Исследование вклада контекста, сетевой активности и самоорганизации в формирование человеческого капитала на основе самообучения в цифровой среде

Черненко И.М.1, Пелымская И.С.1
1 Уральский федеральный университет им. первого Президента России Б.Н. Ельцина

Статья в журнале

Экономика труда (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 10, Номер 1 (Январь 2023)

Цитировать:
Черненко И.М., Пелымская И.С. Исследование вклада контекста, сетевой активности и самоорганизации в формирование человеческого капитала на основе самообучения в цифровой среде // Экономика труда. – 2023. – Том 10. – № 1. – doi: 10.18334/et.10.1.116857.

Аннотация:
Цифровизация, с одной стороны, значительно повышает объем возможностей и альтернативных ресурсов, доступных для обучения, однако, с другой стороны, проблема в том, что она приводит к усложнению среды, в которой происходит обучение, что в свою очередь отрицательно влияет на структурированность информации, результативность обучения и отдачу от человеческого капитала. Целью данной статьи является проверка гипотез о влиянии количественного разнообразия в социальном, пространственном и цифровом контекстах, сетевой активности и способности к самоорганизации на результативность самообучения работников в цифровой среде. Используется методология контекстуализма, методы факторного и регрессионного анализа. Используются данные опроса 354 молодых специалистов из Свердловской области в возрасте до 35 лет. Новизна исследования состоит в разработке подхода к измерению явных переменных для оценки теоретических конструкций, таких как результативность самообучения, контекст обучения, самоорганизация и сетевая активность. Для измерения контекстного разнообразия предложен метод определения количества и типов контекстов (пространственных, цифровых и социальных), в которых проходит самообучение работников. Результаты исследования показали, что число пространственных и числовых контекстов не влияют на эффективность обучения, в то время как социальный контекст, базовые цифровые компетенции и способность к самоорганизации играют решающее значение для обучения в цифровой среде. Результаты исследования могут быть использованы создателями и менеджерами образовательных программ для исследования влияния набора контекстуальных переменных на результативность обучения и формирования человеческого капитала.

Ключевые слова: самообучение, цифровизация, человеческий капитал, контекстуализм, сетевая активность, самоорганизация

JEL-классификация: E24, J24, O15



ВВЕДЕНИЕ

Цифровая трансформация производственных систем и сферы услуг оказывает существенное влияние на процессы воспроизводства, накопления и распределения человеческого капитала во всех отраслях экономики, что в свою очередь, приводит к пересмотру стратегий взаимодействия работников и работодателей на рынке труда. Внедрение новых информационных и компьютерных технологий создает как угрозы для ряда профессий, связанных с рутинными функциями, например, низкоквалифицированной обработкой неструктурированной информации, так и возможности благодаря созданию целого ряда новых занятий, формальных и неформальных рабочих мест, обслуживающих потребности растущего сервисного сектора [1], [2]. Развитие цифрового человеческого капитала обуславливает новые требования к обучению людей, внося беспрецедентное разнообразие в стратегии получения компетенций и процессы формирования образовательных треков. В условиях перманентного кризиса, порождающего не только проблемы, но и возможности на рынке труда [3], люди вынуждены быстро адаптироваться, обновлять запасы знаний и использовать комплексные карьерные треки для максимизации благополучия [4]. Самообучение, вероятно, является одним из важнейших факторов успеха на современном турбулентном рынке труда, поскольку оно позволяет поддерживать гибкость образовательных стратегий, актуальность компетенций для рынка труда. Однако такой важный способ развития человеческого капитала как самообучение требует определенных условий, в частности, ряд последних исследований показывает, что большое значение имеют контекст и внешняя среда [5], [6], в которой проходит обучение, а также способность к самоорганизации, комбинации информационных источников и сигналов, поддерживающих конкурентоспособность занятого населения на рынке труда [5], [7].

Неоклассические модели, объясняющие разницу в производительности труда и заработках на рынке труда, предполагают, что у каждого человека существует запас человеческого капитала, который состоит из формального, неформального образования и опыта работы, врожденных способностей, физического и умственного здоровья [8], [9]. Формальное образование демонстрирует вовлеченность экономических агентов в работу институционализированной среды, включающей начальную и среднюю школу, а также различные виды профессионального обучения [10]. Получившая широкое признание в последние два десятилетия концепция обучения в течение всей жизни (life-long learning, LLL) говорит о том, что люди постоянно актуализируют знания и гибко реагируют на запросы рынка труда, выбирая комбинированные образовательные стратегии, учитывающие преимущества дистанционных форм получения квалификаций в цифровой среде [11]. Новые тренды в формальных технологиях обучения, повышающие гибкость образовательных услуг, сокращающих цикл критического обновления знаний и являющихся основой профессиональных образовательных программ, вынуждены конкурировать с альтернативными платформами и нарастающим потенциалом применения технологий искусственного интеллекта [6], [12].

Сложность условий в которых происходит развитие человеческого капитала, подразумевает применение новых подходов к изучению среды и стратегий инвестирования в образование и самообучение. Методология контекстуализма говорит о наличии ряда предпосылок, которые указывают на необходимость структурирования и исследования условий, в которых происходит формирование и использование знаний экономическими агентами, что может внести решающий вклад в объяснение человеческого поведения при принятии тех или иных рыночных решений [13, p. 12]. Фундаментом для развития контекстуализма в экономике является теория ограниченной рациональности, которая постулирует, что результативность любых решений ограничена информацией, которой обладают агенты; в этих условиях максимизация полезности становится еще более сложной [14, p. 177]. Информация структурируется и превращается в более ценное знание, однако и этот процесс подвержен влиянию окружения и элементов контекста, таких как культура или разделяемые ценности, уровень доверия в сообществе [15], вовлеченность в неформальную коммуникацию, склонность к обмену знанием [16] и т. п. Среда, в которой принимаются экономические решения, таким образом, может рассматриваться как совокупность социальных кластеров, объединений людей по различными признакам, связанных между собой в той или иной степени [17, c. 46].

В данном исследовании мы фокусируемся на весьма узком направлении, связанном с формированием индивидуального человеческого капитала посредством самообучения в цифровой среде. Подобный человеческий капитал в условиях повышения значимости удаленной работы и гибких форм организации труда позволяет повышать конкурентоспособность занятого населения на рынке труда и даже менять карьерные траектории, поддерживая перераспределение рабочей силы в наиболее востребованные области, такие как сфера информационных и компьютерных технологий и другие сервисно-ориентированные профессиональные области [18], [19]. Цифровая образовательная среда позволяет структурировать, планировать и контролировать процесс обучения, успешно сочетать процессы формирования общего человеческого капитала и специальных знаний по индивидуализированным траекториям. Однако ни одна среда в полной мере не может удовлетворить потребности в самообучении, и люди всегда вынуждены комбинировать множество внешних, несвязанных источников и методов обучения для получения доступа к информации и трансформации ее в релевантное для рынка труда знание.

Во-первых, важным условием для изучения контекста формирования человеческого капитала является сетевое взаимодействие, формирующее множество локальных актов обмена знаниями, в процессе которых происходит интерпретация полученных данных. Сети обмена знаниями состоят из отдельных кластеров, объединенных общими целями или интересами, в них формируется определенная культура и уровень доверия, они также могут существовать параллельно или независимо от формальной организации [17, p. 48]. С одной стороны, исследования показывают, что степень вовлеченности в неформальную коммуникацию и работу сетей обмена знаниями позволяют создать дополнительные возможности на рынке труда, однако в некоторых случаях они могут негативно влиять на процессы формирования человеческого капитала, поскольку сетевые формы непотизма, или кумовства, отрицательно сказываются на склонности к обучению и индивидуальному развитию [20], [21]. С другой стороны, люди, глубоко вовлеченные в работу междисциплинарных сетей с большой вероятностью обладают инновационными идеями [22], [23], склонны к эффективному самообучению и индивидуальному развитию, они обладают большими карьерными перспективами и значительным количеством альтернатив для размещения своего человеческого капитала на рынке труда [24, 25, 26]. Следовательно, мы выдвигаем гипотезу:

Гипотеза 1. Сетевое взаимодействие и вовлеченность в процессы обмена знаниями внутри социальных сетей, положительно влияют на результативность самообучения в цифровой среде.

Во-вторых, важным условием самообучения является характеристика контекстов. В исследовании предлагается выделить пространственные, социальные и цифровые контексты, в которых происходит формирование человеческого капитала. Пространственные контексты подразумевают определение границ и особенностей физического пространства, в котором происходит сетевое взаимодействие и обмен знанием. Это касается географической локализации, организации пространства, сочетания различных компонентов в архитектуре, внедрения эргономичных и функциональных решений. Подобные элементы контекста повышают эффективность обмена знаниями, доступность и разнообразие информации для формирования человеческого капитала [16], [27]. Цифровые контексты раскрывают условия формирования компетенций, связанные с информационными и компьютерными технологиями, работающими при поддержке сети интернет для быстрого обмена данными и знаниями [28], [29]. В данную область необходимо включить всевозможные цифровые площадки, в том числе социальные сети и видеохостинги, которые являются местом для публикации и обмена материалами, используемыми при самообучении. Пользователи получают доступ ко множеству конкурирующих между собой бесплатных источников, которые можно комбинировать для углубления своих знаний или получения доступа к альтернативным объяснениям материала или точкам зрения. Наконец, социальные контексты акцентируют внимание на различных сторонах взаимодействия обучающихся в определенных кругах людей для обмена знаниями, к ним относятся сообщества друзей, коллег, внешних и внутренних по отношению к организации экспертов и специалистов [30, 31, 32]. На практике самообучения значение могут приобретать различные социальные контексты, независимо от их структурированности, научности или рациональности – успех в большей степени зависит от эффективности работы сотрудников и их способности повысить свою конкурентоспособность на рынке труда. Мы предполагаем, что погруженность в большое число контекстов приводит к расширению горизонтов восприятия и планирования траектории самообучения, что положительно сказывается на его результативности. Следовательно, мы выдвигаем гипотезу:

Гипотеза 2: Количественное разнообразие контекстов положительно влияет на результативность самообучения, при этом:

2.1. Количество пространственных контекстов, в которых происходит самообучение, положительно влияет на его результативность;

2.2. Количество цифровых контекстов, в которых происходит самообучение, положительно влияет на его результативность;

2.3. Количество социальных контекстов, в которых происходит самообучение, положительно влияет на его результативность.

В-третьих, необходимо принимать во внимание индивидуальные способности, такие как склонность к самоорганизации, которая проявляется в структурировании среды обучения и рефлексии в отношении полученного опыта. Склонность к структурированию является важной психологической переменной, которая позволяет систематизировать источники информации при обучении и выбрать эффективные с точки зрения затрат ресурсов методы обучения [33]. Структурирование отражается в способности группировать, фильтровать и сортировать источники информации для обучения и развития и эффективно извлекать из них необходимые знания, повышая свою конкурентоспособность на рынке труда [34]. Интересующей нас переменной также является самооценка результативности самообучения, которая предполагает степень достижения поставленных целей и соответствия полученных компетенций запросам рынка труда или требованиям конкретной группы работодателей. Самоорганизация повышает уровень осознанности обучения и мотивации обучающихся затрачивать больше времени на выполнение сложных задач и получения продвинутых навыков [29, 35, 36]. Следовательно, мы выдвигаем гипотезу:

Гипотеза 3. Склонность к структурированию среды самообучения в цифровом пространстве положительно влияет на его результативность.

Значимыми характеристиками индивидуальных способностей являются наличие цифровых компетенций и уровень компьютерной грамотности, которые позволяют успешно использовать информационные технологии для получения знаний и навыков [37, 38, 39]. Возрастающая роль цифровых технологий позволяет структурировать знания на высоком уровне, а интеллектуальный поиск способствует легкому поиску релевантной информации по самым разнообразным направлениям. Базовые цифровые компетенции включают в себя элементарные навыки обработки данных и взаимодействия в цифровой среде, предполагающие использование мессенджеров и электронной почты, создание презентаций и обработку цифровых таблиц в офисных приложениях [40]. К продвинутым цифровым навыкам можно отнести установку и переустановку операционной системы, работу в системах управления ресурсами или базах знаний, а также самостоятельное написание программного обеспечения [40]. Следовательно, мы выдвигаем гипотезу:

Гипотеза 4. Цифровые навыки населения положительно влияют на результативность самообучения в цифровой среде.

МЕТОДЫ И ДАННЫЕ

Для обработки полученных данных использован ряд статистических методов, таких как факторный, корреляционный и регрессионный анализ. На первом этапе исследования была разработана анкета для измерения неявных теоретических конструкций (факторов), которая состояла из явных переменных, то есть утверждений в анкете, по отношению к которым респондентам предлагалось выразить степень своего согласия по семибалльной шкале Лайкерта. Вопросы в анкете были сформулированы авторами на основе анализа теоретических конструкций, раскрытых ранее в разделе с обзором литературы. Кроме того, анкета содержала ряд контрольных вопросов, позволяющих выявить пол, возраст, опыт работы и сферу деятельности респондентов. Эксплораторный факторный анализ методом вращения варимакс с нормализацией Кайзера [41, c. 270] позволил определить структуру неявных переменных, таких как сетевое взаимодействие и вовлеченность, базовые и продвинутые компетенции, склонность к структурированию среды и результативность самообучения. Каждая неявная переменная состоит из группы утверждений в анкете и группируется произвольным образом. Для переменных, входящих в состав каждого фактора по результатам анализа были определены меры согласованности на основе коэффициента альфа Кронбаха [41, c. 254] и вычислены средние значения переменных. В дальнейшем средние значения переменных использовались для корреляционного и регрессионного анализов.

Первая группа вопросов была направлена на выявление количества контекстов, в рамках которых респонденты получают сигналы или информацию для личного и профессионального обучения и развития. Сигналы связаны с новыми трендами на рынке труда, данными по наиболее востребованным компетенциям и профессиям, которые приносят наибольшую отдачу от инвестиций времени в самообучение и развитие индивидуального человеческого капитала – это могут быть объявления в контекстной рекламе, сообщения в мессенджерах и электронной почте, текстовые и видеоматериалы, которые, как правило, распространяются по открытым каналам с учетом цифровой кастомизации информационной среды (почтовые сервисы и поисковики, как правило ведут персонализированный учет запросов пользователей). Ранее были выделены пространственные, цифровые и социальные контексты, в которых происходит обмен знанием, данные переменные являются целевыми для дальнейшего анализа. По каждой группе контекстов было выделено по десять переменных, которые показаны далее в разделе с результатами исследования.

Вторая группа вопросов в анкете направлена на измерение неявных теоретических конструкций: отдельные утверждения были сгруппированы в анкете последовательно и респондентам было предложено оценить степень согласия с ними. Например, глубину сетевого взаимодействия было предложено измерить на основе частоты взаимодействия с различными социальными группами и способности воспринимать и анализировать альтернативные мнения. Ранее проведенные социологические исследования предполагают, что запас человеческого капитала, вероятность возникновения инновационных идей и успешный поиск работы на рынке труда прямо зависят от взаимодействия людей в сложной, междисциплинарной среде, предполагающей формирование слабых связей между локализованными социальными кластерами [22], [23]. Индивидуальные способности было предложено измерить на основе цифровых навыков населения (вопросы были адаптированы по исследованиям НИУ ВШЭ [40]) и склонности к структурированию цифровой среды (все вопросы были разработаны авторами).

Для апробации предложенных методов среди выпускников Уральского федерального университета, расположенного в Свердловской области было распространено 1100 анкет по ссылке с помощью Google-форм, за период с августа по октябрь 2022 года получено 354 полных ответа на анкету, что соответствует уровню вовлечения 32,2% и считается нами приемлемым результатом для подобного типа исследования. Структура выборки респондентов по возрасту, полу и опыту работы приведена далее в таблице 1. В целом в структуре преобладают молодые специалисты до 35 лет, которые имеют небольшой опыт работы в среднем от 1 до 10 лет (около 85% выборки). Данная категория занятого населения, на наш взгляд, наиболее активно участвует в процессах самообучения в цифровой среде и является репрезентативной для целей исследования.

Таблица 1. Структура выборки респондентов по возрасту, полу и опыту работу. Получено авторами

Опыт работы
Пол
До 35 лет
Старше 35 лет
Менее 1 года
Женский (Ж)
26,0
0,0
Мужской (М)
15,3
0,0
От 1 года до 3 лет
Ж
17,5
0,6
М
10,7
0,0
От 3 до 10 лет
Ж
8,5
0,6
М
7,3
2,3
Более 10 лет
Ж
1,1
6,2
М
2,3
1,7
Итого
88,7
11,3

РЕЗУЛЬТАТЫ

Начальный этап исследования посвящен изучению количества и уровня значимости различных контекстов для получения сигналов и информации, используемых в личном и профессиональном обучении и развитии. Пространственные контексты включают различные форматы очных мероприятий и собраний, конференций и форумов, в рамках которых проходит обмен знаниями и опытом (на них приходится около 29% всех полученных ответов). Очевидно, что в период после первых волн пандемии роль физического пространства для организации процессов обучения и обмена опытом снизилась, что видно по уровню использования данных площадок для индивидуального развития. Чуть менее половины респондентов отметили значимость культурных мероприятий и профессиональных совещаний и собраний, в том числе внутри организаций. Со значительным отрывом по популярности следуют научно-практические конференции и различные неформальные мероприятия (рисунок 1). Наименее популярны среди респондентов общественные слушания и промышленные выставки, на них приходится 14,7% и 12,4% ответов соответственно.

Рисунок 1. Распределение доли наблюдений в зависимости от пространственных контекстов. Получено авторами

Цифровые контексты являются наиболее актуальными для обмена опытом и знаниями в современных условиях, высокое значение данных контекстов подтвердили около 39% всех опрошенных респондентов. Видеохостинги и сообщества в мессенджере Telegram играют ведущую роль в получении сигналов и информации для обучения и личного развития опрошенных людей (рисунок 2). С некоторым отрывом следуют сообщества и группы в социальных сетях и российских платформах для обучения, наименьшей популярностью обладают зарубежные электронные курсы.

Рисунок 2. Распределение доли наблюдений в зависимости от цифровых контекстов. Получено авторами

Доминирующую роль данного типа контекста для самообучения в цифровой среде подчеркнули около 33% опрошенных. Социальные контексты включают в себя измерения, связанные с взаимодействием индивидов и определенных объединений людей, которые преследуют общую цель и используют схожие подходы и методы для коммуникации. В структуре социальных контекстов по результатам данного исследования доминируют различные формы общения с друзьями и приятелями, кроме того, важную роль играют дискуссии и обмен опытом с коллегами на работе в подразделении, в котором работают респонденты (рисунок 3). Наименьшей популярностью обладают формы обмена знаниями с представителями власти и администраций и общение с зарубежными коллегами.

Рисунок 3. Распределение доли наблюдений в зависимости от социальных контекстов. Получено авторами

Утверждения во втором блоке анкеты исследования были сгруппированы в отдельные неявные переменные в процессе факторного анализа. Показатели качества анализа, такие как мера адекватности Кайзера-Мейера-Олкина (КМО) и значимость критерия сферичности Бартлетта составили 0,868 и 0 соответственно, что говорит о целесообразности выделения факторов в полученном наборе переменных (выборка адекватна по объему, а результат статистически значим) [41, p. 268]. Были выбраны факторы с нагрузкой, превышающей 0,5, коэффициент альфа Кронбаха для каждого фактора превышает значение 0,7, следовательно, неявные теоретические конструкции являются внутренне согласованными и дифференцируются по выбранному набору переменных. Кроме того, для каждой переменной были вычислены описательные статистики и определен тип распределения (таблица 2). Результаты демонстрируют пять отдельных факторов, дополнительно в процессе анализа были разделены базовые и продвинутые цифровые компетенции, что является неожиданным, но приемлемым результатом. Каждый фактор был интерпретирован в соответствии с набором явных переменных, которые в него входят.

Таблица 2. Описательные статистики и результаты факторного анализа. НФ – нагрузки факторов, а – альфа Кронбаха, С – среднее значение переменной, СКО – среднеквадратическое отклонение. Получено авторами

Явная переменная
НФ
Фактор
a
С
СКО
Стараюсь знакомиться и общаться с людьми с различными интересами, культурным багажом
0,82
F1. Сетевое взаимодейст-
вие и вовлечен-
ность
0,89
5,35
1,62
Стараюсь взаимодействовать с представителями различных профессиональных направлений
0,75
4,88
1,79
Намеренно поддерживаю разнообразие в кругах общения с людьми
0,73
4,77
1,88
Мне легко знакомиться с новыми людьми на работе по профессиональным вопросам
0,73
5,40
1,60
В целом легко решаю социальные задачи в области коммуникации по личным вопросам
0,72
5,18
1,72
Сейчас я общаюсь с представителями нескольких изолированных друг от друга групп
0,68
4,62
1,96
Я легко поддерживаю коммуникацию с коллегами по работе по профессиональным вопросам
0,67
5,74
1,44
Круг лиц, которым я доверяю по профессиональным вопросам достаточно широкий
0,57
4,55
1,59
Часто встречаюсь с мнениями, которые противоположны моему или существенно от него отличаются
0,57
4,88
1,60
Использование мессенджеров на мобильных устройствах
0,82
F2. Базовые цифровые компетенции
0,88
6,42
1,15
Отправка электронной почты с прикрепленными файлами
0,82
6,48
1,15
Работа с офисным текстовым редактором
0,80
6,05
1,35
Передача файлов между компьютером и периферийными устройствами
0,73
5,98
1,46
Создание электронных презентаций в офисных приложениях
0,69
5,73
1,54
Подключение и установка новых устройств (например, принтеров)
0,51
5,27
1,77
Установка новой или переустановка операционной системы
0,86
F3. Продвинутые цифровые компетенции
0,83
3,94
2,23
Самостоятельное написание программного обеспечения
0,81
2,54
2,21
Поиск, загрузка, установка и настройка программного обеспечения
0,79
4,59
2,11
Работа в системе управления ресурсами в моей организации (например, SAP, 1C и т.п.)
0,63
3,75
2,17
Работа во внутренних и внешних базах знаний и данных (например, базы технических знаний)
0,56
4,90
1,78
Использую специальные приложения для сортировки, хранения фото, видео- и аудиофайлов
0,72
F4. Склонность к структуриро-
ванию среды
0,77
3,79
2,20
Постоянно использую приложения для планирования времени на компьютере и телефоне
0,71
3,44
2,12
Часто использую вложенные папки и специальные метки в электронной почте
0,69
4,15
2,15
Регулярно делаю резервные копии своих данных
0,67
3,82
2,06
Всегда использую закладки и кнопки быстрого доступа в браузере
0,50
4,94
2,13
Я получаю личное удовлетворение от обучения в цифровой среде
0,81
F5. Результатив-
ность самообуче-
ния в цифровой среде
0,88
5,19
1,66
Обучение в цифровой среде (например, с помощью электронных курсов или видеохостингов)
0,75
5,50
1,72
Неформальное самообучение, которое я прохожу в течение последнего года весьма эффективно
0,71
5,06
1,68
Благодаря обучению в цифровой среде мне удалось решить ряд профессиональных задач
0,69
4,92
1,77
Полагаю, что благодаря цифровой среде я получаю наиболее ценные и качественные навыки
0,64
5,36
1,51
Мне удается быстро и эффективно искать информацию для самообучения в интернете
0,55
5,55
1,56

Для каждого фактора были определены средние значения групп переменных, а также рассчитаны коэффициенты корреляции (таблица 3). Результаты показывают, что наибольшее влияние на результативность обучения оказывают базовые цифровые компетенции, а также склонность к структурированию среды (коэффициенты корреляции Пирсона значимы и превышают значение 0,45), переменные контекста самообучения, вопреки ожиданиям, имеют весьма незначительные коэффициенты корреляции.

Таблица 3. Результаты корреляционного анализа зависимости между факторами и количеством контекстов. Получено авторами

Факторы
F1
F2
F3
F4
F5
КП
КЦ
КС
F1

0,35
0,16
0,34
0,41
0,39
0,24
0,26
F2
0,35

0,44
0,40
0,55
0,12
0,18
0,22
F3
0,16
0,44

0,36
0,30
0,09
-0,02
0,04
F4
0,34
0,40
0,36

0,45
0,19
0,14
0,08
F5
0,41
0,55
0,30
0,45

0,16
0,20
0,25
КП
0,39
0,12
0,09
0,19
0,16

0,34
0,44
КЦ
0,24
0,18
-0,02
0,14
0,20
0,34

0,41
КС
0,26
0,22
0,04
0,08
0,25
0,44
0,41

Результаты корреляционного анализа были использованы для регрессионного анализа, всего было предложено три типа моделей, в которые целевые переменные вводились последовательно (таблица 4). Регрессионный анализ позволил установить силу влияния рассмотренных переменных в рамках единой модели, в которой зависимой переменной является результативность самообучения. На первом этапе в уравнение были введены контрольные переменные, такие как сетевое взаимодействие, склонность к структурированию и базовые компетенции, также была использована объясняющая переменная – число социальных контекстов, которая имеет наибольшую корреляцию с целевым показателем. Для всех моделей контролировались параметры мультиколлинеарности факторов (коэффициент инфляции дисперсии VIF ниже 2) и автокорреляции остатков (статистика Дарбина-Уотсона в пределах +2). Во второй модели были добавлены оценки продвинутых компетенций и число пространственных и цифровых контекстов. Результаты показывают, что решающую роль в результативности самообучения играют базовые цифровые компетенции и склонность к структурированию среды, в то время как переменные контекста и продвинутые компетенции не оказывают существенного влияния или незначимы вовсе. Изменение коэффициента детерминации в расширенных моделях не превысило 0,1%, что демонстрирует нецелесообразность введения переменных числа пространственных и цифровых контекстов в уравнения.

Таблица 4. Результаты регрессионного анализа. Зависимая переменная – F5 (результативность самообучения в цифровой среде), k – коэффициент регрессии, t – t-статистика, F – F-статистика, * - значим на уровне менее 1%, ** - значим на уровне менее 5%. Получено авторами

Независимая переменная
Модель 1
Модель 2
Модель 3
k
t
k
t
k
t
(Константа)
0,73
2,33**
0,73
2,32**
0,72
2,27**
F1. Сетевое взаимодействие и вовлеченность
0,18
3,76*
0,18
3,78*
0,20
3,93*
F4. Склонность к структурированию среды
0,20
5,24*
0,20
4,96*
0,21
5,32*
F2. Базовые цифровые компетенции
0,43
8,01*
0,42
7,29*
0,42
7,78*
F3. Продвинутые цифровые компетенции
нет
нет
0,02
0,65
нет
нет
КС Число социальных контекстов
0,06
2,37**
0,06
2,40**
0,07
2,39**
КП Число пространственных контекстов
нет
нет
нет
нет
-0,04
-1,40
КЦ Число цифровых контекстов
нет
нет
нет
нет
0,02
0,69
R2 скорректированный
0,405
0,406
0,407
Изменение R2
0,000
0,001
0,001
F
61,38*
49,11*
41,30*
Число наблюдений
354
354
354

ЗАКЛЮЧЕНИЕ

В исследовании удалось подтвердить новые теоретические конструкции, обладающие научной и практической значимостью для анализа стратегий формирования человеческого капитала, об этом говорят результаты факторного анализа, которые можно назвать успешными в отношении выдвинутых гипотез по ряду причин. Во-первых, на полученной эмпирической базе удалось подтвердить наличие сложных теоретических конструкций, таких как результативность самообучения, склонность к самоорганизации и цифровые компетенции. Факторный анализ позволил разграничить базовые и продвинутые компетенции, подтвердить значимость показателя вовлеченности в работу социальных сетей для обмена знанием. Во-вторых, факторные нагрузки демонстрируют существенный вклад всех предложенных переменных, используемых для характеристики каждой из изучаемых неявных факторов. Это значит, что предложенный опросник можно использовать для дальнейших углубленных исследований. В-третьих, применение эксплораторного формата анализа позволило на основе свободного вращения факторов выбрать наилучшее сочетание переменных, которые были подвергнуты адекватной интерпретации с точки зрения практики формирования человеческого капитала.

Сетевое взаимодействие и вовлеченность в работу по обмену знаниями внутри социальных кластеров положительно сказываются на результативности самообучения в цифровой среде, следовательно, первая гипотеза была подтверждена. Способность воспринимать и анализировать альтернативное мнение, участвовать в работе междисциплинарных команд и процессах обмена знаниями между группами людей положительно влияют на удовлетворенность результатами обучения и мотивацию получать и актуализировать профессиональные компетенции. Данная переменная является важной внутренней характеристикой индивидуального человеческого капитала, она говорит о начальном уровне компетенций, которые требуются для эффективного самообучения.

Переменные пространственного и цифрового контекста, вопреки ожиданиям, не оказывают существенного влияния на результативность самообучения, это означает, что количество контекстов само по себе не оказывает влияния на стратегии самообучения. Вероятно, что на данный показатель влияют только качественные характеристики контекста, связанные с доступностью знаний, релевантностью контента и рациональной подачей обучающего материала. Следовательно, гипотезы 2.1 и 2.2 были опровергнуты. Однако использование значительного числа социальных контекстов для индивидуального развития и самообучения положительно сказывается на достижении результатов в области развития индивидуального человеческого капитала. Значит гипотеза 2.3 была подтверждена. Из этого следует, что организаторам цифрового обучения необходимо уделять пристальное внимание переменным, характеризующим качество социальной среды в цифровом пространстве, возможности взаимодействия с другими пользователями и расширения круга общения для совместного обучения, обмена опытом.

Гипотезы 3 и 4, связанные с индивидуальными особенностями людей, положительно влияющими на результаты самообучения в цифровой среде, были подтверждены. Это означает, что базовые цифровые компетенции и склонность к структурированию среды обучения являются значимыми переменными для повышения эффективности инвестиций в человеческий капитал в рамках цифровой среды. Полученные результаты имеют практическое значение для практики развития человеческого капитала на основе цифровых платформ в организованном формате или на неформальной основе. Самообучение, являясь одной из важнейших стратегий для обновления человеческого капитала в организациях, должно осуществляться в структурированной среде, поддерживающей возможность вовлечения профессиональной экспертизы и формирования внутреннего сообщества, расширяющих количество социальных контекстов для обмена знаниями и повышения их релевантности для рынка труда. Создателям контента для самообучения в различных корпоративных форматах необходимо также обратить внимание на подготовленность, организованность и мотивацию целевой аудитории, создать на платформах инструменты, способствующие развитию данных навыков у обучающихся, а также поддерживать социальную вовлеченность в процессах развития человеческого капитала.


Источники:

1. Frey C.B., Osborne M.A. The future of employment: How susceptible are jobs to computerisation? // Technological Forecasting and Social Change. – 2017. – p. 254-280. – doi: 10.1016/j.techfore.2016.08.019.
2. Matthess M., Kunkel S. Structural change and digitalization in developing countries: Conceptually linking the two transformations // Technology in Society. – 2020. – p. 101428. – doi: 10.1016/j.techsoc.2020.101428.
3. Черненко И.М., Кельчевская Н.Р., Пелымская И.С., Алмусаеди Х.К.А. Возможности и угрозы цифровизации для развития человеческого капитала на индивидуальном и региональном уровнях // Экономика региона. – 2021. – № 4. – c. 1239-1255. – doi: 10.17059/ekon.reg.2021-4-14.
4. Liu Y. et al. Predicting Labor Market Competition: Leveraging Interfirm Network and Employee Skills // Information Systems Research. – 2020. – № 4. – p. 1443-1466. – doi: 10.1287/isre.2020.0954.
5. Ngoasong M.Z. Curriculum Adaptation for Blended Learning in Resource-Scarce Contexts // Journal of Management Education. – 2022. – № 4. – p. 622-655. – doi: 10.1177/10525629211047168.
6. Ostmeier E., Strobel M. Building skills in the context of digital transformation: How industry digital maturity drives proactive skill development // Journal of Business Research. – 2022. – p. 718-730. – doi: 10.1016/j.jbusres.2021.09.020.
7. Núñez-Canal M. et al. New challenges in higher education: A study of the digital competence of educators in Covid times // Technological Forecasting and Social Change. – 2022. – p. 121270. – doi: 10.1016/j.techfore.2021.121270.
8. Becker G. Human Capital: A Theoretical and Empirical Analysis, with Special Reference to Education. - New York: National Bureau of Economic Research, 1975. – 13-44 p.
9. Becker G.S. Health as human capital: synthesis and extensions // Oxford Economic Papers. – 2007. – № 3. – p. 379-410. – doi: 10.1093/oep/gpm020.
10. Черненко И.М., Кельчевская Н.Р. Методология формирования человеческого капитала на промышленном предприятии // Научное обозрение. – 2013. – № 1. – c. 251-257.
11. Zaborovskaia O., Nadezhina O., Avduevskaya E. The Impact of Digitalization on the Formation of Human Capital at the Regional Level // Journal of Open Innovation: Technology, Market, and Complexity. – 2020. – № 4. – p. 1-24. – doi: 10.3390/joitmc6040184.
12. Colombo E. et al. AI meets labor market: Exploring the link between automation and skills // Information Economics and Policy. – 2019. – p. 27-37. – doi: 10.1016/j.infoecopol.2019.05.003.
13. Jackson M.O. The Human Network. How your Social Position Determines your Position, Beliefs and Behaviors. - New York: Pantheon Books, 2019. – 248 p.
14. Goodwin N. et al. Principles of Economics in Context. , 2014. – 848 p.
15. Galeznik I.A., Kelchevskaya N.R., Pelymskaya I.S., Chernenko I.M. Using Informal Networks for Human and Relational Capital Analysis: The Role of Trust and Knowledge Sharing Intention // International scientific and technical conference «far east 2020»: Proceeding of the International Science and Technology Conference «FarEastСon 2020». 2021.– doi: 10.1007/978-981-16-0953-4_103.
16. Chen S.S. et al. Behavioral intention formation in knowledge sharing: Examining the roles of KMS quality, KMS self-efficacy, and organizational climate // Knowledge-Based Systems. – 2012. – p. 106-118. – doi: 10.1016/j.knosys.2012.02.001.
17. Черненко И.М. Теория и методология управления социально-трудовыми изменениями в сетевых структурах на основе неформального человеческого капитала. - М.: Издательство “Креативная экономика.”, 2022. – 278 c.
18. Ali M.M. Digitization of the emerging economy: An exploratory and explanatory case study // Journal of Governance and Regulation. – 2020. – № 4. – p. 25-36. – doi: 10.22495/jgrv9i4art2.
19. Zemtsov S., Barinova V., Semenova R. The Risks of Digitalization and the Adaptation of Regional Labor Markets in Russia // Foresight and STI Governance. – 2019. – № 2. – p. 84-96. – doi: 10.17323/2500-2597.2019.2.84.96.
20. Social networks, job search methods and reservation wages: Evidence for Germany // International Journal of Manpower. – 2011. – № 7. – p. 796-824. – doi: 10.1108/01437721111174767.
21. Chen Y., Le Wang, Min Zhang Informal search, bad search?: the effects of job search method on wages among rural migrants in urban China // Journal of Population Economics. – 2018. – № 3. – p. 837-876. – doi: 10.1007/s00148-017-0672-x.
22. Granovetter M.S. The Strength of Weak Ties // American Journal of Sociology. – 1973. – № 6. – p. 1360-1380. – doi: 10.1086/225469.
23. Mayer A. The structure of social networks and labour market success // Applied Economics Letters. – 2012. – № 13. – p. 1271-1274. – doi: 10.1080/13504851.2011.619484.
24. Burt R.S. Structural Holes and Good Ideas // American Journal of Sociology. – 2004. – № 2. – p. 349-399. – doi: 10.1086/421787.
25. Carmelo Visdómine-Lozano J. A functional-contextualist account of locus of control: Generalized control expectancies as derived relational responding // Journal of Contextual Behavioral Science. – 2015. – № 4. – p. 312-323. – doi: 10.1016/j.jcbs.2015.06.005.
26. Casella A., Hanaki N. Information channels in labor markets: On the resilience of referral hiring // Journal of Economic Behavior and Organization. – 2008. – № 3-4. – p. 492-513. – doi: 10.1016/j.jebo.2006.06.014.
27. Schmitz S. et al. Learning culture and knowledge management processes: To what extent are they effectively related? // Revista de Psicología del Trabajo y de las Organizaciones. – 2014. – № 3. – p. 113-121. – doi: 10.1016/j.rpto.2014.11.003.
28. Aboobaker N., KA Z. Digital learning orientation and innovative behavior in the higher education sector: effects of organizational learning culture and readiness for change // International Journal of Educational Management. – 2021. – № 5. – p. 1030-1047. – doi: 10.1108/IJEM-09-2019-0345.
29. He T. et al. Predicting digital informal learning: an empirical study among Chinese University students // Asia Pacific Education Review. – 2018. – № 1. – p. 79-90. – doi: 10.1007/s12564-018-9517-x.
30. Efendic A., Ledeneva A. The importance of being networked: The costs of informal networking in the Western Balkans region // Economic Systems. – 2020. – № 4. – p. 100784. – doi: 10.1016/j.ecosys.2020.100784.
31. Sterling A.D. Friendships and Search Behavior in Labor Markets // Management Science. – 2014. – № 9. – p. 2341-2354. – doi: 10.1287/mnsc.2013.1857.
32. Methot J.R. et al. The Network Architecture of Human Captial: A Relational Identity Perspective // Academy of Management Review. – 2018. – № 4. – p. 723-748. – doi: 10.5465/amr.2016.0338.
33. Кауфман Н.Ю., Ширинкина Е.В. Особенности формирования управленческих инноваций в условиях развития человеческого капитала // Фундаментальные исследования. – 2017. – № 1. – c. 169-172.
34. Rostek K., Młodzianowski D. The impact of conscious and organized change management on efficiency of functioning the network // Management and Production Engineering Review. – 2018. – № 3. – p. 49-58. – doi: 10.24425/119534.
35. Salikhova N.R., Lynch M.F., Salikhova A.B. Psychological aspects of digital learning: A self-determination theory perspective // Contemporary Educational Technology. – 2020. – № 2. – p. 1-13. – doi: 10.30935/cedtech/8584.
36. Van den Berg M.J. et al. An exploration of key human resource practitioner competencies in a digitally transformed organisation // SA Journal of Human Resource Management. – 2020. – № 1. – p. 1-13. – doi: 10.4102/sajhrm.v18i0.1404.
37. Ширинкина Е.В. Влияние цифровизации на принципы управления человеческим капиталом работников промышленности // Экономика и менеджмент систем управления. – 2018. – № 4-3(30). – c. 397-402.
38. Tejedor S. et al. Digital literacy and higher education during COVID-19 lockdown: Spain, Italy, and Ecuador // Publications. – 2020. – № 4. – p. 1-17. – doi: 10.3390/publications8040048.
39. Le T.L.H. et al. Impact of Digital Literacy on Intention to Use Technology for Online Distribution of Higher Education in Vietnam: A Study of Covid19 Context // Journal of Distribution Science. – 2022. – № 20. – p. 75-86. – doi: 10.15722/jds.20.06.202206.75.
40. Абдрахманова Г.И., Вишневский К.О., Гохберг Л.М. и др. Индикаторы цифровой экономики: 2021. / Статистический сборник. - М.: НИУ ВШЭ, 2021. – 380 c.
41. Наследов А.Д. IBM SPSS Statistics 20 и AMOS: профессиональный статистический анализ данных. - СПб.: Питер, 2013. – 416 c.

Страница обновлена: 16.12.2022 в 23:16:02