Что нового по цифровой безопасности в DigComp 3.0
📌Компетенции в области цифрового права. Включают понимание регуляторики в цифровой среде, умение делать осознанный выбор при использовании технологий и обмене данными, а также ответственность за цифровой след и влияние на других.
📌Борьба с дезинформацией. Появились компетенции, связанные с умением распознавать манипуляции или фейки, понимать механизмы распространения дезинформации и адекватно реагировать на неё.
📌Благополучие в цифровой среде. Учитываются аспекты цифрового благополучия, баланса между онлайн и офлайн-активностью, управления цифровым стрессом.
📌Интеграция ИИ. Подготовка и деперсонализация данных перед отправкой их в нейросеть; правовые аспекты, очистка от чувствительной информации(например, коммерческой тайны) и т.п. Все это отражает реальность, где ИИ становится частью повседневных цифровых практик.
📌Акцент на человекоцентричности. DigComp 3.0 ставит во главу угла человеческое достоинство, права и благополучие, а это значит, что грамотный пользователь должен учитывать влияние ИКТ на собственное здоровье (а также здоровье других людей) и окружающую среду.
Какие выводы можно сделать?
Разработчики DigComp 3.0 значительно углубили и расширили подход к цифровой безопасности по сравнению с DigComp 2.2 (капитан очевидность?). Новые элементы отражают эволюцию цифровых угроз, возрастающую роль ИИ в нашей жизни, изменения в правовом поле, которые несет в себе цифровизация всего и вся, а также переход к более гибкой и человекоцентричной модели цифровых компетенций.
Наше мнение, что угрозы, которые прямо сейчас стоят перед нами должны повлиять на то, что мы (Россия) должны быть более глубокими и продвинутыми в своем понимании цифровой безопасности. А наши ЦА должны становиться более компетентными. Все в наших руках.
#ЦифроваяГрамотность #ЦифровыеКомпетенции #ЦифроваяБезопасность #Кибербезопасность #DigiComp
DigiComp в Максе
📌Компетенции в области цифрового права. Включают понимание регуляторики в цифровой среде, умение делать осознанный выбор при использовании технологий и обмене данными, а также ответственность за цифровой след и влияние на других.
📌Борьба с дезинформацией. Появились компетенции, связанные с умением распознавать манипуляции или фейки, понимать механизмы распространения дезинформации и адекватно реагировать на неё.
📌Благополучие в цифровой среде. Учитываются аспекты цифрового благополучия, баланса между онлайн и офлайн-активностью, управления цифровым стрессом.
📌Интеграция ИИ. Подготовка и деперсонализация данных перед отправкой их в нейросеть; правовые аспекты, очистка от чувствительной информации(например, коммерческой тайны) и т.п. Все это отражает реальность, где ИИ становится частью повседневных цифровых практик.
📌Акцент на человекоцентричности. DigComp 3.0 ставит во главу угла человеческое достоинство, права и благополучие, а это значит, что грамотный пользователь должен учитывать влияние ИКТ на собственное здоровье (а также здоровье других людей) и окружающую среду.
Какие выводы можно сделать?
Разработчики DigComp 3.0 значительно углубили и расширили подход к цифровой безопасности по сравнению с DigComp 2.2 (капитан очевидность?). Новые элементы отражают эволюцию цифровых угроз, возрастающую роль ИИ в нашей жизни, изменения в правовом поле, которые несет в себе цифровизация всего и вся, а также переход к более гибкой и человекоцентричной модели цифровых компетенций.
Наше мнение, что угрозы, которые прямо сейчас стоят перед нами должны повлиять на то, что мы (Россия) должны быть более глубокими и продвинутыми в своем понимании цифровой безопасности. А наши ЦА должны становиться более компетентными. Все в наших руках.
#ЦифроваяГрамотность #ЦифровыеКомпетенции #ЦифроваяБезопасность #Кибербезопасность #DigiComp
DigiComp в Максе
Все очень классно и интересно, но прооппонируем сообщению коллег ⬇️
Список классических задач для ИИ вне зависимости от отрасли применения примерно следующий:
- Классификация и кластеризация
- Прогнозирование и предсказание
- Распознавание и детектирование
- Обработка естественного языка
- Машинное обучение и выявление аномалий
- Генерация контента + языковые модели.
Первый и второй тип приведенных задач - это генеративные ИИ-ассистенты (они же LLM, которые по сути становятся интерфейсом для в большой мир знаний и навыков). Здесь все - от генерации контента до проектирования и концептуализации. Сюда же - оценка, симуляция и тренажеры. Уже сейчас LLM могут симулировать те или иные ситуации, оценивать скиллы пользователя и давать ему возможность потренироваться. Попробуйте, например, поиграть в викторину с Алисой или потренироваться в бесконфликтном общении и аргументации с ней же. Это оно.
Третий и четвертый тип задач - это чистейший ML, приземленный на учебные датасеты, и классификация с последующей рекомендацией. То есть разделение и сборка учебных данных по определенным признакам.
Пятый тип, кажется, вообще не является типом, потому что ИИ используется в тех же самых задачах, что и в любых других отраслях. Но мы, например, собственными глазами видели пример вайб-кодинга в науке, когда дизайн научного исследования был собран буквально за 30 минут с помощью генеративных нейросетей и отправлен на согласование научному руководителю.
Исходный пост ниже ⬇️
Список классических задач для ИИ вне зависимости от отрасли применения примерно следующий:
- Классификация и кластеризация
- Прогнозирование и предсказание
- Распознавание и детектирование
- Обработка естественного языка
- Машинное обучение и выявление аномалий
- Генерация контента + языковые модели.
Первый и второй тип приведенных задач - это генеративные ИИ-ассистенты (они же LLM, которые по сути становятся интерфейсом для в большой мир знаний и навыков). Здесь все - от генерации контента до проектирования и концептуализации. Сюда же - оценка, симуляция и тренажеры. Уже сейчас LLM могут симулировать те или иные ситуации, оценивать скиллы пользователя и давать ему возможность потренироваться. Попробуйте, например, поиграть в викторину с Алисой или потренироваться в бесконфликтном общении и аргументации с ней же. Это оно.
Третий и четвертый тип задач - это чистейший ML, приземленный на учебные датасеты, и классификация с последующей рекомендацией. То есть разделение и сборка учебных данных по определенным признакам.
Пятый тип, кажется, вообще не является типом, потому что ИИ используется в тех же самых задачах, что и в любых других отраслях. Но мы, например, собственными глазами видели пример вайб-кодинга в науке, когда дизайн научного исследования был собран буквально за 30 минут с помощью генеративных нейросетей и отправлен на согласование научному руководителю.
Исходный пост ниже ⬇️
🔥1
Forwarded from ИИ в науке, образовании и рынке труда
#КартаИИ@aiobraz
Мы начинаем публиковать Карту образовательного ИИ. Инструментов много. Путаницы много. Попробуем разобраться.
План публикаций.
1. Общая карта: какие типы ИИ есть в образовании и науке.
2. Генеративные чат-боты: ChatGPT, Claude, Gemini, Copilot.
3. ИИ-тьюторы: почему подсказка лучше готового ответа.
4. Адаптивное обучение: как платформа строит индивидуальный маршрут.
5. Учебная аналитика: раннее выявление риска и дашборды.
6. ИИ для учителя: планы уроков, тесты, рубрики, материалы.
7. Оценивание и академическая честность: Gradescope, Turnitin, прокторинг.
8. ИИ и инклюзия: субтитры, перевод, чтение, речь.
9. ИИ для literature review: Semantic Scholar, Elicit, Scite, ResearchRabbit.
10. ИИ для документов и конспектов: NotebookLM и RAG.
11. ИИ для кода и анализа данных: Copilot, Codex, Colab, Advanced Data Analysis.
12. AI for Science: AlphaFold, GNoME, BioNeMo, GraphCast.
13. Компьютерное зрение в науке: микроскопы, спутники, телескопы.
14. Автономные лаборатории: ИИ плюс роботы.
15. ИИ-агенты: от помощника к исполнителю задач.
16. Риски, политика и правила внедрения.
Карта ИИ в образовании и науке: что уже используется
ИИ в образовании — это не один «чат-бот для списывания». Это целая группа технологий, которые уже встроены в обучение, научную работу, аналитику, проверку заданий, поиск литературы, лаборатории и административные процессы.
Условно все образовательные и научные ИИ-системы можно разделить на несколько типов.
Первый тип — генеративные ассистенты. Это ChatGPT, Claude, Gemini, Copilot и похожие системы. Они объясняют темы, помогают писать черновики, создавать тесты, разбирать документы, готовить учебные материалы и анализировать данные. OpenAI отдельно предлагает ChatGPT Edu для университетов: он рассчитан на студентов, преподавателей, исследователей и кампусные процессы.
Второй тип — ИИ-тьюторы. Их задача не просто дать ответ, а сопровождать мышление ученика. Например, Claude for Education включает learning mode: режим, который направляет рассуждение студента, а не просто выдаёт готовое решение. Аналогичный режим есть в ChatGpt.
Третий тип — адаптивные платформы. Они анализируют ответы, ошибки и темп ученика, а затем подбирают следующий шаг. Пример — MATHia от Carnegie Learning: система подстраивает математическое обучение под действия ученика.
Четвёртый тип — учебная аналитика. Это ИИ и алгоритмы, которые помогают преподавателю или вузу увидеть: кто отстаёт, где массовая ошибка, какой курс вызывает проблемы, кому нужна поддержка. Алгоритмы прогнозируют или выявляют скрытые аспекты учебного процесса на основе исторических данных и текущего поведения.
Пятый тип — ИИ для науки. Это уже не про рефераты, а про белки, новые материалы, молекулы, погоду и автономные лаборатории. AlphaFold 3, например, предназначен для предсказания структуры и взаимодействий биомолекулярных комплексов.
ИИ может быть репетитором, редактором, аналитиком, ассистентом исследователя, проверяющим, поисковиком, лабораторным ассистентом, планировщиком или административным помощником.
Он полезен там, где усиливает человека. Он опасен там, где без контроля начинает оценивать, обвинять, решать судьбу студента или выдавать гипотезу за доказанный научный факт.
Продолжение следует…
Мы начинаем публиковать Карту образовательного ИИ. Инструментов много. Путаницы много. Попробуем разобраться.
План публикаций.
1. Общая карта: какие типы ИИ есть в образовании и науке.
2. Генеративные чат-боты: ChatGPT, Claude, Gemini, Copilot.
3. ИИ-тьюторы: почему подсказка лучше готового ответа.
4. Адаптивное обучение: как платформа строит индивидуальный маршрут.
5. Учебная аналитика: раннее выявление риска и дашборды.
6. ИИ для учителя: планы уроков, тесты, рубрики, материалы.
7. Оценивание и академическая честность: Gradescope, Turnitin, прокторинг.
8. ИИ и инклюзия: субтитры, перевод, чтение, речь.
9. ИИ для literature review: Semantic Scholar, Elicit, Scite, ResearchRabbit.
10. ИИ для документов и конспектов: NotebookLM и RAG.
11. ИИ для кода и анализа данных: Copilot, Codex, Colab, Advanced Data Analysis.
12. AI for Science: AlphaFold, GNoME, BioNeMo, GraphCast.
13. Компьютерное зрение в науке: микроскопы, спутники, телескопы.
14. Автономные лаборатории: ИИ плюс роботы.
15. ИИ-агенты: от помощника к исполнителю задач.
16. Риски, политика и правила внедрения.
Карта ИИ в образовании и науке: что уже используется
ИИ в образовании — это не один «чат-бот для списывания». Это целая группа технологий, которые уже встроены в обучение, научную работу, аналитику, проверку заданий, поиск литературы, лаборатории и административные процессы.
Условно все образовательные и научные ИИ-системы можно разделить на несколько типов.
Первый тип — генеративные ассистенты. Это ChatGPT, Claude, Gemini, Copilot и похожие системы. Они объясняют темы, помогают писать черновики, создавать тесты, разбирать документы, готовить учебные материалы и анализировать данные. OpenAI отдельно предлагает ChatGPT Edu для университетов: он рассчитан на студентов, преподавателей, исследователей и кампусные процессы.
Второй тип — ИИ-тьюторы. Их задача не просто дать ответ, а сопровождать мышление ученика. Например, Claude for Education включает learning mode: режим, который направляет рассуждение студента, а не просто выдаёт готовое решение. Аналогичный режим есть в ChatGpt.
Третий тип — адаптивные платформы. Они анализируют ответы, ошибки и темп ученика, а затем подбирают следующий шаг. Пример — MATHia от Carnegie Learning: система подстраивает математическое обучение под действия ученика.
Четвёртый тип — учебная аналитика. Это ИИ и алгоритмы, которые помогают преподавателю или вузу увидеть: кто отстаёт, где массовая ошибка, какой курс вызывает проблемы, кому нужна поддержка. Алгоритмы прогнозируют или выявляют скрытые аспекты учебного процесса на основе исторических данных и текущего поведения.
Пятый тип — ИИ для науки. Это уже не про рефераты, а про белки, новые материалы, молекулы, погоду и автономные лаборатории. AlphaFold 3, например, предназначен для предсказания структуры и взаимодействий биомолекулярных комплексов.
ИИ может быть репетитором, редактором, аналитиком, ассистентом исследователя, проверяющим, поисковиком, лабораторным ассистентом, планировщиком или административным помощником.
Он полезен там, где усиливает человека. Он опасен там, где без контроля начинает оценивать, обвинять, решать судьбу студента или выдавать гипотезу за доказанный научный факт.
Продолжение следует…
❤1
Карта цифровых компетенций
Раз пошла такая пьянка, и люди рисуют свои карты чего-нибудь, то мы решили показать вам карту цифровых компетенций, которая материализовалась за несколько лет практики.
Это многоуровневая структура, где каждый уровень предполагает всё более глубокую специализацию.
Уровень 1. Цифровая грамотность
Это фундамент всей архитектуры — набор базовых навыков, необходимых каждому человеку. Цифровая грамотность не требует профессиональной подготовки — эти навыки можно освоить самостоятельно.
Уровень 2. Специализированные цифровые компетенции
На этом уровне цифровые навыки адаптируются к конкретной профессии или бизнес‑процессам внутри организации. Например, бухгалтер без 1С сейчас даже и не бухглатер.
Уровень 3. ИТ‑компетенции и профессиональные цифровые компетенции
Вершина пирамиды — компетенции, требующие профильного образования и опыта. Они необходимы ИТ‑специалистам и профессионалам, чья работа напрямую связана с созданием, развитием и поддержкой цифровых решений.
DigiComp в Максе
Раз пошла такая пьянка, и люди рисуют свои карты чего-нибудь, то мы решили показать вам карту цифровых компетенций, которая материализовалась за несколько лет практики.
Это многоуровневая структура, где каждый уровень предполагает всё более глубокую специализацию.
Уровень 1. Цифровая грамотность
Это фундамент всей архитектуры — набор базовых навыков, необходимых каждому человеку. Цифровая грамотность не требует профессиональной подготовки — эти навыки можно освоить самостоятельно.
Уровень 2. Специализированные цифровые компетенции
На этом уровне цифровые навыки адаптируются к конкретной профессии или бизнес‑процессам внутри организации. Например, бухгалтер без 1С сейчас даже и не бухглатер.
Уровень 3. ИТ‑компетенции и профессиональные цифровые компетенции
Вершина пирамиды — компетенции, требующие профильного образования и опыта. Они необходимы ИТ‑специалистам и профессионалам, чья работа напрямую связана с созданием, развитием и поддержкой цифровых решений.
DigiComp в Максе
Доказательные методы оценки компетенций
Недавно у нас случился очень обескураживающий разговор об оценке ИТ-персонала, во время которого лейтмотивом был вопрос, а что нового в оценке айтишников сейчас происходит, куда все движется? В результате небольшой рефлексии после этого разговора, появилась мысль написать невысказанное о доказательных методах оценки ИТ-персонала (в английском переводе - Evidence-based assessment, EBA).
Что это такое?
А это простыми словами оценка компетенций сотрудника по его действиям, а не в результате опроса. Подход считается более надежным, чем анализ данных, полученных в результате психометрических или знаниевых тестов.
Из наиболее понятного большинству, например, такого рода оценкой является сдача экзамена на права на площадке.
Какие компетенции можно оценить?
📌Технические харды (знание языков программирования, владение фреймворками и библиотеками, понимание алгоритмов, навки работы с базами данных и др.)
📌Проектные и методологические (работа в Agile/Scrum, управление бэклогом, оценка сроков и рисков)
📌Аналитические и проблемно-ориентированные скиллы (декомпозиция задач, кибербез/инфобез, поиск и устранение ошибок, оптимизация кода и процессов)
📌Софты (здесь хорошим примером будут оценочно-развивающие конференции)
Распространенные доказательные практики
🎯Технические собеседования (Кодировочные тесты, типа HackerRank, LeetCode) — оценка алгоритмического мышления и навыков программирования через решение задач с автоматической проверкой.
🎯Проектные задания — мини‑проекты, имитирующие реальные рабочие задачи (например, разработать API или оптимизировать запрос к БД).
🎯Поведенческие интервью по модели STAR (Situation, Task, Action, Result) — структурированный разбор прошлых кейсов сотрудника или кандидата с фокусом на конкретные действия и результаты.
🎯Ассессмент‑центры — комплексные сессии с групповыми дискуссиями, кейсами и ролевыми играми для оценки софт-скиллов и командной работы.
🎯Рецензирование кода (code review) — анализ реального или тестового кода на соответствие стандартам, читаемость, эффективность.
🎯Сертификационные экзамены от вендоров (Microsoft, Google, AWS) — стандартизированная проверка навыков по конкретным технологиям.
#ИТкомпетенции #ЦифровыеКомпетенции #ЦифроваяБезопасность #ОценкаПерсонала #DigiComp
DigiComp в Максе
Недавно у нас случился очень обескураживающий разговор об оценке ИТ-персонала, во время которого лейтмотивом был вопрос, а что нового в оценке айтишников сейчас происходит, куда все движется? В результате небольшой рефлексии после этого разговора, появилась мысль написать невысказанное о доказательных методах оценки ИТ-персонала (в английском переводе - Evidence-based assessment, EBA).
Что это такое?
А это простыми словами оценка компетенций сотрудника по его действиям, а не в результате опроса. Подход считается более надежным, чем анализ данных, полученных в результате психометрических или знаниевых тестов.
Из наиболее понятного большинству, например, такого рода оценкой является сдача экзамена на права на площадке.
Какие компетенции можно оценить?
📌Технические харды (знание языков программирования, владение фреймворками и библиотеками, понимание алгоритмов, навки работы с базами данных и др.)
📌Проектные и методологические (работа в Agile/Scrum, управление бэклогом, оценка сроков и рисков)
📌Аналитические и проблемно-ориентированные скиллы (декомпозиция задач, кибербез/инфобез, поиск и устранение ошибок, оптимизация кода и процессов)
📌Софты (здесь хорошим примером будут оценочно-развивающие конференции)
Распространенные доказательные практики
🎯Технические собеседования (Кодировочные тесты, типа HackerRank, LeetCode) — оценка алгоритмического мышления и навыков программирования через решение задач с автоматической проверкой.
🎯Проектные задания — мини‑проекты, имитирующие реальные рабочие задачи (например, разработать API или оптимизировать запрос к БД).
🎯Поведенческие интервью по модели STAR (Situation, Task, Action, Result) — структурированный разбор прошлых кейсов сотрудника или кандидата с фокусом на конкретные действия и результаты.
🎯Ассессмент‑центры — комплексные сессии с групповыми дискуссиями, кейсами и ролевыми играми для оценки софт-скиллов и командной работы.
🎯Рецензирование кода (code review) — анализ реального или тестового кода на соответствие стандартам, читаемость, эффективность.
🎯Сертификационные экзамены от вендоров (Microsoft, Google, AWS) — стандартизированная проверка навыков по конкретным технологиям.
#ИТкомпетенции #ЦифровыеКомпетенции #ЦифроваяБезопасность #ОценкаПерсонала #DigiComp
DigiComp в Максе
Иерархические системы образовательных целей
Во время публикации обзора модели DigComp 3.0 один из подписчиков нашего канала обратил внимание, что уровни владения компетенциями цифровой грамотности напоминают архитектуру таксономии Блума. За это разработчики удостоились отдельной похвалы.
Ну, собственно, да. А что такого? Мы стоим на позиции, что иерархические классификации образовательных целей - это правильно и, вообще, норма жизни. Поэтому чуть-чуть о том, что же сделалтоварищ господин Бенджамин Блум со своими коллегами.
К 1950-м годам в педагогике уже существовало множество терминов и понятий, описывающих образовательные цели, но отсутствовала чёткая иерархия или система классификации. Это затрудняло постановку конкретных целей обучения, их реализацию и оценку результатов. Блум и его коллеги решили создать единую классификацию, которая бы упорядочила образовательные цели и улучшила взаимодействие между преподавателями и учениками.
Идея заключалась в том, чтобы разработать модель, которая помогала бы педагогам структурировать образовательный процесс, определять желаемые результаты обучения и оценивать достижения учащихся.
Оригинальная таксономия, опубликованная в 1956 году в работе «Таксономия образовательных целей: Классификация когнитивных целей», включала шесть уровней когнитивных навыков. Они были расположены иерархически: от базового уровня «Знание» (запоминание и воспроизведение информации) через «Понимание», «Применение», «Анализ» к более сложным — «Синтез» и «Оценка».
Иерархическая модель предполагала последовательное прохождение уровней: ученик должен был постепенно продвигаться от простого к сложному, осваивая материал. Такая структура позволяла педагогам выстраивать обучение системно, формулировать чёткие цели для каждого этапа и подбирать соответствующие задания и методы оценки.
О влиянии таксономии Блума на андрагогику говорить не будем, кажется, здесь все очевидно. Образовательное (педагогическое, педдизайнерское и т.п.) сообщество до сих пор громко ахает от гениальности иерархической модели Блума и использует ее к месту и не к месту. Но стоит отметить, что многие истории с проектированием образовательного опыта и концепция lifelong learning, например, без этого были бы не очень реализуемы на практике.
В 2001 году коллеги и ученики Блума модернизировали таксономию, она стала удобнее для применения в работе, но это уже другая история.
#Педдизайн #Андрагогика #DigiComp #ЦифровыеКомпетенции
DigiComp в Максе
Во время публикации обзора модели DigComp 3.0 один из подписчиков нашего канала обратил внимание, что уровни владения компетенциями цифровой грамотности напоминают архитектуру таксономии Блума. За это разработчики удостоились отдельной похвалы.
Ну, собственно, да. А что такого? Мы стоим на позиции, что иерархические классификации образовательных целей - это правильно и, вообще, норма жизни. Поэтому чуть-чуть о том, что же сделал
К 1950-м годам в педагогике уже существовало множество терминов и понятий, описывающих образовательные цели, но отсутствовала чёткая иерархия или система классификации. Это затрудняло постановку конкретных целей обучения, их реализацию и оценку результатов. Блум и его коллеги решили создать единую классификацию, которая бы упорядочила образовательные цели и улучшила взаимодействие между преподавателями и учениками.
Идея заключалась в том, чтобы разработать модель, которая помогала бы педагогам структурировать образовательный процесс, определять желаемые результаты обучения и оценивать достижения учащихся.
Оригинальная таксономия, опубликованная в 1956 году в работе «Таксономия образовательных целей: Классификация когнитивных целей», включала шесть уровней когнитивных навыков. Они были расположены иерархически: от базового уровня «Знание» (запоминание и воспроизведение информации) через «Понимание», «Применение», «Анализ» к более сложным — «Синтез» и «Оценка».
Иерархическая модель предполагала последовательное прохождение уровней: ученик должен был постепенно продвигаться от простого к сложному, осваивая материал. Такая структура позволяла педагогам выстраивать обучение системно, формулировать чёткие цели для каждого этапа и подбирать соответствующие задания и методы оценки.
О влиянии таксономии Блума на андрагогику говорить не будем, кажется, здесь все очевидно. Образовательное (педагогическое, педдизайнерское и т.п.) сообщество до сих пор громко ахает от гениальности иерархической модели Блума и использует ее к месту и не к месту. Но стоит отметить, что многие истории с проектированием образовательного опыта и концепция lifelong learning, например, без этого были бы не очень реализуемы на практике.
В 2001 году коллеги и ученики Блума модернизировали таксономию, она стала удобнее для применения в работе, но это уже другая история.
#Педдизайн #Андрагогика #DigiComp #ЦифровыеКомпетенции
DigiComp в Максе
Telegram
DigiComp || Цифровые компетенции
Обзор рамки DigComp 3.0
В декабре 2025 была опубликована обновлённая версия Европейской рамки цифровых компетенций DigComp (European Digital Competence Framework), версия 3.0.
Мы беремся за обзор изменений рамки ввиду ее широкого применения как основы для…
В декабре 2025 была опубликована обновлённая версия Европейской рамки цифровых компетенций DigComp (European Digital Competence Framework), версия 3.0.
Мы беремся за обзор изменений рамки ввиду ее широкого применения как основы для…
Продолжение про таксономию Блума
В 2001 году таксономию Блума пересмотрели психологи-педагоги Дэвид Крэтвол (работавший над оригинальной таксономией вместе с Блумом) и Лорин Андерсон (ученица Блума).
Что поменялось?
📌Смена названий уровней на глаголы. В оригинальной таксономии уровни были выражены существительными: «Знание», «Понимание», «Применение», «Анализ», «Синтез», «Оценка». В обновлённой версии их заменили на глаголы, подчёркивая активный характер обучения: «Запоминает» (Remembering), «Понимает» (Understanding), «Применяет» (Applying), «Анализирует» (Analyzing), «Оценивает» (Evaluating), «Создает» (Creating).
Все модели компетенций, которые проектировались авторами этого канала содержали индикаторы в глагольной форме. Считаем это правильным.
📌Изменение порядка верхних уровней. В оригинальной таксономии на вершине иерархии находилась «Оценка» (Evaluation). В обновлённой версии её переместили на пятый уровень, а на вершину поставили «Создает» (Creating) — новый уровень, который не был представлен в первоначальной модели. Авторы аргументировали это тем, что создание чего-то нового на основе изученного материала требует более сложных когнитивных усилий, чем критическая оценка готовых данных.
📌Введение четырёх категорий знаний. В оригинальной таксономии «Знание» было базовым уровнем. В обновлённой версии это понятие разделили на четыре категории:
🎯Фактологические знания — базовые знания для изучаемой области: термины, определения, даты, символы.
🎯Концептуальные знания — взаимосвязи между элементами базового материала, теории, модели, классификации.
🎯Процедурные знания — алгоритмы, техники, методы и процедуры, которые помогают выполнять конкретные действия.
🎯Метакогнитивные знания — понимание того, как работает мышление, осознание собственных процессов обучения и способности к обучению.
📌Двумерная структура. Обновлённая таксономия стала «двухмерной»: она учитывает не только когнитивные процессы, но и разные типы знаний. Это позволило создать матрицу (Taxonomy Table), где по столбцам перечислены уровни когнитивных процессов, а по строкам — категории знаний. В ячейках можно формулировать конкретные учебные цели в формате «активный глагол + объект изучения».
📌Допущение пересечения уровней. В оригинальной таксономии предполагалось строго последовательное прохождение уровней. В обновлённой версии допускается, что уровни могут пересекаться, что ближе к реальному процессу обучения.
Обновлённая таксономия стала более гибкой и детализированной, что позволило шире применять её в современных образовательных практиках, включая обучение взрослых. Поэтому применение этого подхода к проектированию моделей цифровых компетенций - норма жизни, удивляться этому не стоит, а, наоборот, нужно всячески пропагандировать.
А следующим постом приведем три хороших иллюстрации по теме из открытых источников.
#Педдизайн #Андрагогика #DigiComp #ЦифровыеКомпетенции
DigiComp в Максе
В 2001 году таксономию Блума пересмотрели психологи-педагоги Дэвид Крэтвол (работавший над оригинальной таксономией вместе с Блумом) и Лорин Андерсон (ученица Блума).
Что поменялось?
📌Смена названий уровней на глаголы. В оригинальной таксономии уровни были выражены существительными: «Знание», «Понимание», «Применение», «Анализ», «Синтез», «Оценка». В обновлённой версии их заменили на глаголы, подчёркивая активный характер обучения: «Запоминает» (Remembering), «Понимает» (Understanding), «Применяет» (Applying), «Анализирует» (Analyzing), «Оценивает» (Evaluating), «Создает» (Creating).
Все модели компетенций, которые проектировались авторами этого канала содержали индикаторы в глагольной форме. Считаем это правильным.
📌Изменение порядка верхних уровней. В оригинальной таксономии на вершине иерархии находилась «Оценка» (Evaluation). В обновлённой версии её переместили на пятый уровень, а на вершину поставили «Создает» (Creating) — новый уровень, который не был представлен в первоначальной модели. Авторы аргументировали это тем, что создание чего-то нового на основе изученного материала требует более сложных когнитивных усилий, чем критическая оценка готовых данных.
📌Введение четырёх категорий знаний. В оригинальной таксономии «Знание» было базовым уровнем. В обновлённой версии это понятие разделили на четыре категории:
🎯Фактологические знания — базовые знания для изучаемой области: термины, определения, даты, символы.
🎯Концептуальные знания — взаимосвязи между элементами базового материала, теории, модели, классификации.
🎯Процедурные знания — алгоритмы, техники, методы и процедуры, которые помогают выполнять конкретные действия.
🎯Метакогнитивные знания — понимание того, как работает мышление, осознание собственных процессов обучения и способности к обучению.
📌Двумерная структура. Обновлённая таксономия стала «двухмерной»: она учитывает не только когнитивные процессы, но и разные типы знаний. Это позволило создать матрицу (Taxonomy Table), где по столбцам перечислены уровни когнитивных процессов, а по строкам — категории знаний. В ячейках можно формулировать конкретные учебные цели в формате «активный глагол + объект изучения».
📌Допущение пересечения уровней. В оригинальной таксономии предполагалось строго последовательное прохождение уровней. В обновлённой версии допускается, что уровни могут пересекаться, что ближе к реальному процессу обучения.
Обновлённая таксономия стала более гибкой и детализированной, что позволило шире применять её в современных образовательных практиках, включая обучение взрослых. Поэтому применение этого подхода к проектированию моделей цифровых компетенций - норма жизни, удивляться этому не стоит, а, наоборот, нужно всячески пропагандировать.
А следующим постом приведем три хороших иллюстрации по теме из открытых источников.
#Педдизайн #Андрагогика #DigiComp #ЦифровыеКомпетенции
DigiComp в Максе
Иллюстрации для предыдущего поста (взяли в блоге bitobe и skillbox).
Искусственный+Интеллект_+5_9+классы_+Методическое+пособие.pdf
2.2 MB
О. Смотрите, что нашлось на просторах интернета.
По опыту общения со школьниками и студентами устойчивого навыка эффективного взаимодействия с нейросетями нет у 99% из них. Так что такая методичка - это хорошо.
Но предлагается она для углубленного обучения на уроках информатики, а это точно история не для всех.
Возможно, позже появится такая же методичка, но для более широкой аудитории школьников. Это было бы очень нужно и полезно.
DigiComp в Максе
По опыту общения со школьниками и студентами устойчивого навыка эффективного взаимодействия с нейросетями нет у 99% из них. Так что такая методичка - это хорошо.
Но предлагается она для углубленного обучения на уроках информатики, а это точно история не для всех.
Возможно, позже появится такая же методичка, но для более широкой аудитории школьников. Это было бы очень нужно и полезно.
DigiComp в Максе
Про терминологию
Многие из пока немногих наших читателей наверняка замечали в работе некоторую путаницу и дублирование терминов и профессионального сленга, связанного с развитием и оценкой цифровых компетенций. Мы решили периодически возвращаться к теме глоссария, чтобы фиксировать употребляемые в практике понятия, и чтобы мы с вами могли общаться на одном языке.
Сегодня мы про кибергигиену.
Термин «кибергигиена» впервые употребил Винтон Г. Серф — старший вице-президент по интернет-архитектуре и технологиям MCI WorldCom. Это произошло 23 февраля 2000 года в его заявлении для объединённого экономического комитета Сената США.
В своём выступлении Серф сказал:
Этот факт зафиксирован в зарубежных и отечественных научных публикациях, так что примем его как факт.
Если суммировать подходы к определению этого термина в разных странах (Россия, США, Евросоюз, Китай, Индия), то получится следующее определение:
Сравнение кибергигиены с личной гигиеной подразумевает, что оно также включает в себя регулярные профилактические меры.
В России последние 10 лет публикуется огромное количество научных работ по кибергигиене (к некоторым мы обращались, пока писали этот пост). Так что если у кого-то будет интерес покопаться в этом поглубже, то КиберЛенинка в помощь!
#ИТкомпетенции #ЦифровыеКомпетенции #ЦифроваяБезопасность #Кибергигиена #DigiComp
DigiComp в Максе
Многие из пока немногих наших читателей наверняка замечали в работе некоторую путаницу и дублирование терминов и профессионального сленга, связанного с развитием и оценкой цифровых компетенций. Мы решили периодически возвращаться к теме глоссария, чтобы фиксировать употребляемые в практике понятия, и чтобы мы с вами могли общаться на одном языке.
Сегодня мы про кибергигиену.
Термин «кибергигиена» впервые употребил Винтон Г. Серф — старший вице-президент по интернет-архитектуре и технологиям MCI WorldCom. Это произошло 23 февраля 2000 года в его заявлении для объединённого экономического комитета Сената США.
В своём выступлении Серф сказал:
«Я считаю, что сам Интернет по большей части безопасен, хотя есть шаги, которые, как мы знаем, можно предпринять для повышения безопасности и устойчивости. Большинство уязвимостей исходит от тех, кто использует Интернет (компании, правительства, академические учреждения и отдельные лица), но не соблюдает то, что я называю хорошей кибергигиеной. Они недостаточно чувствительны к необходимости защиты безопасности интернет-сообщества».
Этот факт зафиксирован в зарубежных и отечественных научных публикациях, так что примем его как факт.
Если суммировать подходы к определению этого термина в разных странах (Россия, США, Евросоюз, Китай, Индия), то получится следующее определение:
Кибергигиена - это набор действий и мер, которые пользователи и организации предпринимают для повышения безопасности в киберпространстве, защиты данных и устройств, а также предотвращения киберугроз.
Сравнение кибергигиены с личной гигиеной подразумевает, что оно также включает в себя регулярные профилактические меры.
В России последние 10 лет публикуется огромное количество научных работ по кибергигиене (к некоторым мы обращались, пока писали этот пост). Так что если у кого-то будет интерес покопаться в этом поглубже, то КиберЛенинка в помощь!
#ИТкомпетенции #ЦифровыеКомпетенции #ЦифроваяБезопасность #Кибергигиена #DigiComp
DigiComp в Максе
Фреймворки для промптинга
Вы хотели, а мы обещали, немного опросов и исследований. Некоторое время назад в рамках подготовки к выступлению на круглом столе АНО “Цифровая экономика” мы провели опрос работников учреждений из контура одного из Департаментов Правительства Москвы по теме использования нейросетей в личной эффективности. В выборку попали коллеги, которые заявили, что регулярно и эффективно используют нейросети в работе, то есть о репрезентативности речи не идет. Тем не менее. Основным инсайтом стало, что практически 100% респондентов отметили, что используют готовые фреймворки для написания промптов.
Среди преимуществ были названы следующие плюсы:
📌Фреймы повышают качество и предсказуемость ответов ИИ;
📌Позволяют структурировать запрос — чётко задают роль, задачу, контекст, формат результата;
📌Экономят время: готовые шаблоны ускоряют работу;
📌Снижают риск неоднозначных или нерелевантных ответов.
Однако некоторые коллеги отметили и недостатки:
📌Излишняя формализация ограничивает креативность;
📌Не все задачи удобно вписывать в жёсткий формат фрейма.
А теперь самое интересное. Какие фреймы были названы, как наиболее удобные в работе.
🎯CRAFT (самый распространенный)
Context - контекст
Request - запрос
Actions - инструкции
Format - формат
Template - примеры
🎯AUTOMAT
Act as a… - Роль
User Persona & Audience - Аудитория
Targeted Action – Целевое действие
Output Definition – Формат выдачи
Mode / Tonality / Style – Настроение, стиль
Atypical Cases - Исключения
Topic Whitelisting – Допустимый контекст
🎯КОМПОЗИТОР (самый отечественный и самый подробный)
К-О-М (промт «Кто ты — Обстановка — Миссия»),
П‑О‑З‑И (промт «Позитивный пример — Отрицательный пример — Зона работы — Инспекция»),
Т-О-Р (промт «Тон — Окружение — Результат»)
Также были названы:
CARE (Context-Action-Result-Example)
RISE (Role-Input-Steps-Expectation)
RFT (Role-Task-Format)
TAG (Task-Action-Goal)
Личное отношение экспертов нашего канала, что фреймы необходимы как стандарт работы в организациях (своеобразный чеклист по составлению промпта, который позволяет получать прогнозируемое качество ответа нейросети), а также при автоматизации массовых запросов к нейросетям. Кроме того, придерживаться фрейма полезно, если вы только начинаете активно пользоваться нейросетями и еще не довели навык написания промптов до автоматизма.
#ИИ #AI #ЦифроваяГрамотность #ИИкомпетенции #ЦифровыеКомпетенции #DigiComp
DigiComp в Максе
Вы хотели, а мы обещали, немного опросов и исследований. Некоторое время назад в рамках подготовки к выступлению на круглом столе АНО “Цифровая экономика” мы провели опрос работников учреждений из контура одного из Департаментов Правительства Москвы по теме использования нейросетей в личной эффективности. В выборку попали коллеги, которые заявили, что регулярно и эффективно используют нейросети в работе, то есть о репрезентативности речи не идет. Тем не менее. Основным инсайтом стало, что практически 100% респондентов отметили, что используют готовые фреймворки для написания промптов.
Среди преимуществ были названы следующие плюсы:
📌Фреймы повышают качество и предсказуемость ответов ИИ;
📌Позволяют структурировать запрос — чётко задают роль, задачу, контекст, формат результата;
📌Экономят время: готовые шаблоны ускоряют работу;
📌Снижают риск неоднозначных или нерелевантных ответов.
Однако некоторые коллеги отметили и недостатки:
📌Излишняя формализация ограничивает креативность;
📌Не все задачи удобно вписывать в жёсткий формат фрейма.
А теперь самое интересное. Какие фреймы были названы, как наиболее удобные в работе.
🎯CRAFT (самый распространенный)
Context - контекст
Request - запрос
Actions - инструкции
Format - формат
Template - примеры
🎯AUTOMAT
Act as a… - Роль
User Persona & Audience - Аудитория
Targeted Action – Целевое действие
Output Definition – Формат выдачи
Mode / Tonality / Style – Настроение, стиль
Atypical Cases - Исключения
Topic Whitelisting – Допустимый контекст
🎯КОМПОЗИТОР (самый отечественный и самый подробный)
К-О-М (промт «Кто ты — Обстановка — Миссия»),
П‑О‑З‑И (промт «Позитивный пример — Отрицательный пример — Зона работы — Инспекция»),
Т-О-Р (промт «Тон — Окружение — Результат»)
Также были названы:
CARE (Context-Action-Result-Example)
RISE (Role-Input-Steps-Expectation)
RFT (Role-Task-Format)
TAG (Task-Action-Goal)
Личное отношение экспертов нашего канала, что фреймы необходимы как стандарт работы в организациях (своеобразный чеклист по составлению промпта, который позволяет получать прогнозируемое качество ответа нейросети), а также при автоматизации массовых запросов к нейросетям. Кроме того, придерживаться фрейма полезно, если вы только начинаете активно пользоваться нейросетями и еще не довели навык написания промптов до автоматизма.
#ИИ #AI #ЦифроваяГрамотность #ИИкомпетенции #ЦифровыеКомпетенции #DigiComp
DigiComp в Максе
Блок компетенций по работе с данными в DigComp 3.0
Вернемся к деталям модели DigComp 3.0. В этот раз хотелось бы разобрать область компетенций по работе с данными. Сам блок сформулирован как «Поиск, оценка и управление информацией» (Information search, evaluation and management) и определен следующим образом:
Более детально - на уровне компетенций и индикаторов это выглядит следующим образом:
📌Просмотр, поиск и фильтрация информации: умение формулировать информационные потребности, искать данные и контент в цифровых средах, перемещаться между ресурсами.
📌Оценка данных, информации и цифрового контента: способность критически анализировать источники, распознавать манипулируемый или ложный контент, понимать механизмы распространения дезинформации.
📌Управление данными, информацией и цифровым контентом: навыки организации, хранения и извлечения информации, обработки данных в структурированных средах (например, в электронных таблицах), резервного копирования и восстановления данных.
Как это влияет на обучение сотрудников?
Программа обучения по работе с информацией и данными, на основе рамки DigComp 3.0 могла бы включать следующие темы:
🎯Основы поиска информации: техники эффективного поиска, использование расширенных функций поисковых систем, работа с базами данных.
🎯Критическая оценка источников: критерии надёжности информации, распознавание фейков и манипулятивного контента, понимание влияния социальных медиа и «пузырей фильтров».
🎯Управление данными: организация файлов и папок, использование облачных сервисов, резервное копирование, этичное и безопасное управление данными.
🎯Анализ данных: базовые навыки работы с электронными таблицами, использование инструментов для обработки и визуализации данных, семиотика данных, применение аналитики для принятия решений.
🎯Правовые аспекты: понимание норм о защите данных (например, GDPR или работа с персональными данными), конфиденциальность и защита собственных аккаунтов, ответственность за распространение информации.
В следующем посте разберем подробно (насколько это может позволить формат телеграм-канала), как в эту область компетенций интегрированы индикаторы, связанные с ИИ-компетенциями.
#ЦифроваяГрамотность #ЦифровыеКомпетенции #DataLiteracy #Работасданными #DigiComp
DigiComp в Максе
Вернемся к деталям модели DigComp 3.0. В этот раз хотелось бы разобрать область компетенций по работе с данными. Сам блок сформулирован как «Поиск, оценка и управление информацией» (Information search, evaluation and management) и определен следующим образом:
Область компетенций 1: Поиск, оценка и управление информацией.
Формулировать информационные потребности, а также искать, находить и извлекать цифровую информацию и контент. Оценивать релевантность источника и его содержимого в цифровой среде. Критически оценивать цифровые источники, контент и процессы, используемые для их создания. Хранить, управлять, организовывать и анализировать цифровую информацию и данные.
Более детально - на уровне компетенций и индикаторов это выглядит следующим образом:
📌Просмотр, поиск и фильтрация информации: умение формулировать информационные потребности, искать данные и контент в цифровых средах, перемещаться между ресурсами.
📌Оценка данных, информации и цифрового контента: способность критически анализировать источники, распознавать манипулируемый или ложный контент, понимать механизмы распространения дезинформации.
📌Управление данными, информацией и цифровым контентом: навыки организации, хранения и извлечения информации, обработки данных в структурированных средах (например, в электронных таблицах), резервного копирования и восстановления данных.
Как это влияет на обучение сотрудников?
Программа обучения по работе с информацией и данными, на основе рамки DigComp 3.0 могла бы включать следующие темы:
🎯Основы поиска информации: техники эффективного поиска, использование расширенных функций поисковых систем, работа с базами данных.
🎯Критическая оценка источников: критерии надёжности информации, распознавание фейков и манипулятивного контента, понимание влияния социальных медиа и «пузырей фильтров».
🎯Управление данными: организация файлов и папок, использование облачных сервисов, резервное копирование, этичное и безопасное управление данными.
🎯Анализ данных: базовые навыки работы с электронными таблицами, использование инструментов для обработки и визуализации данных, семиотика данных, применение аналитики для принятия решений.
🎯Правовые аспекты: понимание норм о защите данных (например, GDPR или работа с персональными данными), конфиденциальность и защита собственных аккаунтов, ответственность за распространение информации.
В следующем посте разберем подробно (насколько это может позволить формат телеграм-канала), как в эту область компетенций интегрированы индикаторы, связанные с ИИ-компетенциями.
#ЦифроваяГрамотность #ЦифровыеКомпетенции #DataLiteracy #Работасданными #DigiComp
DigiComp в Максе
🔥1
Продолжение про компетенции по работе с данными в DigComp 3.0
Как мы уже писали, индикаторы, связанные с ИИ в DigComp 3.0 интегрированы во все компетенции фреймворка (их, напомним, 21 единица). Эти индикаторы помечены специальными тегами (например, [AI-E] и [AI-I]), которые указывают на явную или неявную связь с ИИ. Явные компетенции напрямую касаются ИИ (например, понимание работы ИИ-моделей), а неявные — контексты, где ИИ может присутствовать, но не является основным фокусом (например, оценка достоверности информации, сгенерированной ИИ). Конкретно в области компетенций по работе с данными такими значками помечен каждый (!) индикатор на каждом уровне выраженности, кроме базового уровня компетенции 1.3 Управление информацией. Поэтому хотели привести парочку примеров, но делать этого не будем, иначе это будет “Война и мир” только про цифровую грамотность.
Как это влияет на обучение сотрудников
При разработке программ обучения по работе с информацией и данными в рамках DigComp 3.0 стоит уделить внимание следующим аспектам, связанным с ИИ:
📌Критическая оценка выдачи ИИ: оценка достоверности и надежности выдачи, оценка соответствия выдачи запросу, обучение навыкам распознавания признаков того, что информация или изображение созданы с помощью ИИ
📌Понимание рисков дезинформации: развитие умения идентифицировать манипулятивный контент, который может быть сгенерирован ИИ, и критически относиться к нему.
📌Этические и правовые аспекты использования ИИ: ответственное распространение информации, созданной с помощью ИИ, и соблюдения цифровых прав.
📌Подготовка данных к заливке в нейросеть: деперсонализация, очистка данных от персональных данных и информации КТ/ДСП в соответствии с законодательством и внутренними ЛНА компании. Сюда же войдет структурирование и атрибуция данных под задачу.
📌Постановка задач нейросети (промптинг) по классификации, кластеризации, поиску аномалий в данных, а также аугментации и разметке данных под задачу.
#ЦифроваяГрамотность #ЦифровыеКомпетенции #DataLiteracy #Работасданными #DigiComp
DigiComp в Максе
Как мы уже писали, индикаторы, связанные с ИИ в DigComp 3.0 интегрированы во все компетенции фреймворка (их, напомним, 21 единица). Эти индикаторы помечены специальными тегами (например, [AI-E] и [AI-I]), которые указывают на явную или неявную связь с ИИ. Явные компетенции напрямую касаются ИИ (например, понимание работы ИИ-моделей), а неявные — контексты, где ИИ может присутствовать, но не является основным фокусом (например, оценка достоверности информации, сгенерированной ИИ). Конкретно в области компетенций по работе с данными такими значками помечен каждый (!) индикатор на каждом уровне выраженности, кроме базового уровня компетенции 1.3 Управление информацией. Поэтому хотели привести парочку примеров, но делать этого не будем, иначе это будет “Война и мир” только про цифровую грамотность.
Как это влияет на обучение сотрудников
При разработке программ обучения по работе с информацией и данными в рамках DigComp 3.0 стоит уделить внимание следующим аспектам, связанным с ИИ:
📌Критическая оценка выдачи ИИ: оценка достоверности и надежности выдачи, оценка соответствия выдачи запросу, обучение навыкам распознавания признаков того, что информация или изображение созданы с помощью ИИ
📌Понимание рисков дезинформации: развитие умения идентифицировать манипулятивный контент, который может быть сгенерирован ИИ, и критически относиться к нему.
📌Этические и правовые аспекты использования ИИ: ответственное распространение информации, созданной с помощью ИИ, и соблюдения цифровых прав.
📌Подготовка данных к заливке в нейросеть: деперсонализация, очистка данных от персональных данных и информации КТ/ДСП в соответствии с законодательством и внутренними ЛНА компании. Сюда же войдет структурирование и атрибуция данных под задачу.
📌Постановка задач нейросети (промптинг) по классификации, кластеризации, поиску аномалий в данных, а также аугментации и разметке данных под задачу.
#ЦифроваяГрамотность #ЦифровыеКомпетенции #DataLiteracy #Работасданными #DigiComp
DigiComp в Максе
👍1
Как академическое сообщество подходит к исследованиям в области цифровых компетенций
Тема развития базовых цифровых компетенций — например, информационной и кибербезопасности, цифровой грамотности — важна для корпоративного обучения, но обосновать инвестиции в неё бывает непросто. Анализ научных публикаций помогает увидеть приоритеты академического сообщества и найти аргументы для поддержки таких инвестиций в корпоративной среде.
Исследования цифровой грамотности ведутся с 1994 года. До 2017 года их масштаб был относительно невелик: ежегодно выходило менее 100 статей. Однако с 2017 по 2018 год число публикаций выросло в 2,5 раза — вероятно, из‑за эффекта низкой базы. Резкий рост цитирований зафиксирован в период с 2020 (5188 цитирований) по 2021 год (8772 цитирования).
Распределение тематики публикаций (всего 3433 работы) выглядит так:
• образовательное направление — 39,4 %;
• коммуникации — 8,97 %;
• информационные науки — 8,09 %.
Тема развития базовых цифровых компетенций — например, информационной и кибербезопасности, цифровой грамотности — важна для корпоративного обучения, но обосновать инвестиции в неё бывает непросто. Анализ научных публикаций помогает увидеть приоритеты академического сообщества и найти аргументы для поддержки таких инвестиций в корпоративной среде.
Исследования цифровой грамотности ведутся с 1994 года. До 2017 года их масштаб был относительно невелик: ежегодно выходило менее 100 статей. Однако с 2017 по 2018 год число публикаций выросло в 2,5 раза — вероятно, из‑за эффекта низкой базы. Резкий рост цитирований зафиксирован в период с 2020 (5188 цитирований) по 2021 год (8772 цитирования).
Распределение тематики публикаций (всего 3433 работы) выглядит так:
• образовательное направление — 39,4 %;
• коммуникации — 8,97 %;
• информационные науки — 8,09 %.
❤1
Это подтверждает, что наибольший интерес к теме проявляют исследователи в сфере образования (то есть мы с вами).
При этом отдельные аспекты изучены неравномерно:
📌Связь цифровой грамотности и трудоустраиваемости затрагивается лишь в 33 публикациях (1 %).
📌Связь с инновационным поведением на рабочем месте освещена шире — 435 работ (12,67 %). Эти данные уже можно использовать, чтобы показать ценность развития цифровой грамотности для компаний: она стимулирует новаторский подход сотрудников.
О связи цифровой грамотности и продуктивности конкретных исследований найти пока не удалось. Хотя интуитивно такая зависимость кажется очевидной, поэтому здесь еще стоит покопаться.
В общем и целом, академическая активность подтверждает актуальность тематики цифровой грамотности. Фокус на инновационном поведении даёт первые аргументы в пользу инвестиций в развитие базовых цифровых компетенций. А поиск данных о влиянии ЦГ на продуктивность может стать следующим шагом для более полного обоснования таких вложений. Обязательно вернемся с обновлением по этой теме.
DigiComp в Максе
При этом отдельные аспекты изучены неравномерно:
📌Связь цифровой грамотности и трудоустраиваемости затрагивается лишь в 33 публикациях (1 %).
📌Связь с инновационным поведением на рабочем месте освещена шире — 435 работ (12,67 %). Эти данные уже можно использовать, чтобы показать ценность развития цифровой грамотности для компаний: она стимулирует новаторский подход сотрудников.
О связи цифровой грамотности и продуктивности конкретных исследований найти пока не удалось. Хотя интуитивно такая зависимость кажется очевидной, поэтому здесь еще стоит покопаться.
В общем и целом, академическая активность подтверждает актуальность тематики цифровой грамотности. Фокус на инновационном поведении даёт первые аргументы в пользу инвестиций в развитие базовых цифровых компетенций. А поиск данных о влиянии ЦГ на продуктивность может стать следующим шагом для более полного обоснования таких вложений. Обязательно вернемся с обновлением по этой теме.
DigiComp в Максе
Forwarded from Цифровая экономика
Ко Дню защиты детей АНО ЦЭ собрала образовательные проекты и сервисы для повышения уровня цифровой грамотности
Для детей
🟦 «Цифровой ликбез» — всероссийский просветительский проект в области цифровой грамотности и кибербезопасности, реализуемый АНО «Цифровая экономика» совместно с ведущими ИТ-компаниями. В основе проекта — серия коротких анимационных роликов, которые на понятных примерах объясняют основные правила безопасного поведения в интернете.
🟦 «Урок цифры» — еще один совместный образовательный проект АНО ЦЭ и ИТ-бизнеса, направленный на развитие цифровой грамотности школьников и формирование навыков безопасного поведения в сети.
🟦 «Я в киберджунглях» — проект компании «Яндекс», который в доступной форме рассказывает детям о правилах безопасного поведения в интернете. В рамках инициативы сервисы компании подготовили тематические материалы для юных пользователей: «Кинопоиск» выпустил специальные подборки фильмов и мультфильмов, «Яндекс Книги» — аудиосказку, а бренд Junion представил новую коллекцию детской одежды.
🟦 Курс «Безопасность в Интернете» от «Яндекс Учебника» предназначен для учеников 1–4 классов. Школьники знакомятся с основами сетевого этикета, узнают о фишинге и буллинге. Для детей, которые еще неуверенно читают, предусмотрено голосовое сопровождение заданий. Закрепить полученные знания помогает мини-квест «Взлом», в котором ребенок выступает в роли кибердетектива и расследует кражу виртуального предмета. В ходе игры дети учатся распознавать угрозы и защищать свои персональные данные.
Для подростков
🟦 Образовательные программы «VK Education» для школьников и студентов знакомят участников с основами информационной безопасности и возможностями построения карьеры в этой сфере. Студенты также могут выполнять практические задания и работать над реальными кейсами из базы VK Education Projects, получая опыт решения задач в области кибербезопасности.
🟦 Онлайн-игра «Миссия Безопасность», разработанная «Авито», МЧС России и АНО «Диалог Регионы», знакомит детей и молодежь с правилами безопасного поведения как в реальной жизни, так и в цифровой среде.
Участники проходят игровые задания и учатся правильно действовать в различных ситуациях дома, во дворе и во время интернет-общения.
🟦 «DigitaLogia» — совместный образовательный онлайн-проект компании «Ростелеком» и сети детских технопарков «Кванториум». Проект помогает школьникам разобраться в современных цифровых технологиях, истории развития телекоммуникаций и основах кибербезопасности.
🟦 ГК «Солар» создала серию образовательных порталов, посвященных наиболее распространенным угрозам в интернете: раздел «КиберЗОЖ» рассказывает о полезных цифровых привычках: надежных паролях, двухфакторной аутентификации и способах распознавания фишинга; «Кибербуллинг» посвящен противодействию агрессии в сети; проект «Выучи свою роль» объясняет методы социальной инженерии и схемы телефонного мошенничества; а ресурс «Прокачай скилл защиты» в игровой форме знакомит пользователей с принципами цифровой безопасности.
🟦 Обучающая игра-раннер «Стражи Авито» помогает детям, подросткам и взрослым освоить основные правила безопасного поведения в интернете. Игрокам предстоит собирать артефакты, преодолевать препятствия и выполнять задания, одновременно знакомясь с принципами безопасного онлайн-общения и интернет-покупок. Каждый уровень завершается квизом, который помогает закрепить полученные знания.
Для родителей
🟦 «Ростелеком» подготовил специальный онлайн-курс для родителей — «Лекции по кибербезопасности для родителей “Как защитить ребенка от рисков в интернете?”». Слушатели узнают, как злоумышленники вовлекают подростков в противоправную деятельность, каким образом алгоритмы и инфлюенсеры влияют на формирование взглядов ребенка, а также почему важно своевременно распознавать признаки кибербуллинга и других интернет-угроз.
🙂 Telegram | ВК | «Макс»
Для детей
Для подростков
Участники проходят игровые задания и учатся правильно действовать в различных ситуациях дома, во дворе и во время интернет-общения.
Для родителей
Please open Telegram to view this post
VIEW IN TELEGRAM