Нейросетевые решения в креативных индустриях: цифровая трансформация образования и прогноз занятости в мегаполисах РФ

1Уральский государственный экономический университет, Екатеринбург, Россия, ,

2Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург, Россия, ,

3Федеральный исследовательский центр Южный научный центр Российской академии наук, Ростов-на-Дону, Россия, , Волгоградский государственный университет, Волгоград, Россия

,

Введение . Стремительная цифровая трансформация экономики мегаполисов значительно усилила спрос на высокоадаптивных и технологически компетентных специалистов в креативных индустриях. Эти отрасли, охватывающие архитектуру, рекламу, производство мультимедиа, разработку игр и цифровой дизайн, являются не только драйверами экономического роста, но и ключевыми элементами символического и инновационного капитала таких городов, как Москва, Санкт-Петербург, Екатеринбург и Новосибирск. В обозначенном контексте решения на основе нейронных сетей становятся стратегическими инструментами как для прогнозирования тенденций рынка труда, так и для трансформации образовательных моделей в целях лучшего соответствия меняющимся потребностям креативной экономики.

Современные рынки труда больше не отдают приоритет исключительно предметно-ориентированным знаниям специалистов; им все больше требуются междисциплинарные навыки, владение цифровыми технологиями и когнитивная гибкость. Образование, основанное на компетенциях, которое интегрирует когнитивные, социальные и технические навыки, стало центральной парадигмой при разработке академических программ и профилировании выпускников (Инженерное образование как источник повышения конкурентоспособности на международном рынке …, 2018; Ivanova et al., 2022; Kulej-Dudek, 2024). В сфере творческих индустрий навыки студентов обычно оцениваются с помощью интегрированных моделей, таких как Т-образные навыки, которые оценивают глубину предметных знаний и широту междисциплинарных способностей; модель 4C (критическое мышление, креативность, коммуникация, сотрудничество) и таксономия Блума, которая классифицирует результаты обучения от понимания до синтеза. Эти модели помогают выявить пробелы в навыках и позволяют целенаправленно совершенствовать разработку учебных программ для творческих программ.

Цифровизация креативной экономики предъявляет новые требования к навыкам, включая аналитику данных, машинное обучение, облачные платформы, автоматизацию создания контента и инструменты на основе нейронных сетей для решения творческих задач. Несмотря на широкое признание важности цифровых навыков, эмпирические исследования выявляют сохраняющееся несоответствие между подготовкой студентов и требованиями рынка труда. Хотя многие молодые люди демонстрируют навыки создания контента и работы с базовым креативным программным обеспечением, им часто не хватает умений в применении нейронных сетей, интеграции искусственного интеллекта (ИИ) и методологиях проектирования на основе данных.

Более того, эмпирические данные, полученные в российских университетах, включая Санкт-Петербургский политехнический университет Петра Великого (СПбПУ), Российскую академию народного хозяйства и государственной службы при Президенте РФ (РАНХиГС), Уральский государственный экономический университет (УрГЭУ) и Новосибирский государственный педагогический университет (НГПУ), свидетельствуют о региональных различиях в доступе к цифровой образовательной инфраструктуре и внедрению технологий ИИ. Эти исследования подчеркивают необходимость дифференцированных образовательных стратегий, учитывающих особенности мегаполисов, где креативные индустрии играют жизненно важную роль в экономической устойчивости и росте.

В существующей литературе подчеркивается, что традиционные академические модели недостаточны для подготовки студентов к изменчивой, высокотехнологичной среде, характерной для современных рынков креативного труда (Лизунков и др., 2021; Смиян, 2021; Male, 2010; Vučetić, 2018). К числу проблем относятся: медленная адаптация учебных программ, недостаточное внимание к развитию гибких навыков и ограниченные возможности практического обучения. В ответ на это ученые и политики выступают за гибридные форматы обучения, оценку компетенций, системы обратной связи с использованием искусственного интеллекта и развитие партнерства университетов, промышленности и городов.

Данное исследование вносит вклад в растущий массив исследований цифровой трансформации высшего образования и развития рабочей силы в городских креативных секторах. В нем рассматривается интеграция технологий нейронных сетей в образовательные программы и исследуется, как эти технологии могут служить предиктивными и адаптивными механизмами для формирования карьерных траекторий на столичных рынках труда. Связывая модели оценки навыков с возможностями нейронного искусственного интеллекта, исследование предлагает основу для создания более гибких и ориентированных на будущее образовательных систем, соответствующих стратегическим целям городского развития.

Обзор литературы . В условиях стремительного роста креативных индустрий в крупнейших мегаполисах России наблюдается острый дефицит специалистов, обладающих не только профессиональной подготовкой, но и универсальными цифровыми и междисциплинарными компетенциями. Сферы, связанные с дизайном, рекламой, мультимедиа, архитектурой, разработкой программного обеспечения и цифровым образованием, играют ключевую роль в формировании имиджа города, развитии локальной экономики знаний и экспортного потенциала нематериальных активов. В этом контексте нейросетевые решения рассматриваются как стратегический инструмент цифровой трансформации образования и прогнозирования занятости, способствующий более точному управлению карьерными траекториями и адаптации вузов к вызовам цифровой экономики мегаполисов.

Компетентностный подход, на который опираются современные образовательные стратегии, акцентирует внимание на формировании сбалансированных когнитивных, цифровых и поведенческих умений у студентов. Согласно данным отчета Bologna Process Implementation Report (2024)1, а также выводам Е. Григорьевой (Григорьева, 2019), ключевыми компонентами этого подхода выступают знания и понимание, аналитическое мышление, функциональные навыки в цифровой среде, а также способность к командной работе и саморазвитию: знания и понимание – усвоение фундаментальных и прикладных дисциплин; когнитивные умения – критическое мышление, анализ данных, способность к инновационному решению задач; функциональные навыки – владение современными технологиями и методами проектного управления; личностные и поведенческие компетенции – коммуникационные навыки, способность к саморазвитию, работа в команде.

Компетентностный подход широко применяется при разработке образовательных стандартов, таких как Европейская рамка квалификаций (EQF) и Национальная рамка квалификаций РФ, которые определяют уровни подготовки студентов на основе их навыков и умений.

В области креативных индустрий для оценки компетенций студентов используются различные модели, ориентированные на развитие ключевых навыков, востребованных на рынке. Модель T-Shaped Skills – описывает сочетание глубины профессиональных знаний (вертикальная линия «T») и широты междисциплинарных навыков (горизонтальная линия «T») (Fallahnejad, Beigy, 2024). Эта модель позволяет оценить способность студентов к применению знаний и навыков в разных сферах, что важно для успешной работы в креативных индустриях. Модель 4K (критическое мышление, креативность, коммуникация, кооперация) ориентирована на развитие soft skills, которые необходимы для эффективного взаимодействия в междисциплинарных командах, а также для инновационного подхода к решению задач в творческих профессиях. Таксономия Блума классифицирует уровни усвоения знаний: от базового понимания до способности применять знания, анализировать и синтезировать новые идеи. Эти модели используются для структурированной оценки образовательных программ и выявления разрывов в подготовке студентов.

Цифровизация муниципальной экономики требует внедрения ИИ и нейросетевых инструментов в процесс профессиональной подготовки. По данным исследований Л. Тимираса и др. (Timiras et al., 2024), приоритетными цифровыми навыками в креативных индустриях сегодня являются: создание цифрового контента, обработка данных, автоматизация процессов, работа с облачными платформами, основы программирования и машинного обучения. Европейская рамка цифровых компетенций DigComp подчеркивает важность оценки цифровой грамотности по пяти направлениям: информационная грамотность, цифровая коммуникация, производство контента, безопасность и решение технических задач в соответствии с европейской рамкой цифровых компетенций DigCompEdu2.

Однако уровень цифровых навыков студентов значительно варьируется в зависимости от вуза и города. Так, исследование Д. Беннета (Bennett, 2019) показало, что, несмотря на уверенные позиции студентов в области цифрового творчества, серьезным вызовом для них остаются навыки анализа данных и работа с нейросетевыми технологиями. Это особенно критично для мегаполисов, где креативные индустрии являются драйверами городской экономики, а конкуренция за рабочие места требует более гибкой и технологичной подготовки кадров.

Многочисленные исследования подтверждают, что традиционные образовательные форматы не справляются с задачей подготовки специалистов для цифровой креативной среды (Балаш, 2012; Бойко, 2022; Емельянова, 2020; Самсонова, Грунтов, 2023; Lu et al., 2024; Politsinskaya et al., 2019). Среди ключевых проблем – несоответствие содержания программ быстро меняющимся требованиям рынка, недостаточная интеграция soft skills и ограниченные возможности реальной практики (Duche-Pérez et al., 2024). В ответ на это предлагается комплексная перестройка образовательной экосистемы: внедрение гибридных форматов, онлайн-курсов, VR/AR-симуляций, интеграция ИИ в оценку и построение индивидуальных траекторий, а также развитие партнерств вузов с индустриальными и муниципальными структурами.

Таким образом, формируется новая парадигма подготовки кадров для креативных индустрий мегаполисов, где нейросетевые решения становятся не только технологическим, но и стратегическим образовательным инструментом, способным обеспечить устойчивое развитие локальных экономик и повысить конкурентоспособность выпускников.

Методология . Исследование нейросетевых решений в управлении занятостью и образовательными траекториями в креативных индустриях мегаполисов России выполнено с применением смешанного методологического подхода. Целью исследования являлось выявление актуальных компетенций студентов, а также оценка их готовности к трудовой деятельности в условиях цифровой трансформации и стремительного внедрения технологий искусственного интеллекта в творческих и междисциплинарных сферах.

Эмпирическая база исследования сформирована на основе данных, полученных в ходе опроса 574 студентов из четырех ведущих российских университетов: Санкт-Петербургского политехнического университета Петра Великого (СПбПУ), Российской академии народного хозяйства и государственной службы при Президенте Российской Федерации (РАНХиГС, Москва), Уральского государственного экономического университета (УрГЭУ, Екатеринбург), Новосибирского государственного педагогического университета (НГПУ, Новосибирск).

Выбор вузов был обусловлен их активной вовлеченностью в реализацию программ по подготовке специалистов для креативных индустрий, а также региональным разнообразием, позволяющим учесть специфику мегаполисов с различной структурой экономики и уровнем цифровизации.

Исследование состояло из нескольких этапов:

• 1.    Количественный этап (основной) – анкетирование студентов с использованием стандартизированной формы с закрытыми и шкальными вопросами. Опросный лист включал 38 вопросов, сгруппированных по блокам: цифровые и креативные компетенции, восприятие качества образовательных программ, карьерные ожидания, готовность к использованию ИИ и нейросетевых решений в профессиональной деятельности. Оценка проводилась по шкале Лайкерта от 1 до 5.

• 2.    Качественный этап (дополняющий) – проведение 30 полуструктурированных экспертных интервью: 14 – с преподавателями и академическими руководителями программ в сфере цифровых и креативных индустрий, а также 16 – с представителями компаний-работодателей (медиа, digital-агентства, разработка программного обеспечения, дизайн-студии, архитектурные бюро), базирующихся в четырех исследуемых мегаполисах.

• 3.    Контент-аналитический этап – анализ образовательных треков студентов на соответствие ключевым цифровым и междисциплинарным компетенциям, с учетом содержания учебных программ, наличия проектного обучения, внедрения ИИ-дисциплин и степени включенности работодателей в образовательный процесс.

Для диагностики и интерпретации уровня сформированности компетенций студентов использовались три теоретико-практических модели (табл. 1):

• –    T-Shaped Skills – позволяла оценить соотношение глубины профессиональной подготовки (внутри направления: дизайн, IT, архитектура и пр.) и широты междисциплинарных умений (проектное управление, аналитика, цифровая грамотность, взаимодействие с ИИ-платформами);

• –    модель 4К (критическое мышление, креативность, коммуникация, кооперация) – применялась для анализа так называемых soft skills, формирующих основу для гибкой командной и креативной деятельности в условиях цифровой экономики;

• –    таксономия Блума – использовалась для оценки когнитивного уровня усвоения образовательного материала и способности к синтезу и применению знаний на практике, включая работу с нейросетевыми системами и цифровыми платформами.

Таблица 1 – Характеристика методов оценки навыков студентов¹

Table 1 – Characteristics of Methods for Students’ Skills Assessment

Метод	Описание	Цель применения	Ожидаемые результаты
1	2	3	4
T-Shaped Skills	Подход, оценивающий баланс между глубиной профессиональных знаний (инженерные и экономические дисциплины) и широтой междисциплинарных навыков (аналитика, цифровые технологии, управление)	Оценить уровень подготовки студентов с точки зрения их специализации и междисциплинарных компетенций	Определение сильных и слабых сторон студентов в профессиональных и междисциплинарных компетенциях, выявление потребностей в дополнительном обучении

1 В статье все таблицы и рисунок 1 составлены авторами.

Продолжение таблицы 1

1	2	3	4
4K (критическое мышление, креативность, коммуникация, кооперация)	Компетентностная модель, ориентированная на оценку ключевых мягких навыков, востребованных в современном бизнесе и науке	Оценить уровень развития мягких навыков у студентов и выявить возможные пробелы в их подготовке	Выявление уровня готовности студентов к командной работе, самостоятельному решению сложных задач, их креативного и аналитического потенциала
Bloom’s Taxonomy	Классификация уровней когнитивного развития студентов, включающая шесть этапов: знание, понимание, применение, анализ, синтез и оценку	Оценить уровень усвоения знаний и способность применять их на практике	Оценка глубины знаний студентов, их способности решать практические задачи и разрабатывать инновационные подходы

Каждая из моделей включала блоки с оценочными индикаторами, к которым студенты выражали отношение по шкале Лайкерта. На этапе анализа были рассчитаны средние и медианные значения, проведено сопоставление самооценки студентов и внешней оценки экспертов.

Сбор и первичная обработка данных осуществлялись с использованием пакетов Microsoft Excel и IBM SPSS Statistics. Применялись методы описательной статистики (среднее, медиана, стандартное отклонение), ранжирование индикаторов, а также кросс-табуляции по региональному, образовательному и гендерному признакам. Для обоснования различий между группами использовался U-критерий Манна – Уитни и критерий Краскела – Уоллиса (p < 0,05).

К ограничениям исследования можно отнести: различия в методах реализации учебных планов в исследуемых вузах, которые могли повлиять на самооценку компетенций; ограниченность временного горизонта исследования (март – май 2025 г.); непропорциональное распределение числа респондентов по вузам (наибольшая доля – СПбПУ).

В то же время участие в исследовании более 570 студентов, а также представителей преподавательского сообщества и бизнеса позволило получить обоснованные и репрезентативные выводы, релевантные для оценки состояния и перспектив цифровизации образовательных программ в креативных индустриях мегаполисов.

Результаты и обсуждение . Большинство респондентов (64 %) составили студенты в возрасте от 18 до 24 лет. Гендерная структура оказалась сбалансированной: 58 % – женщины, 42 % – мужчины. Все респонденты обучались по направлениям, связанным с креативными индустриями (дизайн, реклама, IT, архитектура, мультимедиа, творческое образование и др.).

Результаты количественного анализа по шкале Лайкерта (1–5) показали, что студенты в целом демонстрируют высокую самооценку по большинству показателей (табл. 2, рис. 1).

Таблица 2 – Самооценка цифровых и креативных компетенций студентов (n = 574)

Table 2 – Self-Assessment of Digital and Creative Competencies of Students (n = 574)

Навык	Средний балл
Работа в команде (кооперация)	4,5
Критическое мышление	4,3
Цифровая грамотность в специализированных инструментах	4,2
Креативность	4,2
Коммуникация в цифровой среде	4,1
Применение знаний на практике	4,0
Анализ и синтез сложных задач	4,0
Управление проектами в креативных командах	3,8
Использование нейросетевых решений	3,5
Программирование для креативных приложений	3,4

Наиболее уверенно студенты оценили свои навыки в области soft skills (работа в команде, критическое мышление, коммуникация), а также базовой цифровой грамотности. Вместе с тем в сфере практического применения нейросетевых решений и программирования для креативных задач были зафиксированы устойчивые дефициты, особенно среди студентов НГПУ и УрГЭУ.

Для повышения объективности исследования был проведен качественный анализ на основе экспертных интервью с 14 преподавателями и 16 работодателями, работающими в креативных индустриях. Сопоставление оценок студентов и экспертов выявило разрыв между восприятием уровня готовности к трудовой деятельности (табл. 3).

• ■    Работа в команде

  
  
  

• ■    Программирование

• ■    Использование ИИ

• ■    Управление проектами

• ■    Анализ и синтез задач

• ■    Применение знаний

• ■    Коммуникация в цифровой среде

• ■    Креативность

• ■    Цифровая грамотность

  012345■ Критическое мышление

Рисунок 1 – Средние баллы самооценки цифровых и креативных компетенций студентами (n = 574)

Figure 1 – Average Self-Assessment Scores of Digital and Creative Competencies by Students (n = 574)

Таблица 3 – Сопоставление оценок студентов и экспертов

Table 3 – Comparison of Student and Expert Assessments

Навык	Оценка студентов	Оценка преподавателей	Оценка работодателей
Цифровая грамотность	4,2	4,1	3,9
Программирование для креативных задач	3,4	3,6	3,3
Использование ИИ/нейросетей в практике	3,5	3,7	3,2
Управление проектами	3,8	4,0	3,6
Креативность	4,2	4,3	4,0
Применение знаний в практических условиях	4,0	4,2	3,8

Работодатели отметили недостаточную готовность выпускников к практической работе с инструментами искусственного интеллекта и цифрового дизайна. При этом преподаватели чаще подчеркивали сильную теоретическую базу и высокий потенциал студентов в области креативного мышления.

Сравнение результатов по вузам выявило определенную региональную специфику:

• –    СПбПУ – наиболее высокий уровень владения цифровыми инструментами (средний балл по цифровой грамотности – 4.4), активное использование проектного обучения и доступ к ИИ-платформам;

• –    РАНХиГС (Москва) – сильные позиции в креативных и управленческих компетенциях, особенно в soft skills;

• –    УрГЭУ (Екатеринбург) – средний уровень цифровой подготовки, но высокая мотивация студентов к развитию новых навыков;

• –    НГПУ (Новосибирск) – выявлен дефицит цифровых компетенций, особенно в области программирования и нейросетевых технологий; отмечена высокая доля традиционного преподавания.

Студенты также оценивали образовательную среду и ее способность адаптироваться к требованиям цифровой экономики (табл. 4).

Таблица 4 – Оценка образовательной среды студентами

Table 4 – Students’ Assessment of the Educational Environment

Показатель	Средний балл
Качество образования в цифровых креативных направлениях	4,2
Гибкость и адаптация программ к потребностям индустрии	3,7
Интеграция ИИ в образовательный процесс	3,5
Наличие практико-ориентированных форматов обучения	3,8

Несмотря на признание высокого уровня базового образования, студенты указывают на необходимость более динамичной адаптации учебных программ к быстро меняющемуся цифровому рынку труда.

Результаты исследования позволили выделить несколько ключевых тенденций:

• –    цифровая грамотность и soft skills у студентов креативных направлений развиты выше среднего, особенно в аспектах командной работы и критического мышления;

• –    недостаточной остается подготовка в сферах программирования, ИИ и нейросетевых решений, что затрудняет практическую адаптацию выпускников;

• –    существует несоответствие между самооценкой студентов и оценками со стороны экспертов, особенно по таким направлениям, как управление проектами и применение ИИ;

• –    различия между регионами требуют дифференцированного подхода к модернизации образовательных программ и усиления практико-ориентированной подготовки.

На основании полученных данных были сформулированы предложения по включению в учебные планы дисциплин, связанных с нейросетевыми технологиями, Big Data и цифровыми инструментами управления проектами. Кроме того, предложено расширить участие индустриальных партнеров в проектном обучении и стажировках, особенно в условиях мегаполисов, где креативные индустрии являются драйверами муниципального развития.

Заключение . Результаты исследования убедительно показывают, что дальнейшее развитие образовательной политики в мегаполисах требует переосмысления содержания программ, выбора инструментов взаимодействия между университетами, студентами и индустрией. В современных условиях уже недостаточно просто усиливать академическую подготовку. Ключевым становится формирование гибких, адаптивных образовательных треков, в которых теоретическое знание дополняется практико-ориентированными цифровыми навыками. Особенно важной задачей является интеграция ИИ и нейросетевых решений не только в учебные курсы, но и в систему карьерного планирования, наставничества и взаимодействия с рынком труда.

Преодоление дефицита цифровых и креативных компетенций возможно через создание среды, в которой студент получает доступ к реальным задачам и цифровым инструментам уже в процессе обучения. Университетам предстоит развивать партнерства с индустриальными и городскими структурами, вовлекать студентов в междисциплинарные проекты, внедрять алгоритмы персонализированной образовательной траектории. При этом важно учитывать региональные особенности: например, в условиях менее развитой цифровой инфраструктуры особенно актуально онлайн-обучение, стажировки с удаленным участием и развитие цифровых симуляторов.

Одновременно с этим необходимо создавать городские и университетские платформы, в которых ИИ-решения позволяют не только выявлять пробелы в подготовке, но и прогнозировать потребности рынка труда. Именно такая интеграция технологий позволит выстроить взаимосвязь между образовательной системой и социально-экономическим развитием мегаполисов на стратегическом уровне.

В табл. 5 представлены ключевые направления трансформации образовательной среды в креативных индустриях мегаполисов, основанные на эмпирических результатах и выявленных дефицитах.

Таблица 5 – Стратегические векторы трансформации образовательной среды в мегаполисах

Table 5 – Strategic Vectors for Transforming the Educational Environment in Megacities

Направление изменений	Основное содержание	Прогнозируемый эффект
Переосмысление содержания программ	Смещение акцентов на практикоориентированные цифровые навыки	Снижение дефицита в сфере ИИ, Big Data, программирования
Интеграция нейросетевых решений	Внедрение ИИ-платформ карьерного сопровождения и персонализированного обучения	Повышение релевантности подготовки студентов к запросам работодателей
Развитие университетско-городских экосистем	Партнерство с индустрией, кластеры на базе вузов, работа с муниципальными данными	Усиление роли вуза как драйвера городской экономики знаний
Учет региональной специфики	Адаптация образовательных стратегий под возможности цифровой инфраструктуры региона	Устранение неравенства в доступе к цифровому обучению и стажировкам

Каждое направление отражает не просто тактические шаги, а стратегические векторы, ориентированные на долгосрочное повышение конкурентоспособности человеческого капитала в условиях цифровой экономики. Особое внимание уделено интеграции нейросетевых инструментов в учебный процесс и карьерное сопровождение, а также необходимости дифференцированного подхода к регионам с разным уровнем цифрового развития. Такая система изменений требует комплексного подхода – от адаптации учебных планов до создания платформ, объединяющих университеты, работодателей и городскую администрацию. Только в этом случае нейросетевые решения смогут стать не просто элементом образовательной среды, а реальным механизмом преобразования муниципальной экономики знаний.

Результаты проведенного исследования, охватившего 574 студента из четырех ведущих российских вузов, подтвердили актуальность трансформации образовательных программ в условиях цифровой экономики мегаполисов.

Студенты в ходе опроса продемонстрировали высокую мотивацию, у них хорошо развиты soft skills (особенно в сферах коммуникации и кооперации) и уверенное владение теоретическими знаниями в рамках своих направлений подготовки. Однако анализ анкетных данных и экспертных интервью выявил устойчивый дефицит в практико-ориентированных цифровых компетенциях, особенно в таких областях, как программирование для креативных приложений, анализ данных, нейросетевые технологии и работа с ИИ. Эти пробелы наиболее выражены в университетах, расположенных в регионах с недостаточно развитой цифровой инфраструктурой, ограниченными возможностями стажировок и проектной практики.

Кроме того, выявлено расхождение в ожиданиях и восприятии цифровых компетенций между студентами и работодателями. Если студенты склонны переоценивать значимость академической подготовки, то представители индустрии креативных индустрий отдают приоритет навыкам адаптивности, гибкости, способности к самостоятельному освоению новых цифровых инструментов и наличию практического опыта.

Университеты мегаполисов, таким образом, выступают не только в роли образовательных институтов, но и как активные участники формирования новой модели экономики знаний. В этой модели нейросетевые технологии могут стать ключевым элементом – как в персонализированном сопровождении студента, так и в системах стратегического управления занятостью и кадровыми ресурсами на уровне города.