Machine Learning Assessment of Digital Works in Future Teacher Competency Mapping

In the context of educational digitalization, the level of professional training of future teachers is increasingly reflected in their academic work. Presentations, infographics, and visual materials are becoming not only a form of reporting but also indicators of the formation of key competencies among students enrolled in teacher education programs. In this regard, the relevance of their systematic analysis and evaluation is growing. The study involves the use of machine learning methods to analyze the digital academic work of students in teacher education programs. The empirical base consisted of 112 student digital works. The experiment was conducted across four dimensions: digital literacy, visualization, creativity, and pedagogical orientation. Random Forest and AI-based models were used for data processing, allowing simultaneous analysis of structural metadata and visual characteristics of the works. The results demonstrated a high level of correspondence between expert evaluations and machine-generated predictions, particularly in the domains of digital literacy and pedagogical orientation. The assessment of creativity proved to be less precise, confirming the difficulty of algorithmic interpretation of original solutions. The results do not suggest that machine learning can replace expert judgement. Yet they clearly show that it may function as an additional analytical layer, helping to make the evaluation process more consistent and less dependent on purely subjective interpretation. Білім беруді цифрландыру жағдайында болашақ мұғалімдердің кәсіби даярлық деңгейі олардың оқу жұмыстарында айқын көрініс табуда. Презентациялар, инфографикалар және түрлі визуалды материалдар тек есеп беру нысаны ғана емес, сонымен қатар педагогикалық білім беру бағдарламаларында білім алатын студенттердің негізгі құзыреттерінің қалыптасу көрсеткішіне айналып келеді. Осыған байланысты оларды жүйелі түрде талдау мен бағалаудың өзектілігі арта түсуде. Зерттеуде педагогикалық бағытта білім алатын студенттердің цифрлық оқу жұмыстарын талдау үшін машиналық оқыту әдістерін қолдану қарастырылады. Эмпирикалық база ретінде білім алушылардың 112 цифрлық жұмысы пайдаланылды. Эксперимент төрт бағыт бойынша жүргізілді: цифрлық сауаттылық, визуализация, креативтілік және педагогикалық бағыттылық. Деректерді өңдеу үшін Random Forest модельдері мен жасанды интеллект алгоритмдері қолданылып, жұмыстардың құрылымдық метадеректері мен визуалдық сипаттамаларын қатар талдауға мүмкіндік берілді. Нәтижелер сарапшылар бағалары мен машиналық оқыту модельдерінің болжамдары арасында жоғары деңгейдегі сәйкестікті көрсетті, әсіресе цифрлық сауаттылық пен педагогикалық бағыттылық бойынша. Креативтілікті бағалау дәлдігі төмендеу болды, бұл бірегей шешімдерді алгоритмдік тұрғыдан интерпретациялаудың күрделілігін дәлелдейді. Зерттеу нәтижелері машиналық оқытудың сараптамалық бағалауды толықтай алмастыра алмайтынын көрсетеді. Дегенмен, оны бағалау үдерісінің бірізділігін арттырып, субъективті түсіндіруге тәуелділікті азайтатын қосымша аналитикалық құрал ретінде қолдануға болатынын дәлелдейді. В условиях цифровизации образования уровень профессиональной подготовки будущих учителей всё чаще отражается в их учебных работах. Презентации, инфографика и визуальные материалы становятся не только формой отчётности, но и показателями сформированности ключевых компетенций студентов педагогических образовательных программ. В связи с этим возрастает актуальность их системного анализа и оценки. В исследовании рассматривается применение методов машинного обучения для анализа цифровых учебных работ студентов педагогических направлений. Эмпирическую базу составили 112 цифровых работ обучающихся. Эксперимент проводился по четырём направлениям: цифровая грамотность, визуализация, креативность и педагогическая направленность. Для обработки данных использовались модели Random Forest и алгоритмы искусственного интеллекта, что позволило одновременно анализировать структурные метаданные и визуальные характеристики работ. Полученные результаты показали высокий уровень соответствия между экспертными оценками и прогнозами, сформированными моделью машинного обучения, особенно в областях цифровой грамотности и педагогической направленности. Оценка креативности оказалась менее точной, что подтверждает сложность алгоритмической интерпретации оригинальных решений. Результаты исследования не свидетельствуют о том, что машинное обучение способно заменить экспертную оценку. Вместе с тем они показывают, что его можно рассматривать как дополнительный аналитический инструмент, способствующий повышению согласованности оценивания и снижению зависимости от субъективной интерпретации.