Институт образования

Научные публикации

• Книга

  Власова В. В., Гохберг Л. М., Грачева Г. А. и др.

  Индикаторы инновационной деятельности: 2025 : статистический сборник

  В сборнике представлены результаты статистических обследований инновационных процессов в российской экономике. Методология формирования основных индикаторов базируется на новейших рекомендациях международных организаций в области статистического измерения инноваций (4-й редакции Руководства Осло) и Единой программе обследований инноваций в странах Евросоюза.  
  Основной раздел посвящен характеристике обрабатывающей промышленности. Приводятся статистические данные, отражающие инновационную активность организаций, реализацию продуктовых и процессных инноваций, затраты и результаты инновационной деятельности, в том числе уровень новизны и производство инновационной продукции на основе отечественных разработок.  Детально рассматриваются кооперационные связи организаций, экономические и иные факторы, препятствующие нововведениям, экологические инновации, характеристики инновационно-ориентированных организаций. Представлены международные сопоставления по широкому кругу индикаторов. Информация систематизирована по видам экономической деятельности с учетом уровня технологичности отраслей. В специальных разделах рассмотрены основные показатели инновационной деятельности в сфере услуг, сельском хозяйстве и строительстве. Публикация содержит данные специального мониторинга, раскрывающие проблемы импортозамещения средств производства и обеспеченности инновационных организаций высококвалифицированными специалистами.
  При подготовке сборника использованы материалы Федеральной службы государственной статистики, Организации экономического сотрудничества и развития, Европейской комиссии, Евростата, национальных статистических служб зарубежных государств, собственные методологические и аналитические разработки Института статистических исследований и экономики знаний Национального исследовательского университета «Высшая школа экономики».
  Официальная статистическая информация по России публикуется без учета статистической информации по Донецкой Народной Республике, Луганской Народной Республике, Запорожской и Херсонской областям.

  
  
  
  

  ИСИЭЗ НИУ ВШЭ, 2025.

• Статья

  Ivanov I.

  Institutional transformation of the children’s aftersсhool sector in post-Soviet countries

  Compare: A Journal of Comparative and International Education. 2025. P. 1-18.

• Глава в книге

  Panova A., Slepyh V.

  Science or industry: Improving the quality of the Russian higher education system

  In bk.: Vocation, Technology & Education. Vol. 1. Iss. 4. Shenzhen Polytechnic University, 2024.

• Препринт

  Kardanova E., Ivanova A., Tarasova K. et al.

  A Novel Psychometrics-Based Approach to Developing Professional Competency Benchmark for Large Language Models

  The era of large language models (LLM) raises questions not only about how to train models, but also about how to evaluate them. Despite numerous existing benchmarks, insufficient attention is often given to creating assessments that test LLMs in a valid and reliable manner. To address this challenge, we accommodate the Evidence-centered design (ECD) methodology and propose a comprehensive approach to benchmark development based on rigorous psychometric principles. In this paper, we have made the first attempt to illustrate this approach by creating a new benchmark in the field of pedagogy and education, highlighting the limitations of existing benchmark development approach and taking into account the development of LLMs. We conclude that a new approach to benchmarking is required to match the growing complexity of AI applications in the educational context. We construct a novel benchmark guided by the Bloom's taxonomy and rigorously designed by a consortium of education experts trained in test development. Thus the current benchmark provides an academically robust and practical assessment tool tailored for LLMs, rather than human participants. Tested empirically on the GPT model in the Russian language, it evaluates model performance across varied task complexities, revealing critical gaps in current LLM capabilities. Our results indicate that while generative AI tools hold significant promise for education - potentially supporting tasks such as personalized tutoring, real-time feedback, and multilingual learning - their reliability as autonomous teachers' assistants right now remain rather limited, particularly in tasks requiring deeper cognitive engagement.

  Computation and Language (cs.CL); Artificial Intelligence (cs.AI). cs.CL. arXiv, 2024