Структурная модель оценки квалификации ИТ-специалистов на основе интеллектуального анализа данных информационных систем

Ключевыми факторами достижения успеха проекта ИТ-организации являются персонал и его профессиональные качества. Для выявления направлений карьерного роста руководство организаций проводит перманентное оценивание квалификации сотрудников. Однако низкий уровень надежности и точности результатов оценивания, связанный с субъективным мнением руководителей, может привести к негативным последствиям принимаемых на его основе решений. Для повышения точности результатов и выявления дополнительных критериев профессиональной компетентности были разработаны модели оценки квалификации разработчиков и тестировщиков ПО для поддержки принятия решений на основе большого количества показателей, полученных при помощи интеллектуального анализа данных информационных систем, в которых работают ИТспециалисты. В настоящей работе был проведен факторный анализ для выявления структуры пространства показателей и обнаружения в них скрытых закономерностей. Результаты показали, что при оценивании квалификации ИТ-специалистов руководители учитывают факторы, связанные с решением технических задач, результативностью и оперативностью тестирования, а также коммуникативными навыками.

1. Gastaldi L., Corso M. Smart Healthcare Digitalization: Using ICT to Effectively Balance Exploration and Exploitation within Hospitals // International Journal of Engineering Business Management. 2012. V. 4. P. 1–13.

2. Pearlman K., Schmidt F. L., Hunter J. E. Validity generalization for tests used to predict job proficiency and training success in clerical occupations // Journal of Applied Psychology. 1980. V. 65, № 4, P. 373–406.

3. Rothstein H. R. Interrater reliability of job performance ratings: Growth to asymptote level with increasing opportunity to observe // Journal of Applied Psychology. 1990. V. 75, № 3. P. 322–327.

4. Viswesvaran C., Ones D. S., Schmidt F. L. Comparative analysis of reliability of job performance ratings // Journal of Applied Psychology. 1996. V. 81, № 5. P. 557–574.

5. Gavriliev E. I., Avdeenko T. V. Model and Procedure for Assessing the Qualification of a Software Developer // Proc. IEEE 23rd International Conference of Young Professionals in Electron Devices and Materials (EDM), 2022. P. 303–307.

6. Гаврильев Э. И., Авдеенко Т. В. Процедура оценки квалификации разработчика программного обеспечения // Сборник научных трудов «Наука. Технологии. Инновации»: в 10-и частях, Новосибирск, 06–10 декабря 2021 года. С. 145–148.

7. Robillard M. P., Coelho W., Murphy G. C. How effective developers investigate source code: an exploratory study // IEEE Transactions on Software Engineering. 2004. V. 30, № 12, P. 889-903.

8. Surakka S. What subjects and skills are important for software developers // Communications of the ACM. 2007. V. 50, №. 1. P. 73–78.

9. Li P. L., Ko A. J., Begel A. What Makes a Great Software Engineer? // Proc. 37th International Conference on Software Engineering, 2015. P. 700–710.

10. Baltes S., Diehl S. Towards a theory of software development expertise// Proc. 2018 26th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering (ESEC/FSE), 2018.

11. Bergersen G. R., Sjøberg D. I. K., Dybå T. Construction and validation of an instrument for measuring programming skill // IEEE Trans. Softw. Eng. 2014. V. 40, №. 12. P. 1163–1184.

12. Juristo N., Moreno A. M., Stigel W. Guest editors' introduction: Software testing practices in industry // IEEE Software. 2006. V. 23, № 4. P. 19–21.

13. Florea R., Stray V. The skills that employers look for in software testers // Software Quality Journal. 2019. № 27. P. 1449–1479.

14. Iivonen J., Mäntylä M.V., Itkonen J. Characteristics of high performing testers: a case // Proc. ACM-IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM), 2010. P. 1–9.

15. Deak A. What Characterizes a Good Software Tester? – A Survey in Four Norwegian Companies // Lecture Notes in Computer Science. 2014. № 8763. P. 162–172.

16. Gousios G., Kalliamvakou D., Spinellis E. D. Measuring developer contribution from software repository data // Proc. International working conference on Mining software repositories (MSR), 2008. P. 129–132.

17. Lanubile F., Ebert C., Prikladnicki R., Herzig R. K. A Collaboration Tools for Global Software Engineering // IEEE Software. 2010. V. 27, № 2. P. 52–55.

18. Zolkifli N. N., Ngah A., Deraman A. Version Control System: A Review // Lecture Notes in Computer Science. 2018. V. 135. P. 408–415.

19. Макашов П. А., Романенко Н. А. Сервис-ориентированный подход к управлению ИТпроектами на примере использования программного продукта «JIRA» // Современные информационные технологии и ИТ-образование. 2015. V. 11, № 2. С. 127–132.

20. Collins E. F., Lucena Jr. V. Software Test Automation practices in agile development environment: An industry experience report // Proc. 7th International Workshop on Automation of Software Test (AST), 2012. P. 57–65.

21. Apraci I., Al-Emran M., Al-Sharafi M. A. The impact of knowledge management practices on the acceptance of Massive Open Online Courses (MOOCs) by engineering students: A crosscultural comparison // Telematics and Informatics. 2020. № 54. P. 1–13.

22. Гаврильев Э. И., Авдеенко Т. В. Многофакторная регрессионная модель оценки квалификации тестировщика программного обеспечения // Доклады ТУСУР. 2022. V. 25, № 4. С. 115–121.

23. Томита-парсер [Электронный ресурс]. URL: https://tech.yandex.ru/tomita/ (дата обращения: 02.04.2023).

24. Kaiser-Meyer-Olkin (KMO) Test for Sampling Adequacy [Электронный ресурс]. URL: https://www.statisticshowto.com/kaiser-meyer-olkin/ (дата обращения: 16.04.2023).

25. Understanding Data Mapping Tools, Process, and Techniques [Электронный ресурс]. URL: https://www.astera.com/type/blog/understanding-data-mapping-and-itstechniques/ (дата обращения: 02.04.2023).