Институт образования

Научные публикации

• Книга

  Гохберг Л. М., Дитковский К. А., Евневич Е. И. и др.

  Индикаторы науки: 2025 : статистический сборник

  Статистический сборник продолжает серию публикаций, посвященных различным аспектам развития науки в Российской Федерации. Открывают сборник таблицы, в которых наряду с основными показателями науки и технологий, в том числе в Арктической зоне Российской Федерации, представлены основные показатели инновационной деятельности.  Приводятся статистические данные о составе организаций, выполнявших исследования и разработки, кадрах и финансировании науки, ее материально-технической базе. В отдельных разделах содержатся сведения об интеллектуальной собственности, коммерциализации, разработке и использовании технологий, данные международных сопоставлений. Включен раздел, где подробно отражено состояние науки и технологий на сухопутных территориях Арктической зоны России. В сборнике также освещается деятельность диссертационных советов и защита диссертаций (по материалам Минобрнауки России).
  В работе использованы материалы Федеральной службы государственной статистики, Министерства науки и высшего образования Российской Федерации, Федеральной службы по интеллектуальной собственности, Межгосударственного статистического комитета СНГ, Организации экономического сотрудничества
  и развития, Европейской комиссии, Евростата, ЮНЕСКО, Всемирной организации интеллектуальной собственности, а также методологические и аналитические разработки Института статистических исследований и экономики знаний Национального исследовательского университета «Высшая школа экономики». В ряде случаев данные по отдельным показателям уточняют ранее опубликованные.
  Официальная статистическая информация по России публикуется без учета статистической информации по Донецкой Народной Республике, Луганской
  Народной Республике, Запорожской и Херсонской областям.

  
  
  
  
  

  М.: ИСИЭЗ НИУ ВШЭ, 2025.

• Статья

  Дворецкая И. В., Уваров А. Ю.

  Готовы ли школы к цифровой трансформации: о результатах мониторинга общеобразовательных организаций

  Цифровая трансформация школы рассматривается как составная часть начавшегося более полувека назад процесса цифрового обновления образования, который объединяет изменения учебной среды, содержания, методов и организационных форм учебной работы, а также системы управления образовательной организацией. Проникновение цифровых технологий во все сферы жизни общества стимулирует эти изменение. Для развертывания работ по цифровой трансформации школы требуется оценить готовность школ к трансформационным изменениям, зафиксировать главные отличия предстоящих изменений от тех, что происходили в ходе освоения школами цифровых технологий в прошлые годы. 

  В статье представлены результаты исследования, выполненного с использованием данных Мониторинга цифровой трансформации общеобразовательных организаций, в котором участвовали 85 регионов страны. Приведено распределение школ по ступеням цифрового обновления, которые определены на основе рамочной модели этого процесса. Описаны типичные группы школ, находящихся на каждой ступени. Показано, что используемые сегодня индикаторы внедрения цифровых технологий в образование позволяют фиксировать нарастание изменений, наблюдаемых на начальных ступенях цифрового обновления. Нужны новые индикаторы для фиксации изменений, имеющих место на высших ступенях, где происходит расширение рамок традиционной классно-урочной системы и осуществляется переход к персонализированно-результативной организации обучения.

  Вопросы образования. 2025. Т. 1. № 1. С. 1-15.

• Глава в книге

  Maloshonok N., Zhuchkova S., Bekova S. et al.

  The quality of admissions to Russian doctoral programmes during the COVID-19 pandemic

  Previous studies have shown that the COVID-19 pandemic had a negative impact on higher education systems and student learning globally. However, despite this, many countries experienced an increase in doctoral enrolment in 2020, which has raised concerns about the quality of admission and the motivation of doctoral candidates during the pandemic. This article aims to explore this context by delving into statistics about Russian doctoral programmes, which saw a decline in enrolment from 2010 to 2019. We use data from a web survey of 1,895 students enrolled in doctoral programmes at Russian universities in 2020. The results suggest that the increase in enrolment came in tandem with a decrease in the quality of doctoral admission. More students with non-academic motivation and a lack of academic skills and attainment were admitted. This situation is likely to prompt completion rates to lower over the course of the next three to five years.

  In bk.: Global Perspectives on Graduate and Doctoral Education: International Case Studies. L.: Routledge, 2025. P. 103-112.

• 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