Individual educational trajectory in modern Ukrainian higher education as a tool for adaptability to its environment
Bibliographic record
Abstract
Cite in Vancouver style: [Shevchenko A, Zhoga R. Individual educational trajectory in modern Ukrainian higher education as a tool for adaptability to its environment. Adaptive Management: Theory and Practice. Series Pedagogics. 2023;16(31):15p. https://doi.org/10.33296/2707-0255-16(31)-16 Archived: https://doi.org/10.5281/zenodo.8308092] Abstract. The adaptability of modern education depends on a number of technical and organizational factors, including the provision of the educational process with computer technology, the ability of all participants in the educational process to use cloud technologies, the readiness of the administration of higher education institutions (HEI) to create conditions for studying students according to individual educational trajectories. Adaptability allows HEI to compete on the market of educational services, to maintain the level of education in the unfavorable conditions of a prolonged pandemic and war, to change the content of disciplines in accordance with the rapid development of science and technology. Our research demonstrated the possibilities of predicting the success of individual educational trajectories using the trend method, which works on the basis of the widely used Microsoft Excel office program. The individual educational trajectories of students (separately from each other) studying music and forming valeological competence while studying the valeological discipline "Health Pedagogy" were analyzed. Trend forecasting, based on the use of qualitative indicators of competencies, showed fairly accurate results (with an error of approximately 10%), which allows us to recommend the forecasting method for use by higher education institutions, regardless of the student's study profile. We have also identified four conditions for ensuring the adaptability of higher education: a large number of optional disciplines, the possibility of changing the forms of education, the pace of learning (depending on the abilities and health of students), crediting the results of studies in similar disciplines in other institutions of higher education and in non-formal education. The method proposed by us for predicting the success of training according to an individual educational trajectory can be considered adaptive, because it allows evaluating the results of training in different specialties. Keywords: forecasting, trend method, cloud education technologies, personalized learning. Цитуйте українською у стилі Ванкувер: [Шевченко ОС, Жога РА. Індивідуальна освітня траєкторія в сучасній українській вищій освіті як інструмент адаптивності її середовища. Адаптивне управління: теорія і практика. Серія Педагогіка. 2023;16(31):15p. https://doi.org/10.33296/2707-0255-16(31)-16 Архівовано: https://doi.org/10.5281/zenodo.8308092 [англійською]]. Адаптивність сучасної освіти залежить від низки технічних та організаційних факторів, серед яких забезпеченість навчального процесу комп’ютерною технікою, вміння всіх учасників освітнього процесу користуватися хмарними технологіями, готовність адміністрації закладів вищої освіти (ЗВО) створювати умови для навчання студентів за індивідуальними освітніми траєкторіями. Адаптивність дозволяє ЗВО конкурувати на ринку освітніх послуг, підтримувати рівень навчання у несприятливих умовах тривалою пандемії та війни, змінювати зміст дисциплін відповідно швидкому розвитку науки та технологій. У нашому дослідженні продемонстровані можливості прогнозування успішності індивідуальних освітніх траєкторій за допомогою методу трендів, працюючому на базу широко вживаної офісної програми Microsoft Excel. Проаналізовані індивідуальні освітні траєкторії студентів (окремо одна від іншої), які навчаються за музичним фахом та формують валеологічну компетентність під час вивчення валеологічної дисципліни «Педагогіка здоров’я». Прогнозування методом трендів, що базується на використанні кваліметричних показників компетентностей, показало доволі точні результати (з похибкою приблизно 10 %), що дозволяє нам рекомендувати метод прогнозування для використання закладами вищої освіти незалежно від профілю навчання студентів. Також ми виділили чотири умови для забезпечення адаптивності вищої освіти: велика кількість дисциплін за вибором, можливість змінювати форми навчання, темп навчання (залежно від здібностей та здоров'я студентів) зараховування результатів навчання за аналогічними дисциплінами в інших закладах вищої освіти та при неформальній освіті. Запропонований нами метод прогнозування успішності навчання за індивідуальною освітньою траєкторією можна вважати адаптивним, тому що він дозволяє оцінювати результати навчання за різними спеціальностями. Ключові слова: прогнозування, метод трендів, хмарні технології освіти, персоналізоване навчання.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".