3.1 RStudio IDE графическая визуализация, аппаратное обе- Соединенные Штаты Америки спечение, интерфейсы внешних языков listing/physics (дата обращения: 15.08.2024 г.); University of Cambridge, Natural Sciences. https://www.undergraduate.study.cam.ac.uk/courses/natural-sciences-ba-hons-msci (дата об- ращения: 15.08.2024 г.); Московский государственный университет имени М.В. Ломоносова, Образовательные стандарты (математические и естественные науки). https://msu. ru/sveden/eduStandarts/ (дата обращения: 15.08.2024 г.); Московский физико-технический институт, Институтские кафедры, центры и департаменты. https://mipt.ru/institutedepartments (дата обращения: 15.08.2024 г.); Национальный исследовательский ядерный университет МИФИ, Образовательные программы. https://eis2.mephi.ru/programs?F. LIds=3&F.LIds=5&F.PrN=&F.Ys=&F.DeIds=&F.FInds=1&F.FInds=2 (дата обращения: 16.08.2024 г.); Новосибирский государственный университет, Физика. https://education. nsu.ru/physics/ (дата обращения: 16.08.2024 г.). Окончание табл. 2 № Страна Компонента Целевые функции использования ВСПОМОГАТЕЛЬНЫЕ РЕШЕНИЯ (УТИЛИТЫ, МАКРОКОМАНДЫ, БИБЛИОТЕКИ) 4.1 Российская Федерация SageMath математические вычисления 4.2 Gnuplot графическая визуализация 4.3 AMS-LaTeX анализ данных 4.4 Соединенное Королевство, Соединенные Штаты Америки REPL математические вычисления, исследование поведения кода 4.5 NumPy поддержка многомерных массивов 4.6 TensorFlow математические вычисления, анализ данных, работа с искусственными нейронными сетями, машинное обучение 4.7 Keras Источник: составлено Д.Д. Добромировым. Table 2 Components used in teaching information technology to students in the surveyed group of universities (by country) No. Country Component Target utilization functions PROGRAMMING LANGUAGES 1.1 Russian Federation, the United Kingdom, the United States of America C++ fundamentals of programming, mathematical computing, data analysis 1.2 Python 1.3 Fortran 1.4 The United Kingdom, the United States of America Java 1.5 R statistical processing of data, graphic visualization SOFTWARE PROGRAMS 2.1 Russian Federation, the United Kingdom, the United States of America MATLAB programming, mathematical computing, data analysis, graphical visualization, hardware, external language interfaces 2.2 LabVIEW graphical programming, test system development, data analysis, hardware, external language interfaces 2.3 Multisim systems modeling and design, visualization of electronic systems behavior, external language interfaces 2.4 Russian Federation Origin data analysis, graphical visualization 2.5 GNU Octave mathematical computing, graphical visualization 2.6 Wolfram Mathematica mathematical computing, data analysis, graphical visualization, machine learning 2.7 The United Kingdom, the United States of America Nnteract creating computational environments, interactive notepads, external language interfaces 2.8 JupyterHub mathematical computing, data analysis, graphical visualization, interactive notepads, machine learning 2.9 Wolfram|One mathematical computing, data analysis, graphical visualization, hardware, machine learning 2.10 Java 3D API modeling of three-dimensional geometry INTEGRATED DEVELOPMENT ENVIRONMENT mathematical computing, data analysis, The United Kingdom, 3.1 RStudio IDE graphical visualization, hardware, the United States of America external language interfaces Table 2, ending No. Country Component Target utilization functions SUPPORT SOLUTIONS (UTILITIES, MACRO COMMANDS, LIBRARIES) 4.1 Russian Federation SageMath mathematical computing 4.2 Gnuplot graphical visualization 4.3 AMS-LaTeX data analysis 4.4 The United Kingdom, the United States of America REPL mathematical computing, code behavior research 4.5 NumPy support for multidimensional arrays 4.6 TensorFlow mathematical computing, data analysis, working with artificial neural networks, machine learning 4.7 Keras Source: compiled by Daniil D. Dobromirov. Из представленных результатов эмпирического анализа в сравнительной плоскости исследования можно определить количественную характеристику уровня развития существующих в Российской Федерации образовательных подходов к формированию цифровых компетенций у студентов относительно международного опыта. Так, отечественные вузы в своих образовательных программах реализовывают 52,17 % от всей совокупности представленных цифровых компонент, в то время как международные вузы задействуют 73,91 %. При этом относительная доля пересечения методов обучения в исследуемой группе высших учебных заведений составляет 26,08 %, что говорит о высоком уровне диверсификации образовательных траекторий в международном образовательном пространстве в части обучения студентов физико-математических направлений подготовки информационным технологиям. Заключение. В современном мире профессиональное развитие студентов вузов тесно связано с тем, насколько методы обучения адаптированы к технологическим условиям, что, в свою очередь, отражает уровень информатизации общества. Выявленная совокупность цифровых решений, применяемая в процессе обучения информационным технологиям студентов физико-математических направлений подготовки, позволила систематизировать отечественный и международный опыт организации образовательных траекторий в разрезе практического развития цифровых компетенций обучающихся.

About the authors

Daniil D. Dobromirov

RUDN University

Author for correspondence.
Email: dobromirov_dd@pfur.ru
ORCID iD: 0000-0001-7981-8873

Specialist, Center for Comparative and International Education, Educational and Scientific Institute of Comparative Educational Policy

6 Miklukho-Maklaya St, Moscow, 117198, Russian Federation

References

Supplementary files