Modernization of the technology for assessing the professionalism and the level of competence of teachers based on the analysis of students’ learning results

Abstract

Представлен анализ разработанных за последние три года подходов, технологий, моделей, связанных с оценкой профессионализма и уровня компетенций педагогов. Акцентировано внимание на исследованиях и разработках, в основу которых положена работа с большими данными, применение технических средств для автоматизации процесса оценки. Сформулирован подход к оценке профессиональных компетенций педагогов, основанный на анализе результатов их учеников. Описан третий этап технологии оценки профессионализма и уровня компетенций педагогов общего образования. Образовательные результаты обучающихся Томской области по национальному единому государственному экзамену были разделены на два массива (естественно-научное и гуманитарное направления), далее к ним применены три алгоритма кластеризации; валидность кластеров исследовалась коэффициентом силуэта и индексом Калински – Харабаса. Оценены метрики результатов алгоритмов и целесообразность их использования в рамках поставленной задачи. An analysis of approaches, technologies, models developed over the past three years related to the assessment of professionalism and the level of competencies of teachers is presented. The attention is focused on research and development, which is based on working with big data, the use of technical means to automate the assessment process. An approach to assessing the professional competencies of teachers based on the analysis of the results of their students is formulated. Within the framework of this paper, the 3rd stage of the technology for assessing professionalism and competence level of general education teachers has been improved, tested and described. Using the data of the learning results of Tomsk region secondary students in the national Unified State Exam (USE), 3 (three) clustering algorithms were applied by technology: k-means, spectral clustering, agglomerative clustering. The learning results under study were on 4 (four) subjects: Russian, Mathematics (profile level), Physics, and Social Studies for the period from 2015 to 2019. The above data were divided into 2 (two) arrays: Science and Humanities, and clustering algorithms mentioned were applied to them. The validity of the clusters was assessed by the method of Silhouette coefficient and Kalinsky-Harabasz index. Some measured parameters of the algorithms and the expediency of their use within the framework of the task were evaluated.