Взаимосвязь между результатами участия в олимпиадах до поступления в селективный вуз и последующим карьерным выбором студентов

Взаимосвязь между результатами участия в олимпиадах до поступления в селективный вуз и последующим карьерным выбором студентов

В последние несколько лет при поступлении в селективные вузы большая доля абитуриентов использует особые права победителя или призера олимпиады школьников [Вести образования, 2022]. Так, например, в Московском физико-техническом институте (МФТИ, Физтех, национальный исследовательский университет) в 2022 году 76 % поступивших на бюджетные места в рамках контрольных цифр приема (КЦП) на 1-й курс использовали результаты олимпиад, и только 24 % поступали только по результатам ЕГЭ, причем средний балл ЕГЭ у поступивших равен 97,1 [Результаты работы МФТИ, 2022].

В Таблице 1 представлены данные по качеству приема в МФТИ за период 2014–2022 гг.

Таблица 1. Качество приема в МФТИ 2014–2022 гг.

Год 2022 2021 2020 2019 2018 2017 2016 2015
Бюджет 1005 914 865 825 810 860 - -
БВИ 471 382 420 366 - - - -
Средний балл ЕГЭ 97,1 97,1 - - - - - -
Доля поступивших БВИ от всех, принятых на бюджет 47% 42% 43% 16% 19% 21% 7% -

В Таблице 1 приведено количество поступивших без вступительных испытаний (БВИ) и их доля от общего числа принятых на бюджет. Необходимо отметить, что количество тех, кто засчитал результаты олимпиад как 100 баллов ЕГЭ не учитывалось, поэтому фактически доля олимпиадников среди поступивших больше.

Таким образом, основным способом поступления для абитуриентов становится успешное участие в высокорейтинговых олимпиадах школьников.

Вместе с тем, главной стратегической целью МФТИ, согласно принципам, положенным в основу создания Физтеха, является подготовка высококлассных ученых-исследователей. В программе развития МФТИ «Приоритет 2030» [Программы развития МФТИ, 2021] одной из основных целей является «создание системы непрерывного инженерного образования нового поколения для подготовки лидеров новых технологических трансформаций на основе устойчивого развития».

Выпускники бакалавриата МФТИ в дальнейшем выбирают один из возможных треков:

- академический научно-исследовательский трек;

- технологический трек (IT, консалтинг);

- финансы, экономика и др.

По данным с 2017 по 2022 гг., предоставленным Отделом содействия трудоустройству выпускников (Центр карьеры) МФТИ, лишь 30% выпускников выбирают научно-исследовательский трек для своей дальнейшей карьеры при том, что приоритетом МФТИ является подготовка ученых-исследователей. По этой причине актуальной для университета задачей является понимание образа абитуриента, который впоследствии выберет научно-исследовательский трек, и, как следствие, формирование именно таких условий приема в вуз, которые позволят осуществить набор абитуриентов, релевантных запросу вуза. Образ абитуриента «будущего ученого-исследователя» будет описан на основе сравнения карьерных траекторий студентов МФТИ 4-го курса и старше, с их успехами в различных олимпиадах и другими параметрами.

Таким образом, существует рассогласованность между высокими результатами олимпиад и дальнейшей успешностью студента как ученого-исследователя.

Цель данного исследования — изучение взаимосвязи между цифровым профилем абитуриента и его исследовательской успешностью. Цифровым профилем абитуриента будем называть совокупность имеющейся в распоряжении образовательной информации о нем на стадии поступления в вуз:

- результаты олимпиад РСОШ;

- результаты олимпиад ВсОШ;

- результаты исследовательских и инженерных олимпиад;

- результаты конференций и конкурсов.

Проведенный анализ был направлен на то, чтобы подтвердить или опровергнуть гипотезу: студенты, поступившие по результатам олимпиад, чаще выбирают в дальнейшем не научно-исследовательский трек, а идут в IT, консалтинг, технологические или финансовые компании, а исследователями становятся студенты, показавшие на рейтинговых (учитываемых при поступлении) олимпиадах средние результаты. Как следствие, результаты олимпиад играют не ключевую роль в том, будет выпускник успешным ученым-исследователем или нет.

Как показало изучение современных исследований, более важным фактором выбора научной карьеры является внутренняя мотивация к исследовательской деятельности.

К сожалению, многие абитуриенты, выполняющие блестящие для своего возраста и образования школьные исследовательские работы, не имеют возможности поступить в такой селективный вуз, как МФТИ, ввиду очень высокого балла ЕГЭ и большой конкуренции на высокорейтинговых олимпиадах. Анкетирование школьников и студентов и данные исследовательских работ (например, [Черненко, Романенко 2021]) демонстрируют, что для того, чтобы показать результаты на олимпиаде, дающие право поступления БВИ (без вступительных испытаний), необходимо в 10–11-х классах значительно концентрироваться на специфической подготовке к олимпиаде, что не удается совмещать с исследовательской деятельностью тем, кому это интересно и кто для себя сделал именно такой выбор.

Вопрос о том, что необходимо рассматривать альтернативные способы поступления в селективные вузы, поднимается все активнее в последние годы. Предлагаются варианты учета до 20–30, вместо 10 дополнительных баллов в индивидуальные достижения за выдающиеся исследовательские работы в школе, а также включение в перечень олимпиад, дающих особые права при поступлении, исследовательских, инженерных олимпиад и других.

Мы ожидаем, что, получив более полное представление об образовательном и карьерном опыте студентов такого селективного вуза как МФТИ, можно будет получить ценную информацию об оптимальных подходах, чтобы предоставить одаренным студентам необходимую поддержку. Кроме того, результаты исследования могут быть полезны для поддержки учащихся, имеющих такие же или аналогичные выдающиеся способности, но которые по разным причинам не смогли их полностью реализовать для поступления в ведущий вуз.

С 1970-х годов проводилось исследование детей с выдающимися способностями к математике (SMPY) [Lubinski, Benbow, 2021], в котором отслеживался жизненный путь пяти отдельных когорт участников. Среди основных выводов можно выделить:

  • важность волевых факторов как ключевых предикторов решений, связанных с карьерой;
  • наличие способностей исследовательского типа может предсказывать дальнейшую научную карьеру;
  • личностные качества, такие как уверенность и настойчивость, — предикторы выдающихся достижений.

Исследование [Глазкова, Глазков, 2021] посвящено проблеме противоречия между академической успеваемостью студента вуза и его поствузовской профессиональной успешностью. Успешность на этапе обучения студента включала один интегральный показатель — академическую успеваемость. Профессиональная (карьерная) успешность на основе концепции Д. Сьюпера [Super, 1980] включала следующие критерии: хронометраж этапов поиска работы, трудоустройства и первичной профессиональной адаптации, интегральную удовлетворенность трудом [Фетискин, 2014], организационную лояльность. Выявлено, что студенты группы «отличники» на поствузовском этапе демонстрируют результаты профессиональной успешности ниже, чем выпускники со средним уровнем успеваемости.

Исследование [Jung, Lee, 2021] посвящено изучению образовательного и карьерного опыта победителей из Австралии в Международной математической олимпиаде (IMO). С этой целью пятнадцать победителей IMO предыдущих лет были опрошены о том, как они выбрали свою карьеру. На основе собранных данных был проведен тематический анализ, в результате которого сформировались темы, которые преобладали в ответах участников.

Неизменно те, кто прекратил учебу по математике на уровне бакалавриата или магистратуры, продолжили карьеру в промышленности или финансах, в то время как те, кто продолжил обучение на уровне докторантуры, по крайней мере первоначально, перешли в математические исследования.

В какой-то степени на карьерные решения участников мог одновременно повлиять момент времени, когда эти решения были приняты. Всех участников исследования можно было разделить на три возрастные группы: в возрасте от 25 до 30 лет, в возрасте от 30 до 35 лет и в возрасте от 35 лет и старше. Все члены самого молодого кластера занимались финансами или промышленной карьерой, в то время как среди двух остальных кластеров было обнаружено сочетание карьеры в исследованиях и промышленности.

В работе [Alley-Young, 2017] отмечается, что появление финансового направления в качестве варианта карьеры для самой молодой когорты может быть объяснено изменениями в мировой финансовой индустрии, которые могли привести к резкому увеличению спроса на финансовых количественных аналитиков в последнее время.

Среди двух теорий карьеры, которые признаны наиболее применимыми к одаренным людям [Jung, 2019], наиболее подходящей для участников исследования J. Y. Jung является теория приспособления к работе [Lofquist, 1991], которая подчеркивает необходимость соответствия между потребностями и ценностями человека и требованиями к успеху в рабочей среде и уделяет особое внимание таким факторам, как профессиональные интересы и способности человека. Для сравнения, вторая теория ограничения и компромисса [Gottfredson, 2002] кажется менее применимой из-за ее предположения о том, что решение о карьере представляет собой процесс устранения неприемлемых вариантов карьеры на основе трех основных факторов: гендерной роли, престижа, личных интересов. Несмотря на потенциальную полезность обеих теорий, обе теории пренебрегают другими важными факторами, такими как потребность в интеллектуальной стимуляции. Поэтому обе теории имеют ограничения в объяснении карьерных решений одаренных школьников.

Другая потенциально полезная мегамодель развития талантов [Subotnik et al., 2011; Subotnik et al., 2012], хотя не является теорией карьеры, также применима, поскольку включает развитие карьеры как часть развития талантов на протяжении всей жизни. Некоторые из факторов, выявленных R. F. Subotnik как потенциально влияющие на траекторию развития — способности, креативность, родительские ценности, интерес и шанс были признаны участниками исследования [Jung, Lee, 2021] как играющие важную роль в их развитии.

В соответствии с теоретическими исследованиями предикторов образовательных и карьерных решений результаты показали, что интересы и способности являются наиболее важными при выборе будущей карьеры [Vale, 2010].

В работе [McCabe et al., 2020] изучалось, будут ли индивидуальные психологические различия предсказывать кто в конечном счете станет выдающимся ученым. Авторы обнаружили, что данные о личностных психологических различиях человека в период поступления в вуз могут предсказывать дальнейший успех в научной карьере. В частности, те, кто добился выдающихся научных достижений, были более уверенными в себе, настойчивыми, склонными к сотрудничеству, социально уравновешенными, имеющими интересы исследовательского типа и более трудолюбивыми, чем те, кто не добился таких достижений. Кроме того, необходимо учитывать влияние и других параметров. Глубокая научная деятельность часто требует от человека отказа от многих других дел, чтобы добиться значительных успехов. Не все способные и талантливые молодые люди готовы отказаться от разного рода бытовых и других далеких от науки активностей, необходимых им для создания осмысленной и удовлетворительной жизни, а для других такие бытовые потребности являются совершенно незначительными, и именно такие люди, по мнению авторов [Alley-Young, 2017], становятся лидерами в науке и в будущем создают инновации в различных областях знания.

Также, в работе [Agarwal, Ohyama, 2013] выделяются факторы развития внутреннего интереса к исследованиям как играющие важную роль при принятии человеком решения о том, заниматься ли научной карьерой или нет.

T. Andreescu [Andreescu et al., 2008] отмечает, что вопросы, касающиеся способностей к математическим исследованиям, по-видимому, становятся особенно заметными во время получения высшего образования. Это, вероятно, связано с различием в наборе навыков, необходимых для успеха в математических исследованиях или университетской математике, по сравнению с математикой в средней школе и даже IMO. Например, необходимость работать над задачами в течение продолжительных периодов времени без какой-либо уверенности в том, что решение существует в математических исследованиях.

Автором была проанализирована когорта студентов МФТИ, в прошлом являвшихся членами сборных команд Российской Федерации, участвовавших в международных олимпиадах по физике, математике и информатике с 2014 по 2020 год в России. Когорта состояла из 31 человека. В 2023 году каждый участник данной выборки являлся студентом МФТИ с 3-го курса бакалавриата до аспиранта 3-го года обучения. Из данных студентов лишь 6 человек, что составляет 20 %, выбрали для себя исследовательскую карьеру, у них есть от 1 до 17 статей за последние три года в рейтинговых журналах, они выступают на научных конференциях; у остальных членов данной когорты публикационная активность отсутствует, они сделали свой карьерный выбор в пользу работы в технологических и финансовых компаниях.

Еще одно предварительное изучение аудитории состояло в анкетировании студентов 4-го курса МФТИ «Куда двигаться дальше: наука или технологии»? В опросе приняли участие 124 студента 4-го курса. На вопрос «Планируете ли Вы после окончания вуза заниматься научной деятельностью?» 49 человек ответили «да», что составляет 40 % всех опрошенных, остальные ответили «нет». В качестве причин отказа от научной карьеры чаще всего указывался низкий уровень зарплаты или отсутствие интереса к исследованиям.

Методология

В работе использовалась общепринятая методология (см., например, [Хавенсон, Соловьева, 2014]) оценки прогностической валидности путем измерения силы связи результатов олимпиад с дальнейшей исследовательской успешностью.

Оценивалась прогностическая валидность результатов олимпиад в школьные годы на дальнейшую исследовательскую успешность студента. В качестве независимых переменных использовались:

1. результаты олимпиад РСОШ;

2. результаты олимпиад ВСОШ;

3. результаты исследовательских олимпиад;

4. результаты конференций и конкурсов в школьный период.


В качестве предсказываемой величины был взят положительный результат хотя бы по одному из пунктов:

- научные публикации в журналах;

- выступления на конференциях и других аналогичных мероприятиях с докладами;

- наличие объектов интеллектуальной собственности;

- участие в конкурсе научных работ;

- медали и премии для молодых ученых.

Для регрессионного анализа были выбраны 6086 студентов, поступивших на бюджетные места на 1-й курс МФТИ в период с 2014 по 2020 год (выборка охватила студентов (на январь 2023 года) от третьего курса до аспирантов 3-го года обучения, включая выпускников бакалавриата и магистратуры, не продолживших обучение в аспирантуре).

Прежде чем перейти к основному анализу, отметим, что из 6086 обучающихся в данной выборке лишь 625 человек имеют публикационную активность за последние три года, что составляет около 10 %.

Общий объем изучаемой совокупности составил 8535 наблюдений, при этом использовалась информация о 6086 студентах, поскольку многие из них принимали участие более, чем в одной олимпиаде.

Все результаты олимпиад были переведены в девятибалльную шкалу в зависимости от уровня олимпиады и степени диплома. Так, диплом 1 степени на олимпиаде 1-го уровня приравнивался к 9 баллам, а соответственно диплом 3 степени на олимпиаде 3-го уровня к 1 баллу, остальные аналогично. Кроме того, все олимпиады были разделены на «инженерные» и «теоретические» по их основному содержанию.

В базе данных «Цифровой профиль абитуриента» содержалась информация о:

1) лучшем результате в «инженерной» олимпиаде;

2) лучшем результате в «теоретической» олимпиаде;

3) числе олимпиад, в которых принял участие студент до поступления;

4) общем количестве статей, имеющихся у студента к моменту исследования;

5) общем количестве конференций, в которых студент принял участие к моменту проведения исследования;

6) направлении подготовки, на котором учится студент;

7) курсе студента;

8) дате рождения студента.


По результатам анализа частотных распределений в Таблице 2 зафиксировано количество тех, кто участвовал в «инженерных» олимпиадах среди тех, кто вообще участвовал, а также доля занимавших первое, второе и третье место с учетом того, что фиксировался наилучший результат поступившего.

Из всей совокупности 8535 наблюдений зафиксировано только 596 участий в «инженерных» олимпиадах. Отчасти это можно объяснить тем, что в период поступления данных студентов лишь малая доля «инженерных» олимпиад «гарантировала» поступление в вуз без экзаменов.

Аналогично, по результатам анализа частотных распределений в Таблице 3 приведено количество тех, кто участвовал в «теоретических» олимпиадах, среди тех, кто вообще участвовал, и какова доля занимавших первое, второе и третье место с учетом того, что фиксировался наилучший результат поступившего.

Таблица 2. Доля студентов, участвовавших в «инженерных» олимпиадах

Нормированный балл за олимпиаду Частота Проценты
1 7 1,2
2 59 9,9
3 79 13,3
4 76 12,8
5 117 19,6
6 55 9,2
7 90 15,1
8 102 17,1
Всего 596 100

Таблица 3. Доля студентов, участвовавших в «теоретических» олимпиадах

Нормированный балл за олимпиаду Частота Проценты
1 1600 23,2
2 1051 15,2
3 1061 15,3
4 182 2,6
5 202 2,9
6 328 4,7
7 23 0,3
8 38 0,5
9 89 1,3
Всего 4574 100

Из всей совокупности 8535 наблюдений мы получили 4574 участий в «теоретических» олимпиадах до поступления в университет.

Если пересобрать данные, исходя из фиксированных лучших результатов, мы получим три разнонаполненные группы, см. Таблицу 4.

Таблица 4. Характер участия в олимпиадах по данным наблюдений

Характеристика группы Частота Проценты
Не участвовал ни в одной олимпиаде 3919 45,9
Участвовал только в «инженерной» 42 0,5
Участвовал только в «теоретической» 4020 47,1
Всего 8535 100

Следует отметить, что большинство имеющихся в базе данных студентов не занимали призовых мест в олимпиадах.

Среднее количество олимпиад, которое приходится на одного обучающегося, составляет единицу (см. Рисунок 1а), как медианное значение, но на это не стоит ориентироваться, так как в базе данных много тех, кто в олимпиадах не участвовал. Если их исключить, то медианное значение будет равно 3 (см. Рисунок 1б), значит, в среднем до поступления студент участвовал в трех олимпиадах. Минимальное значение числа олимпиад, в которых студент участвовал до поступления, равно 0, а максимальное составило 46.

Рисунок 1а. Среднее количество олимпиад, приходящихся на одного студента (с учетом не участвующих в олимпиадах)


Рисунок 1б. Среднее количество олимпиад, приходящихся на одного студента (без учета не участвующих)



На момент исследования среди всех студентов были те, кто не написал ни одной статьи. Максимальное количество статей, написанных одним студентом, равно 20. В Таблице 5 приведено минимальное, максимальное и медианное количество написанных одним студентом статей в разбивке по курсам. Здесь курсы бакалавриата, магистратуры и аспирантуры соединены в единую нумерацию от 1 до 10 (1–4-й курсы — бакалавриат, 5–6-й — магистратура, 7–10-й — аспирантура).

Таблица 5. Количество статей, написанных одним студентом, в зависимости от курса

Общее количество статей Курс Минимальное количество Максимальное количество Медианное количество
1287 1 0 4 0
1287 2 0 12 0
1197 3 0 3 0
1109 4 0 4 0
1639 5 0 10 0
1141 6 0 5 0
287 7 0 11 0
230 8 0 13 0
209 9 0 20 0

Построим такую же таблицу для тех, кто участвовал в олимпиадах, см. Таблицу 6.

Таблица 6. Количество статей, написанных одним студентом, участником школьных олимпиад, в зависимости от курса

Общее количество статей Курс Минимальное количество Максимальное количество Медианное количество
872 1 0 4 0
774 2 0 12 0
820 3 0 3 0
724 4 0 4 0
612 5 0 10 0
485 6 0 5 0
131 7 0 11 0
115 8 0 13 1
83 9 0 20 0

При сопоставлении таблиц 5 и 6 видно, что значения не сильно меняются: если сделать такую же таблицу по тем, кто не участвовал в олимпиадах, изменится только максимальное число статей, приходящихся на одного студента.

На момент проведения исследования максимальное число конференций, в которых участвовал один студент, составляет 10. Большинство студентов не участвовали ни в одной конференции (таких 97,5 %). Если исключить тех, кто не участвовал в олимпиадах, доля тех, кто не участвовал ни в одной конференции, сократится до 97,3 %, что не может считаться существенным снижением значения. Более того, ряд студентов, не являясь участниками олимпиад, на момент исследования приняли участие в одной, двух, трех или четырех конференциях.

В базе данных представлены 44 направления подготовки, а также студенты всех курсов обучения. Распределение в выборке по курсам обучения приведено в Таблице 7.

Таблица 7. Распределение студентов по курсам

Курс Количество студентов
1 1287
2 1287
3 1197
4 1109
5 1639
6 1141
7 287
8 230
9 209

В рассматриваемой выборке представлены студенты в возрасте от 16 до 58 лет, основная доля — это студенты до 22 лет (61,7 %). При разбивке по курсам мы видим типичный трек (из школы в университет) и тех, кто в более старшем возрасте принял решение о получении образования (см. Рисунок 2).

Курс Возраст (min-max)
1 16-32
2 18-27
3 17-30
4 20-29
5 21-58
6 21-54
7 23-53
8 24-43
9 24-41
10 25-40

Рисунок 2. Распределение студентов по возрасту


На основе представленных данных для общей проверки была построена корреляционная матрица со всеми переменными базы данных (Таблица 8).

Таблица 8. Корреляционная матрица (для всех студентов)

Корреляция Пирсона 1 2 3 4 5 6 7
Лучший результат по инженерной олимпиаде 1 0,107** 0,316** -0,005 -0,01 -0,054** -0,085**
Лучший результат по теоретической олимпиаде 0,107** 1 0,188** -0,009 0,008 -0,133** -0,226**
Общее число олимпиад 0,316** 0,188** 1 -0,008 -0,006 -0,209** -0,254**
Количество написанных статей -0,005 -0,009 -0,008 1 0,374** 0,299** 0,119**
Количество конференций -0,01 0,008 -0,006 0,374** 1 0,212** 0,087**
Курс -0,054** -0,133** -0,209** 0,299** 0,212** 1 0,621**
Возраст (на июль 2023) -0,085** -0,226** -0,254** 0,119** 0,087** 0,621** 1

1. **Лучший результат по «инженерной» олимпиаде** показывает наиболее тесную статистически значимую связь с такими показателями, как:

   - Лучший результат по «теоретической» олимпиаде (коэффициент Пирсона = 0,107, α = 0,01) говорит о очень слабой статистически значимой связи. Чем выше результат по «инженерной» олимпиаде, тем выше результат по «теоретической». С учетом того, что эти две группы олимпиадников пересекаются, можно говорить о группе студентов, одинаково хорошо справляющихся с задачами этих двух видов;

   - Общее число олимпиад (коэффициент Пирсона = 0,316, α = 0,01) говорит о слабой статистически значимой связи. Чем ниже результат по «инженерной» олимпиаде, тем в большем числе олимпиад участвовал студент до поступления. Может указывать на то, что студент «распылялся» между олимпиадами;

   - Курс (коэффициент Пирсона = -0,054, α = 0,01) говорит о крайне слабой, но статистически значимой связи. Чем ниже курс, тем более высокий лучший результат по «инженерной» олимпиаде студент показывал до поступления. Тем не менее, связь очень слабая, и у параметра «курс» есть более тесные связи;

   - Возраст (коэффициент Пирсона = -0,085, α = 0,01) говорит о крайне слабой, но статистически значимой связи. Чем меньше возраст, тем более высокий лучший результат по «инженерной» олимпиаде студент показывал до поступления.


2. **Лучший результат по «теоретической» олимпиаде** показывает наиболее тесную статистически значимую связь с такими показателями, как:

   - Лучший результат по «инженерной» олимпиаде (коэффициент Пирсона = 0,107, α = 0,01) говорит о очень слабой статистически значимой связи. Чем выше результат по «теоретической» олимпиаде, тем выше результат по «инженерной». С учетом того, что эти две группы олимпиадников пересекаются, можно говорить о группе студентов, одинаково хорошо справляющихся с задачами этих двух видов;

   - Курс (коэффициент Пирсона = -0,133, α = 0,01) говорит о слабой, но статистически значимой связи. Чем выше курс, тем более высокий лучший результат по «теоретической» олимпиаде студент показывал до поступления. Это можно связать с особенностями поступивших в каждый конкретный год;

   - Возраст (коэффициент Пирсона = -0,226, α = 0,01) говорит о слабой, но статистически значимой связи. Чем меньше возраст, тем более высокий лучший результат по «инженерной» олимпиаде студент показывал до поступления.

3. **Общее число олимпиад** коррелирует с курсом (коэффициент Пирсона = -0,209, α = 0,01) и возрастом студента (коэффициент Пирсона = -0,254, α = 0,01). В обоих случаях связь слабая, статистически значимая. Чем выше курс или чем старше студент, тем в меньшем количестве олимпиад он участвовал до поступления. Возможно, учащиеся младших курсов менее четко прорабатывали стратегию участия в олимпиадах.

4. Из приведенных данных следует, что нет смысла рассматривать связь между:

   - Курсом и возрастом (очевидно, что на старших курсах больше вероятность встретить людей большего возраста);

   - Числом статей и количеством конференций, так как статьи могут публиковаться по результатам конференций;

   - Курсом/возрастом и статьями/конференциями, так как, чем старше курс, тем больше возможностей накопить опыт участия в конференциях и написании

В своем анализе мы ориентируемся на три исходные регрессионные модели:

  1. «Исследовательская успешность» студента определяется написанием статей: определим вероятность того, что у студента будет хотя бы одна опубликованная статья, если мы знаем его успехи в олимпиадах и курс (параметр «возраст» исключаем, так как «возраст» и «курс» тесно связаны между собой и эта связь сильнее, чем связь с «написанием статей»).

  2. «Исследовательская успешность» студента определяется участием в конференциях. Определим вероятность того, что у студента будет хотя бы одно участие в конференции, если мы знаем его успехи в олимпиадах и курс.

  3. «Исследовательская успешность» студента определяется наличием хотя бы одной публикации и участием в хотя бы одной конференции: определим вероятность того, что у студента будет хотя бы одна опубликованная статья и одновременно хотя бы одно участие в конференции, если мы знаем его успехи в олимпиадах и курс.

  1. Нет возможности в модель включить «инженерные» олимпиады, так как они не дают статистически значимой связи с публикацией статей. Поэтому составляем модель без этого параметра, см. Таблицу 9.

Таблица 9. Регрессионная Модель 1

Переменная B Ст.св. Знач. Exp(B)
Лучший результат по теоретической олимпиаде 0,144 0,026 0 1,154
Курс 0,121 0,014 0 1,128
Общее число олимпиад 0,214 0,027 0 2,186
Константа -7,574 0,782 0,001 -

Сводка для модели

Параметр Значение
2 Log-правдоподобие 2657,087a
R-квадрат Кокса и Снелла 0,126
R-квадрат Нэйджелкерка 0,35

Распределение вероятности «исследовательской успешности», выраженная в публикуемых статьях, приведена на Рисунке 3. Качество модели невысокое, вероятность публикации статей объясняется взятыми параметрами только на 35 %, а изначальное положение фиксируется как вероятность 0,00051. Наибольший вклад в предсказание вносит «курс», но от него есть накопительный эффект, что нивелирует значимость данного параметра, у старших курсов просто больше времени и шансов написать статью, в сравнении с младшими. Здесь можно было бы построить и множественную линейную регрессию, тогда она имела бы вид:

Y=−0,308+0,099x1+0,01x2+0,008x3Y = -0,308 + 0,099x_1 + 0,01x_2 + 0,008x_3Y=−0,308+0,099x1​+0,01x2​+0,008x3​

(см. Таблицу 10).

Рисунок 3. Вероятность «исследовательской успешности» в Модели 1


Таблица 10. Множественная линейная регрессия для Модели 1

Параметр Значение
R 0,305
R-квадрат 0,093
Скорректированный R-квадрат 0,092
Стандартная ошибка оценки 0,66329

Коэффициенты

Переменная B Стандартная ошибка Бета t Значимость
Константа -0,308 0,018 - -17,25 0
Курс 0,099 0,003 0,313 29,509 0
Общее число олимпиад 0,01 0,002 0,053 4,966 0
Лучший результат по теоретической олимпиаде 0,008 0,004 0,022 2,132 0,033

Само качество модели крайне низкое, так как изменение в числе публикаций описываются изменениями в указанных параметрах только на 9 %. «Курс» остается наиболее значимым параметром модели, а при его исключении качество модели падает до нуля, что говорит об очень незначительном, практически не фиксируемом, влиянии оставшихся двух переменных.

Общее качество Модели 2 также невысокое, см. Таблицу 11. Колебание вероятности объясняется колебанием объясняющих переменных на 29%. При этом исходное значение можно фиксировать на уровне 0,00021. Наибольшее влияние на предсказание оказывает «курс», но чем выше курс, тем больше возможностей у студентов было принять участие в конференциях.

Таблица 11. Регрессионная Модель 2

Сводка для модели:

  • R-квадрат: 0,061
  • 2 Log-правдоподобие: 1462,850a

Переменные в уравнении:

Переменная B Ст.св. Вальд Знач. Exp(B)
Лучший результат по теоретической олимпиаде 0,036 17,703 398,154 0 1,163
Общее число олимпиад 0,023 17,004 702,967 0 1,099
Курс 0,038 1 0,151 0 2,14
Константа -8,448 1 0,094 0 0
  • R-квадрат Кокса и Снелла: 0,292
  • Среднеквадратичная ошибка: 0,761

Распределение «исследовательской вероятности успешности», выраженное в участии в конференциях, также показывает, что почти по всем наблюдениям предсказанная величина меньше вероятности в 50%, см. Рисунок 4.

Рисунок 4. Вероятность «исследовательской успешности» в Модели 2


Так же, как и для прошлой модели, построим множественную линейную регрессию:

Y=−0,113+0,006x1+0,003x2+0,035x3Y = -0,113 + 0,006x1 + 0,003x2 + 0,035x3Y=−0,113+0,006x1+0,003x2+0,035x3

см. Таблицу 12.

Таблица 12. Множественная линейная регрессия для Модели 2

Сводка для модели:

Параметр Значение
R 0,217a
R-квадрат 0,047
Скорректированный R-квадрат 0,047
Стандартная ошибка оценки 0,33253
Статистика изменений 0,047

Коэффициенты:

Переменная Нестандартизованные коэффициенты Стандартизованные коэффициенты t Значимость
B Стандартная ошибка Бета
Константа -0,113 0,009 -12,596
Лучший результат по теоретической олимпиаде 0,006 0,002 0,031 2,907
Общее число олимпиад 0,003 0,001 0,035 3,176
Курс 0,035 0,002 0,223 20,538

Само качество модели по-прежнему крайне низкое, так как изменение в числе конференций описывается изменениями в указанных параметрах только на 4,7%. «Курс» остается наиболее значимым параметром модели, а при его исключении качество модели падает до нуля, что говорит об очень незначительном, практически не фиксируемом влиянии оставшихся двух переменных.

Колебание вероятности в Модели 3 объясняется колебанием объясняющих переменных на 37%. При этом исходное значение можно фиксировать на уровне 0,00055. Наибольшее влияние на предсказание оказывает курс, но чем выше курс, тем больше возможностей у студентов было принять участие в конференции или написать статью, см. Таблицу 13.

Таблица 13. Регрессионная Модель 3

Сводка для модели

ПоказательЗначение
-2 Log-правдоподобие2929,136a
R-квадрат Кокса и Снелла0,148
R-квадрат Нэйджелкерка0,374

Переменные в уравнении

ПеременнаяBСреднеквадратичная ошибкаВальдСт. св.Знач.Exp(B)
Лучший результат по теоретической олимпиаде0,1540,02440,045101,167
Общее число олимпиад0,120,01478,705101,128
Курс0,8060,026930,023102,239
Константа-7,5110,2021381,654100,001

Распределение вероятности «исследовательской успешности» студента, выраженная в участиях в конференциях, также показывает, что почти по всем наблюдениям предсказанная величина меньше вероятности в 60%, только незначительная часть переходит этот порог, см. Рисунок 5.

Рисунок 5. Вероятность «исследовательской успешности» в Модели 3


Обобщая приведенный выше анализ, можно сказать, что участие в «инженерных» олимпиадах не гарантирует выбора исследовательского трека и не влияет на число публикаций или участие в конференциях. В отношении участия в «теоретических» олимпиадах можно указать на наличие некоторой связи, но она оказывается слишком слабой и неустойчивой, чтобы мы могли делать вывод о прямом воздействии. Таким образом, результаты олимпиад, полученные в школьные годы, не оказывают значимого влияния на карьерный выбор студентов селективного вуза.

Тем самым подтверждается гипотеза о том, что результаты олимпиад играют не ключевую роль в том, будет выпускник успешным ученым-исследователем или нет. Соответственно, необходимо, как уже говорилось, расширять возможности для поступления в селективные вузы, смещая фокус с высокорейтинговых олимпиад на выявление у абитуриентов способностей исследовательского типа.

С практической и социальной точки зрения ликвидация непреодолимого сейчас порога входа для потенциальных будущих исследователей даст возможность таким школьникам оказаться среди тех, кто обладает наибольшими способностями к инновационным достижениям, получает самое качественное образование, и которые могут принести пользу обществу и существенно изменить жизнь его членов.

  1. Вести образования, 2022 — Куда поступают российские участники международных олимпиад по математике, физики и информатике? // Вести образования, 15 августа 2022. URL: https://vogazeta.ru/articles/2022/8/15/analitycs/20495-kuda_postupayut_rossiyskie_uchastniki_mezhdun... (дата обращения: 19.09.2023).
  2. Глазкова, Глазков, 2021 — Глазкова Т. В., Глазков А. В. Академическая успеваемость в вузе и профессиональная успешность на поствузовском этапе: соотношение и динамика // Современное педагогическое образование, 2021. № 12. С. 12–15.
  3. Программы развития МФТИ, 2021 — Программы развития МФТИ, 2021. URL: https://mipt.ru/science/support/ (дата обращения: 19.09.2023).
  4. Результаты работы МФТИ, 2019 — Результаты работы МФТИ в 2019 году. Годовой отчет. URL: https://mipt.ru/upload/iblock/896/go_2020.pdf (дата обращения: 19.09.2023).
  5. Результаты работы МФТИ, 2020 — Результаты работы МФТИ в 2020 году. Годовой отчет. URL: https://mipt.ru/upload/iblock/0af/godovoyotchet-2020_webb.pdf (дата обращения: 19.09.2023).
  6. Результаты работы МФТИ, 2021 — Результаты работы МФТИ в 2021 году. Годовой отчет. URL: https://mipt.ru/upload/medialibrary/8c0/mipt_annual_report_2021_14_03.pdf (дата обращения: 19.09.2023).
  7. Результаты работы МФТИ, 2022 — Результаты работы МФТИ в 2022 году. Годовой отчет. URL: https://mipt.ru/2022/MIPT_report_2022_FULL_clear_22_03.pdf (дата обращения: 19.09.2023).
  8. Фетискин, Козлов, Мануйлов, 2014 — Фетискин Н. П., Козлов В. В., Мануйлов Г. М. Социально-психологическая диагностика развития личности и малых групп. Саратов: Вузовское образование, 2014. 193 с.
  9. Хавенсон, Соловьева, 2014 — Хавенсон Т. Е., Соловьева А. А. Связь результатов Единого государственного экзамена и успеваемости в вузе // Вопросы образования, 2014. № 1. С. 176–199.
  10. Черненко, Романенко 2021 — Черненко С. Е., Романенко К. Р. Как становятся «олимпиадниками»: продвигающая сила школы // Образовательная политика, 2021. № 4. С. 80–89.
  11. Agarwal, Ohyama, 2013 — Agarwal R., Ohyama A. Industry or academia, basic or applied? Career choices and earnings trajectories of scientists // Management Science, 2013. Т. 59. № 4. P. 950–970.
  12. Alley-Young, 2017 — Alley-Young G. White House Big Data Initiative // Encyclopedia of Big Data, 2017. P. 1–5.
  13. Andreescu et al., 2008 — Andreescu T. et al. Cross-cultural analysis of students with exceptional talent in mathematical problem solving // Notices of the AMS, 2008. Т. 55. № 10. P. 1248–1260.
  14. Gottfredson, 2002 — Gottfredson L. S. Gottfredson’s theory of circumscription, compromise, and self-creation // Career choice and development, 2002. Т. 4. P. 85–148.
  15. Jung, 2019 — Jung J. Y. The career decisions of gifted students and other high ability groups. Routledge, 2019. 136 p.
  16. Jung, Lee, 2021 — Jung J. Y., Lee J. After the international mathematical Olympiad: The educational/career decisions and the development of mathematical talent of former Australian Olympians // Gifted Child Quarterly, 2021. Т. 65. № 3. P. 235–261.
  17. Lubinski, Benbow, 2021 — Lubinski D., Benbow C. P. Intellectual precocity: What have we learned since Terman? // Gifted Child Quarterly, 2021. Т. 65. № 1. P. 3–28.
  18. Lofquist, 1991 — Lofquist L. H. Essentials of person-environment-correspondence counseling. U of Minnesota Press, 1991. 184 p.
  19. McCabe et al., 2020 — McCabe K. O., Lubinski D. & Benbow C. P. Who shines most among the brightest? A 25-year longitudinal study of elite STEM graduate students // Journal of Personality and Social Psychology, 2020. N 119. Р. 390–416.
  20. Subotnik et al., 2011 — Subotnik R. F., Olszewski-Kubilius P., Worrell F. C. Rethinking giftedness and gifted education: A proposed direction forward based on psychological science // Psychological science in the public interest, 2011. Т. 12. № 1. P. 3–54.
  21. Subotnik et al., 2012 — Subotnik R. F., Olszewski-Kubilius P., Worrell F. C. A proposed direction forward for gifted education based on psychological science // Gifted Child Quarterly, 2012. Т. 56. № 4. P. 176–188.
  22. Super, 1980 — Super D. E. A life-span, life-space approach to career development // Journal of Vocational Behavior, 1980. N 16. P. 282–298.
  23. Vale, 2010 — Vale R. D. It’s a wonderful life: A career as an academic scientist // Molecular biology of the cell, 2010. Т. 21. № 1. P. 11–14.
Количество показов: 19