Когнитивные и некогнитивные предикторы выбора профиля обучения: анализ направлений подготовки с использованием машинного обучения

В статье представлены результаты исследования когнитивных и некогнитивных предикторов выбора профиля обучения в университете. Выборка включала 6290 студентов из 23 вузов России (37,6% юношей, 62,4% девушек, возраст – 17–24 года). Образовательные направления были сформированы в пять макрогрупп: гуманитарное, естественнонаучное, педагогическое, социально-экономическое и техническое. Для оценки когнитивных способностей использовались тесты интеллекта (стандартные прогрессивные матрицы Равена), рабочей памяти, пространственных способностей (вращение, визуализация, отношения) и скорости реакции. Некогнитивные характеристики измерялись опросниками математической тревожности, психологической устойчивости и благополучия. Статистический анализ включал многофакторный дисперсионный анализ (ANCOVA) и построение прогностических моделей на основе алгоритма случайного леса. Результаты показали, что направление обучения связано с различиями в когнитивных и личностных профилях, причём наибольший вклад вносят пространственные способности (η² до 0,030). Студенты технических направлений демонстрируют более высокие когнитивные показатели, а гуманитарии – более низкое благополучие и более высокую математическую тревожность. Пол значимо связан с пространственными способностями и некогнитивными характеристиками, но не с общим интеллектом и рабочей памятью. Комбинированная модель машинного обучения достигла точности 39,7% (против базового уровня 29,1%). Показано, что расхождение между фактическим и желаемым выбором специальности связано преимущественно с когнитивным несоответствием. Отмечается также гендерная специфика – у юношей ведущую роль играют пространственные способности, а у девушек – общий интеллект и психологическое благополучие. Полученные результаты могут быть использованы в профориентационных и образовательных практиках.

1. Fonteyne L., Duyck W., De Fruyt F. Program-specific prediction of academic achievement on the basis of cognitive and non-cognitive factors // Learning and Individual Differences. – 2017. – Vol. 56. – P. 34–48. – DOI: 10.1016/j.lindif.2017.05.003.

2. Coenen J., Borghans L., Diris R. Personality traits, preferences and educational choices: A focus on STEM // Journal of Economic Psychology. – 2021. – Vol. 84. – Article no. 102361. – DOI: 10.1016/j.joep.2021.102361.

3. Краснорядцева О.М., Тетерина Е.С. Профессиональный выбор первокурсников: в призме когнитивных особенностей личности // СибСкрипт. – 2025. – Т. 27. – № 5 (41). – С. 947–956. – DOI: 10.21603/sibscript-2025-27-5-947-956.

4. Malykh S., Pavlova A., Malykh A., Adamovich T., Tikhoniyk A. et al. Psychometric evaluation of the abbreviated math anxiety scale in Russian university students // Frontiers in Education. – Frontiers Media SA, 2025. – Vol. 10. – Article no. 1669267. – DOI: 10.3389/feduc.2025.1669267.

5. Ferdinand R., Malanchini M., Rimfeld K. Mathematics interest, self-efficacy, and anxiety predict STEM career choice in emerging adulthood // Science of Learning. – 2024. – Vol. 9. – Article no. 66. – DOI: 10.1038/s41539-024-00266-8.

6. Molnár, G., Kocsis, Á. Cognitive and non-cognitive predictors of academic success in higher education: a large-scale longitudinal study //Studies in Higher Education. – 2024. – Vol. 49, no. 9. – P. 1610–1624. – DOI: 10.1080/03075079.2023.2271513.

7. Панасенко Ю.В. Механизмы выбора образовательной траектории: «мужские» и «женские» направления подготовки: магистерская диссертация. – М.: НИУ ВШЭ, Институт образования, 2025.– URL: https://www.hse.ru/edu/vkr/1052911163 (дата обращения: 29.04.2026).

8. Rudakov V., Kiryushina M., Figueiredo H., Teixeira P.N. Early career gender wage gaps among university graduates in Russia // International Journal of Manpower. – 2023. – Vol. 44, no. 6. – P. 1046–1070. – DOI: 10.1108/IJM-03-2021-0206.

9. Owen S., Rury D. Implicit Gender-STEM Stereotypes and College Major Choice. EdWorkingPaper No. 25-1230 // Annenberg Institute for School Reform at Brown University. – 2025. – URL: https://stephanieowen.github.io/owen_rury_stem_stereotypes.pdf (дата обращения: 29.04.2026).

10. Малошонок Н.Г., Щеглова И.А., Вилкова К.А., Абрамова М.О. Гендерные стереотипы и выбор инженерно-технического направления подготовки // Вопросы образования. – 2022. – № 3. – С. 149–186. – DOI: 10.17323/1814-9545-2022-3-149-186.

11. Малых С.Б., Табуева А.О., Кузьмина Ю.В., Колясников П.В., Малых А.С. Выбор направления обучения: сеть мотивов и мотивационные профили студентов // Высшее образование в России. – 2026. – Т. 35, № 3. – С. 10–32. – DOI: 10.31992/0869-3617-2026-35-3-10-32.

12. Растимешина Т.В., Стрижак А.Ю., Брижак О.В., Поляков Р.К. Инженерная профессия для женщин: институциональные барьеры входа // Terra Economicus. – 2025. – Т. 23, № 3. – С. 97–113. – DOI: 10.18522/2073-6606-2025-23-3-97-113.

13. Пустовалова Н.В., Авдеенко Т.В. Анализ влияния различных аспектов личности студента на академическую успеваемость // Информационные технологии и нанотехнологии (ИТНТ-2023) : сборник трудов по материалам IX Международной конференции и молодёжной школы (г. Самара, 17–23 апреля 2023 г.). – Самара: Изд-во Самар. ун-та, 2023. – Т. 5. – № ст. 051922. – URL: https://repo.ssau.ru/bitstream/Informacionnye-tehnologii-i-nanotehnologii/O-logicheskoi-klassifikacii-celochislennyh-dannyh-106032/1/978-5-7883-1921-6_2023-051922.pdf (дата обращения: 29.04.2026).

14. Kotova E.E., Pisarev A.S. Predicting Student Academic Performance Based on Individual Cognitive Differences // 2023 V International Conference on Control in Technical Systems (CTS). – IEEE, 2023. – P. 168–171. – DOI: 10.1109/CTS59431.2023.10288977.

15. Bhoomika C.S., Athreya S., Kanchana V. Data-driven Exploration of Personality and Cognitive Factors in Academic Performance Prediction // 2024 Second International Conference on Networks, Multimedia and Information Technology (NMITCON). – 2024. – P. 1–8. – DOI: 10.1109/NMITCON62075.2024.10699183.

16. Жигалов О.В., Ильин Д.А., Никульчев Е.В., Рогов И.А. Интеграция инструментов психологического тестирования с модулем прогнозирования академической успеваемости в ИТ-образовании // Современные информационные технологии и ИТ-образование. – 2025. – Т. 21, № 4. – URL: http://sitito.cs.msu.ru/index.php/SITITO/article/view/1272 (дата обращения: 29.04.2026).

17. Raven J. The Raven’s progressive matrices: change and stability over culture and time // Cognitive psychology. – 2000. – Т. 41, № 1. – С. 1–48. – DOI: 10.1006/cogp.1999.0735.

18. Барцева К.В., Лиханов М.В., Солдатова Е.Л., Цигеман Э.С. и др. Апробация короткой онлайн-батареи пространственных способностей (OSSAB) для тестирования студентов университетов // Образование и наука. – 2023. – Т. 25, № 10. – С. 183–204. – DOI: 10.17853/1994-5639-2023-10-183-204.

19. Тихомирова Т.Н., Ковас Ю.В. Роль когнитивных показателей учащихся старшего школьного возраста в успешности решения математических заданий //Знание. Понимание. Умение. – 2012. – № 2. – С. 237–244. – EDN: PWJSRD.

20. Hopko D.R., Mahadevan R., Bare R.L., Hunt M.K. The abbreviated math anxiety scale (AMAS) construction, validity, and reliability // Assessment. – 2003. – Т. 10, № 2. – С. 178–182. – DOI: 10.1177/1073191103010002008.

21. Dagnall N., Denovan A., Papageorgiou K.A., Clough P.J., Parker A., Drinkwater K.G. Psychometric assessment of shortened mental toughness questionnaires (MTQ): Factor structure of the MTQ-18 and the MTQ-10 // Frontiers in psychology. – 2019. – Vol. 10. – Article no. 1933. – DOI: 10.3389/fpsyg.2019.01933.

22. Topp C.W., Østergaard S.D., Søndergaard S., Bech P. The WHO-5 Well-Being Index: a systematic review of the literature // Psychotherapy and Psychosomatics. – 2015. – Vol. 84, no. 3. – P. 167–176. – DOI: 10.1159/000376585.

23. Карпова В.М., Ляликова С.В., Антонов А.И. Факторы субъективного благополучия супругов: социологический анализ //Научный результат. Социология и управление. – 2025. – Т. 11, № 2. – С. 102–119. – DOI: 10.18413/2408-9338-2025-11-2-0-7.

24. Fox J., Weisberg S. An R companion to applied regression. – Sage publications, 2018. – URL: https://experts.umn.edu/en/publications/an-r-companion-to-applied-regression (доступ 20.04.2026).

25. Ben-Shachar M.S., Lüdecke D., Makowski D. Effectsize: Estimation of Effect Size Indices and Standardized Parameters // Journal of Open-Source Software. – 2020. – Vol. 5, no. 56. – Article no. 2815. – DOI: 10.21105/joss.02815.

26. Lenth R.V. Emmeans: Estimated Marginal Means, aka Least-Squares Means : R package. – 2024. – URL: https://CRAN.R-project.org/package=emmeans (дата обращения: 27.04.2026).

27. Liaw A., Wiener M. Classification and Regression by randomForest // R News. – 2002. – Vol. 2, no. 3. – P. 18–22. – URL: https://journal.r-project.org/articles/RN-2002-022/RN-2002-022.pdf (доступ 20.04.2026).

28. Kuhn M. Building Predictive Models in R Using the caret Package // Journal of Statistical Software. – 2008. – Vol. 28, no. 5. – P. 1–26. – DOI: 10.18637/jss.v028.i05.

29. Wai J., Lubinski D., Benbow C. P. Spatial ability for STEM domains: Aligning over 50 years of cumulative psychological knowledge solidifies its importance // Journal of educational Psychology. – 2009. – Vol. 101, no. 4. – Article no. 817. – DOI: 10.1037/a0016127.

30. Zhou Q., Wang Z., Rimfeld K., Allegrini A.G., Plomin R., Malanchini M. Exploring the specific predictive ability of multiple domains of spatial ability on STEM educational outcomes // bioRxiv. – 2024. – DOI: 10.1101/2024.12.20.629833.

31. Tian J., Ren K., Newcombe N.S., Weinraub M. Tracing the origins of the STEM gender gap: The contribution of childhood spatial skills //Developmental Science. – 2023. – Vol. 26, no. 2. – Article no. e13302. – DOI: 10.1111/desc.13302.

32. Esipenko E.A., Maslennikova E.P., Budakova A.V., Sharafieva K.R., Ismatullina V.I. et al. Comparing spatial ability of male and female students completing Humanities vs. technical degrees // Psychology in Russia: State of the art. – 2018. – Vol. 11, no. 4. – P. 37–49 – DOI: 10.11621/pir.2018.0403.

33. Coyle T.R. Tech tilt predicts jobs, college majors, and specific abilities // Intelligence. – 2019. – Vol. 75. – P. 33–40. – DOI: 10.1016/j.intell.2019.04.002.

34. Белоплотова К.Е., Есипенко Е.А., Будакова А.В. Индивидуальные различия в математической тревожности у студентов, обучающихся на гуманитарных и естественнонаучных направлениях // Нейронаука для медицины и психологии. – 2020. – С. 94–95. – DOI: 10.29003/m945.sudak.ns2020-16/94-95.

35. Chen S., Cheung A.C.K., Zeng Z. Big Five personality traits and university students’ academic performance: A meta-analysis // Personality and Individual Differences. – 2025. – Vol. 240. – Article no. 113163. – DOI: 10.1016/j.paid.2025.113163.

36. Kirkebøen L.J., Leuven E., Mogstad M. Field of study, earnings, and self-selection // The Quarterly Journal of Economics. – 2016. – Vol. 131, no. 3. – P. 1057–1111. – DOI: 10.1093/qje/qjw019.

37. Фокина О.В., Сорокин Г.Г. Когнитивные стили, пол и успеваемость студентов в инженерном образовании // Инженерное образование. – 2021. – № 29. – С. 38–47. – DOI: 10.26105/SSPU.2021.1.70.007.

38. Варавва М.Ю. Гендерный диспаритет в IT-и STEM-профессиях: анализ ключевых факторов //Вестник Российского экономического университета им. ГВ Плеханова. – 2024. – Т. 21, № 5. – С. 160–169. – DOI: 10.21686/2413-2829-2024-5-160-169.

39. Панчук Е.Ю. Гендерные особенности профессиональных склонностей // Известия Саратовского университета. Новая серия. Серия Философия. Психология. Педагогика. – 2014. – Т. 14, № 2-1. – С. 79–84. – EDN: SXLAED.