Розглянуто проблему увідповіднення компетентностей фахівців із даних із навичками, затребуваними на ринку праці в галузі науки про дані, що стрімко розвивається. Використовуючи відкритий набір даних із 3744 вакансій у сфері ІТ, у дослідженні застосовано кластеризацію за методом K-середніх для визначення ключових груп навичок для позицій спеціалістів з обробки даних. Оптимальна кількість кластерів визначається за допомогою методу ліктя, в результаті чого отримано 4 окремі кластери: аналітик та інженер даних, інженер платформи даних, спеціаліст із науки про дані та інженерії, а також інженер хмарних даних. Методологія дослідження використовує методи навчання без учителя, зокрема кластеризацію за методом K-середніх, для аналізу розподілу навичок у вакансіях. Кластери візуалізуються за допомогою t-розподіленого включення стохастичних сусідів (t-SNE), що надає змогу зрозуміти взаємозв'язок між різними наборами навичок. Дослідження показує, що назви посад не завжди однозначно визначають необхідні навички, що підкреслює важливість фокусування уваги на конкретних наборах навичок, а не лише на назвах посад. Для подолання розриву між фаховими компетентностями освітніх програм і вимогами галузі запропоновано новий підхід до порівняння частки навичок у кластерах робочих місць із часткою фахових компетентностей в освітніх програмах. Цей метод продемонстровано на прикладі магістерської програми "Інформаційні системи та технології" Херсонського державного університету. Тест ксі-квадрат застосовано для підтвердження статистичної подібності між структурою навичок кластеру "Data Science & Engineering Specialist" та структурою компетентностей освітньої програми. Отримані результати підкреслюють важливість постійної адаптації профайлу освітніх програм до потреб галузі, що постійно змінюються. Запропонований підхід надає закладам вищої освіти основу, що базується на даних, для узгодження їхніх програм із потребами ринку праці, покращуючи можливості працевлаштування випускників у галузі науки про дані. Дослідження також підкреслює необхідність персоналізованих навчальних траєкторій, які можна адаптувати до індивідуальних кар'єрних цілей і прогалин у навичках. Майбутні напрями досліджень включають розробку системи штучного інтелекту для формування індивідуальних освітніх траєкторій на основі навичок, необхідних для конкретних кластерів робочих місць. Це може сприяти подальшому узгодженню між освітою та потребами галузі, що дозволить ефективніше готувати здобувачів до динамічного ринку праці в галузі науки про дані.

 Наукова періодика України 

---

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"