ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ ИНСТРУМЕНТОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В УПРАВЛЕНИИ КАРЬЕРОЙ ПЕДАГОГА И ВНЕДРЕНИИ СИСТЕМЫ ГРЕЙДОВ

Алла Геннадьевна Кузнецова

ПРЕПРИНТ

Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.

ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ ИНСТРУМЕНТОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В УПРАВЛЕНИИ КАРЬЕРОЙ ПЕДАГОГА И ВНЕДРЕНИИ СИСТЕМЫ ГРЕЙДОВ

А. Г. Кузнецова

2026-07-07

https://doi.org/10.24108/preprints-3115791

В статье рассматриваются перспективы использования инструментов искусственного интеллекта в управлении карьерой педагога и внедрении системы грейдов в образовании по должности «учитель». Представлены этапы эволюции идеи институционализации профессионального роста педагогов в российской образовательной политике и науке: национальная система учительского роста, национальная система профессионального роста педагогических работников, единая федеральная система научно-методического сопровождения педагогических работников и управленческих кадров. Показано, что ключевым и до настоящего время неразрешенным препятствием для окончательного оформления национальной модели учительского роста остается проблема оценки профессиональной деятельности педагога – неопределенность предмета и критериев оценивания, ограниченность и субъективность использованных инструментов, высокая бюрократическая нагрузка. На основе обзора международных и отечественных исследований определены основные направления применения искусственного интеллекта и нейросетевых моделей в оценке труда: формализация компетенций, автоматизированный анализ профессиональных действий педагога, интеграция многоканальных данных, построение динамических профилей и профессионального развития. Предлагается модель системы грейдирования, поддерживаемой искусственным интеллектом, включающая нормативно-компетентностный, аналитический, персональный модули, подсистемы сбора данных, грейдирования и принятия решений, персонализированных рекомендаций и карьерного сопровождения, мониторинга динамики и продвижения, а также организационно-технологическую инфраструктуру. Обосновывается заключение о возможности реализации потенциала искусственного интеллекта только при гибридном характере оценивания, когда алгоритмические выводы сочетаются с профессиональной экспертизой на основе прозрачных критериев и сохранения субъектной позиции педагога. Сделано вывод о целесообразности рассмотрения искусственного интеллекта как инфраструктурного инструмента создания объективной, развивающей и карьерно ориентированной системы учительского роста на основе грейдов.

Ссылка для цитирования:

Кузнецова А. Г. 2026. ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ ИНСТРУМЕНТОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В УПРАВЛЕНИИ КАРЬЕРОЙ ПЕДАГОГА И ВНЕДРЕНИИ СИСТЕМЫ ГРЕЙДОВ. PREPRINTS.RU. https://doi.org/10.24108/preprints-3115791

Список литературы

1. Аешина Е. А., Берсенева О. В. Критериально-уровневый подход к оценке предметных компетенций учителей математики (на примере геометрии) //Профессиональное образование в России и за рубежом. – 2023. – №. 1 (49). – С. 106–114.

2. Перечень поручений по итогам заседания Государственного совета 23 декабря 2015 года. Пр-15ГС, п.1г) // Президент России : Официальный сайт. 2 января 2016 года URL: http://www.kremlin.ru/acts/assignments/orders/51143

3. Баграмян, Э. Р. Становление национальной системы учительского роста: проблемы и пути решения / Э. Р. Баграмян // Сборник материалов Всероссийской конференции по анализу хода внедрения национальной системы учительского роста, Москва, 21 сентября 2017 года / Под общей редакцией С. Ю. Новоселовой. – Москва: Федеральное государственное автономное образовательное учреждение дополнительного профессионального образования Академия повышения квалификации и профессиональной переподготовки работников образования, 2017. – С. 63–69. – EDN YPVFAY.

4. Марголис А. А., Новикова Е. М. Социальный контекст внедрения национальной системы учительского роста в России: информированность и отношение учителей //Психологическая наука и образование. – 2017. – Т. 22. – №. 4. – С. 10–21. 10–21. DOI: 10.17759/pse.2017220403.

5. Забродин, Ю. М., Сергоманов, П. А., Гаязова, Л. А., Леонова, О. И. Построение системы дифференциации уровней квалификации Профессионального стандарта педагога // Психологическая наука и образование. 2015. Т. 20. № 5. С. 65–76. DOI: 10.17759/pse.2015200506.

6. Кузнецова А. Г., Яровая Е. Б. Проектирование горизонтальной карьеры педагога на основе дополнительных видов педагогической деятельности и профессиональных достижений: отечественный и зарубежный опыт // Вестник Российского университета дружбы народов. Серия: Психология и педагогика. - 2021. - Т. 18. - №1. - C. 174–193. doi: 10.22363/2313-1683-2021-18-1-174-193

7. Слюсаренко, В. А. Опыт реализации национальной системы учительского роста (на материале Австралии) / В. А. Слюсаренко // Интернет-журнал «Мир науки». — 2018. — Т 6. — №1. — URL: https://mir-nauki.com/PDF/07PDMN118.pdf (дата обращения: 02.06.2026)

8. Камка С.В. Механизмы реализации образовательной политики на примере апробации сертификации компетенций учителей профильной школы. Человек и образование. 2025;(2):6-21. https://doi.org/10.54884/1815-7041-2025-83-2-6-21

9. Прудникова В. А., Фишман Л. И., Фишман И. С. Оценка квалификации педагога в контексте задачи его профессионального развития: анализ зарубежной теории и практики //Science for Education Today. – 2022. – Т. 12. – №. 5. – С. 113–136.

10. Головчин М. А. Измерение профессиональной готовности к педагогической деятельности будущих учителей на основе критериально-уровневой оценки //Russian Journal of Economics and Law. – 2023. – Т. 17. – №. 4. – С. 882–903.

11. Лукашук О. Н., Кузнецова О. В. Метрики для оценки и совершенствования профессиональной деятельности педагога //Universum: психология и образование. – 2024. – Т. 1. – №. 12 (126). – С. 10–15.

12. Nayem Z., Uddin A. Unbiased Employee Performance Evaluation Using Machine Learning// Journal of Open Innovation Technology Market and Complexity 2024. 10(2):100243 DOI:10.1016/j.joitmc.2024.100243

13. Chuchu B., Kyongo J. Performance management and artificial intelligence (AI): Enhancing personalized development with continuous feedback and data-driven decisions //International Journal of Computer Science and Information Technology for Education. – 2025. – Т. 13. – №. 1. – С. 13-22. DOI:10.5281/zenodo.15025954

14. Abbasi, R., & Esmaili, M. (2024). Artificial Intelligence and Digital Human Resource Processes: Applications and Challenges. Journal of Human Resource Studies, 14(1), 116–140. Retrieved from https://research.ebsco.com/linkprocessor/plink?id=47c30906-0429-330e-a802-673c5ea1d719

15. Song, H., & Li, Q. (2025). Employee Performance Prediction Model Based on BP Neural Networks. In Proceedings of 2025 International Conference on Digital Management and Information Technology, DMIT 2025 (pp. 282–288). Association for Computing Machinery, Inc. https://doi.org/10.1145/3736426.3736471

16. Lin W. Design and Implementation of an AI-Assisted Teacher Performance Evaluation System. In Proceedings of the 2024 3rd International Conference on Artificial Intelligence and Education, ICAIE 2024, Xiamen, China, November 22-24, 2024. pages 584-589, ACM, 2024. DOI:10.1145/3722237.3722340

17. Haddad M., David A. Sanders, 2024. "A hybrid approach to evaluate employee performance using MCDA and artificial neural networks," International Journal of Management and Decision Making, Inderscience Enterprises Ltd, vol. 23(1), pages 58-76. https://ideas.repec.org/a/ids/ijmdma/v23y2024i1p58-76.html

18. Almubarak, A., Alhalabi, W., Albidewi, I., & Alharbi, E. (2025). An AI-powered framework for assessing teacher performance in classroom interactions: a deep learning approach. Frontiers in Artificial Intelligence, 8. https://doi.org/10.3389/frai.2025.155305

19. Romero Villarroel, W. O., Camacho Estrada, S. N., López Zurita, H. S., Trujillo Ronquillo, D. F., Rodríguez Hurtado, C. P., & Llerena Medina, E. G. (2025). An AI-Powered Teaching Performance Evaluation System: Technical Implementation and Pilot Testing at Universidad Técnica de Ambato. Salud, Ciencia y Tecnología, 5, 2441. https://doi.org/10.56294/saludcyt20252441

20. Mukashova, A., Tussupov, J., Serikbayeva, S., Mukhanova, A., Sergaziyev, M., Sambetbayeva, M., … Ramazanova, V. (2025). AI-driven framework for automated competency formalization: from professional standards to adaptive learning outcomes. Frontiers in Computer Science, 7. https://doi.org/10.3389/fcomp.2025.171035

21. Zhang L. Assessing english Language teachers' pedagogical effectiveness using convolutional neural networks optimized by modified virus colony search algorithm. Sci Rep. 2025 May 1;15(1):15295. doi: 10.1038/s41598-025-98033-9. PMID: 40312557; PMCID: PMC12045950.

22. Zhou, S., & Li, D. (2025). Construction of Teacher Learning Evaluation Model based on Deep Learning Data Mining. Scalable Computing: Practice and Experience, 26(1), 415–422. https://doi.org/10.12694/scpe.v26i1.3840

ПРЕПРИНТ

ИНФОРМАЦИЯ

Использование куки-файлов