Москва, Россия
Россия
Рассматриваются подходы к применению интеллектуальных информационных систем в реализации программ дополнительного профессионального образования. Авторы предлагают обобщённую классификацию данных программ, включающую следующие направления: содержание, структура, цели обучения, модель контроля знаний и форма организации, и описывающие типизированную архитектуру информационных систем, состоящую из нескольких ключевых модулей (контент, аналитика и отчётность, управление пользователями, коммуникация). Отсутствие единой классификации и системного подхода к формированию программ дополнительного профессионального образования затрудняет создание эффективных интеллектуальных информационных систем, способных гибко адаптировать образовательный процесс под требования рынка труда, текущие профессиональные стандарты и индивидуальные потребности слушателей. Цель работы – продемонстрировать влияние модулей интеллектуальных информационных систем на каждую из категорий предложенной классификации программ дополнительного профессионального образования для повышения эффективности образовательного процесса, его персонализации и соответствия актуальным запросам экономики и профессиональной среды. Особое внимание уделяется методике количественной оценки вклада каждого модуля в отдельные аспекты классификации дополнительного профессионального образования. Полученные результаты позволяют выработать эффективную стратегию проектирования систем в дополнительном профессиональном образовании, повышающую качество и персонализацию обучения, а также укрепление теоретических и практических основ их дальнейшего развития.
интеллектуальные информационные системы, дополнительное профессиональное образование, классификация программ, архитектура системы, модули системы, оценка влияния, персонализация обучения
1. Шихнабиева Т.Ш. О направлениях интеллектуализации и развития информационных систем образовательного назначения // Известия Волгоградского государственного педагогического университета. 2021. № 1 (154). С. 15–21. EDN GQBEVW.
2. Шабанов Р.М., Микушин Н.А. Интеллектуальная информационная система поддержки принятия решений // Молодой исследователь Дона. 2019. № 4 (19). С. 91–97. EDN CTIPTS.
3. Ущеко А.В., Перепухова И.Г., Маслова Л.А. Адаптивные динамические системы управления образовательным контентом // Автоматизация и информатизация ТЭК. 2023. № 6 (599). С. 42–49. DOI:https://doi.org/10.33285/2782-604X-2023-6(599)-42-49. EDN WBQPJJ.
4. Яламов Г.Ю. Адаптивные образовательные информационные системы в электронном обучении // Информатизация образования – 2018: труды Междунар. науч.-практ. конф. М.: Изд-во Современного гуманитарного университета, 2018. Ч. 2. С. 122–133. EDN YXHKVF.
5. Яламов Г.Ю., Шихнабиева Т.Ш. Адаптивные образовательные информационные системы: подходы к интеллектуализации // Человек и образование. 2018. № 4 (57). С. 84–90. EDN POVZJP.
6. Сташкевич И.Р., Абдуллаева Л.Н. Корпоративная информационная система для организации дополнительного профессионального образования: состояние и перспективы // Инновационное развитие профессионального образования. 2016. № 4 (12). С. 77–81. EDN XBJNTJ.
7. Парахина О.В. Современные тенденции системы дополнительного профессионального образования в России // Фундаментальные исследования. 2013. № 6-2. С. 445–448. EDN PZQGVB.
8. Несмеянова С.Э., Калинина Е.Г., Грачева М.В. Дополнительное профессиональное образование: переход в инновационный режим // Российское право: образование, практика, наука. 2021. № 5. С. 83–89. DOI:https://doi.org/10.34076/2410_2709_2021_5_83. EDN UUOYMW.
9. Медведев П.Н., Малий Д.В., Папочкина Е.С. Современные информационные технологии в сфере образования: возможности и перспективы // Международный научно-исследовательский журнал. 2021. № 6-4 (108). С. 110–113. DOI:https://doi.org/10.23670/IRJ.2021.108.6.119. EDN DXAAQJ.
10. Дударева О.Б., Борченко И.Д. Мониторинг эффективности использования информационно-коммуникационных технологий в системе дополнительного профессионального образования // Современные проблемы науки и образования. 2018. № 4. С. 69. EDN YMGYUH.
11. Семионова Е.А., Токарева Г.С. Дополнительное профессиональное образование и цифровизация // Экономическое развитие России. 2023. Т. 30. № 9. С. 58–66. EDN RUFTPS.
12. Михайлов А.В., Кубаева Т.Н. Информационные технологии в профессиональной деятельности педагогов дополнительного образования // Мировая наука. 2023. № 6 (75). С. 88–92. EDN ARSQWG.
13. Сазонов Б.А. Классификация профессиональных образовательных программ в Российской Федерации: проблемы и возможные решения // Высшее образование в России. 2017. № 11. С. 20–30. EDN ZUQEZJ.
14. Волченкова К.Н. тренды развития дополнительного профессионального образования // Вестник Южно-Уральского государственного университета. Сер.: Образование. Педагогические науки. 2024. Т. 16. № 1. С. 5–15. DOI:https://doi.org/10.14529/ped240101. EDN JQEEVK.
15. Муллер О.Ю. Экспертиза дополнительных профессиональных программ как инструмент оценки дополнительного профессионального образования // Мир науки, культуры, образования. 2024. № 3 (106). С. 261–263. DOI:https://doi.org/10.24412/1991-5497-2024-3106-261-263. EDN RMQAQS.
16. Applications of machine learning in real-time control systems: a review / X. Zhao [et al.] // Measurement Science and Technology. 2025. Vol. 36. № 1. P. 012003. DOI:https://doi.org/10.1088/1361-6501/ad8947. EDN NPDZBM.
17. Hong T., Ma Y., Jiang H. Vehicle identification and analysis based on lightweight YOLOv5 on edge computing platform // Measurement Science and Technology. 2025. Vol. 36. № 1. P. 016044. DOI:https://doi.org/10.1088/1361-6501/ad9bd4. EDN FEWXJS.
18. A Deep Generative Model for Multi-Ship Trajectory Forecasting With Interaction Modeling / M. Zhu [et al.] // Journal of Offshore Mechanics and Arctic Engineering. 2025. Vol. 147. № 3. DOI:https://doi.org/10.1115/1.4065866. EDN QDPKCV.
19. Self-supervised representation learning for robust fine-grained human hand action recognition in industrial assembly lines / F. Sturm [et al.] // Machine Vision and Applications. 2025. Vol. 36. № 1. P. 19. DOI:https://doi.org/10.1007/s00138-024-01638-9. EDN ZHCVXK.
20. Deep spatial-temporal information fusion dynamic graph convolutional network for traffic flow prediction / G. Li [et al.] // Measurement Science and Technology. 2025. Vol. 36. № 1. P. 015102. DOI:https://doi.org/10.1088/1361-6501/ad8252. EDN FVBDAR.
