1. Общая информация об опросе

Интервьюирование школьников

Интервьюирование школьников

📷 Показать/скрыть код для вставки фото 
# Код для вставки фото
if (file.exists("Airbrush-Collage-2026-01-15T23_11_40.png")) {
  knitr::include_graphics("Airbrush-Collage-2026-01-15T23_11_40.png")
} else {
  cat("Файл с фото не найден!")
}

Метод исследования: Онлайн-опрос через Google Forms
Объем выборки: 109 респондентов
Период проведения: 10–12 июля 2025 года
География участников: Казахстан (72%), Россия (28%)
Возрастная группа: 65% — школьники 15–17 лет
Классы обучения: 60% — учащиеся 9–11 классов

  1. Географическое распределение по городам

📊 Показать/скрыть код для диаграммы городов 
# Данные по городам
cities_data <- data.frame(
  city = c("Алматы", "Нур-Султан (Астана)", "Шымкент", "Москва", 
           "Санкт-Петербург", "Караганда", "Актобе", "Новосибирск", 
           "Екатеринбург", "Павлодар"),
  participants = c(25, 18, 12, 15, 8, 7, 6, 5, 4, 9),
  country = c("Казахстан", "Казахстан", "Казахстан", "Россия", 
              "Россия", "Казахстан", "Казахстан", "Россия", 
              "Россия", "Казахстан")
)

# Сортируем данные
cities_data <- cities_data %>%
  arrange(desc(participants))

# Создаем диаграмму
plot_ly(
  cities_data,
  x = ~reorder(city, -participants),
  y = ~participants,
  type = 'bar',
  text = ~participants,
  textposition = 'auto',
  color = ~country,
  colors = c("Казахстан" = "#008000", "Россия" = "#0000FF"),
  hoverinfo = 'text',
  hovertext = ~paste(city, "<br>", "Участников: ", participants, "<br>", "Страна: ", country)
) %>%
  layout(
    title = "Распределение участников опроса по городам",
    xaxis = list(title = "Город", tickangle = -45),
    yaxis = list(title = "Количество участников"),
    showlegend = TRUE
  )
## <center><h4>Таблица: Распределение участников по городам</h4></center>
Распределение участников по городам
Город Страна Количество участников
Алматы Казахстан 25
Нур-Султан (Астана) Казахстан 18
Москва Россия 15
Шымкент Казахстан 12
Павлодар Казахстан 9
Санкт-Петербург Россия 8
Караганда Казахстан 7
Актобе Казахстан 6
Новосибирск Россия 5
Екатеринбург Россия 4
📋 Показать/скрыть код для таблицы городов 
# Создание таблицы с данными по городам
cities_table <- cities_data %>%
  arrange(desc(participants)) %>%
  select(Город = city, Страна = country, `Количество участников` = participants)

# Вывод таблицы
knitr::kable(cities_table, caption = "Распределение участников по городам")

Вывод: Большинство участников опроса проживают в крупных городах Казахстана (Алматы - 25 чел., Нур-Султан - 18 чел.) и России (Москва - 15 чел., Санкт-Петербург - 8 чел.). Географическое распределение показывает хороший охват как казахстанских, так и российских регионов.

  1. Распределение по странам (круговая диаграмма)

🌍 Показать/скрыть код для диаграммы по странам 
# Данные по странам
geo_data <- data.frame(
  country = c("Казахстан", "Россия"),
  percent = c(72, 28),
  participants = c(78, 31)
)

# Создаем круговую диаграмму
plot_ly(
  geo_data,
  labels = ~country,
  values = ~percent,
  type = 'pie',
  textposition = 'inside',
  textinfo = 'label+percent',
  marker = list(
    colors = c("#008000", "#0000FF"),
    line = list(color = '#FFFFFF', width = 3)
  ),
  hole = 0.4
) %>%
  layout(
    title = "Географическое распределение участников опроса по странам",
    showlegend = TRUE
  )

  1. Интерес к инженерии

🔧 Показать/скрыть код для диаграммы интереса 
# Данные для диаграммы интереса
interest_data <- data.frame(
  category = c("Очень интересно", "Скорее интересно", "Скорее не интересно", 
               "Не интересно", "Не определились"),
  percent = c(36, 16, 8, 5, 35)
)

# Используем функцию create_pie_chart
create_pie_chart(
  interest_data,
  "Уровень интереса школьников к инженерии",
  c("#2E86AB", "#A23B72", "#F18F01", "#C73E1D", "#6B818C")
)

Вывод: Большинство школьников (91% вместе взятые “Очень интересно”, “Скорее интересно”) проявляют интерес к инженерии, однако значительная часть (35%) еще не определилась с профессиональным выбором.

  1. Профессиональные планы

🎯 Показать/скрыть код для диаграммы планов 
# Данные для диаграммы планов
plans_data <- data.frame(
  category = c("Да, определенно", "Возможно", "Не определились", "Нет"),
  percent = c(44, 39, 13, 4)
)

# Используем функцию create_pie_chart
create_pie_chart(
  plans_data,
  "Планы работать в инженерной или IT-сфере",
  c("#4682B4", "#87CEEB", "#B0C4DE", "#D3D3D3")
)

  1. Любимые учебные предметы (ТОП-7)

📚 Показать/скрыть код для диаграммы предметов 
# Данные для диаграммы предметов
subjects_data <- data.frame(
  subject = c("Информатика", "Биология", "Математика", "Физика", 
              "Химия", "Гуманитарные", "Технология"),
  percent = c(44, 38, 35, 32, 23, 24, 20)
)

# Создаем круговую диаграмму
plot_ly(
  subjects_data,
  labels = ~subject,
  values = ~percent,
  type = 'pie',
  textinfo = 'label+percent',
  marker = list(
    colors = c("#1E90FF", "#32CD32", "#FF4500", "#FFD700", 
               "#8A2BE2", "#FF6347", "#20B2AA")
  ),
  hole = 0.4
) %>%
  layout(
    title = "Распределение любимых предметов среди школьников",
    showlegend = TRUE
  )

  1. Опыт участия в STEM-проектах

🧪 Показать/скрыть код для диаграммы опыта 
# Данные для диаграммы опыта
exp_data <- data.frame(
  category = c("Олимпиады/конкурсы STEM", "Хакатоны/чемпионаты", 
               "Научные/инженерные проекты", "Нет опыта"),
  percent = c(41, 30, 20, 9)
)

# Используем функцию create_pie_chart
create_pie_chart(
  exp_data,
  "Опыт участия в STEM-активностях",
  c("#DC143C", "#FF8C00", "#9932CC", "#708090")
)

  1. Сложности при старте проектов

⚠️ Показать/скрыть код для диаграммы сложностей 
# Данные для диаграммы сложностей
diff_data <- data.frame(
  category = c("Не знали, с чего начать", "Немного сложно", 
               "Никогда не пробовали", "Всё понятно"),
  percent = c(29, 33, 19, 19)
)

# Используем функцию create_pie_chart
create_pie_chart(
  diff_data,
  "Сложности при начале проектной работы",
  c("#FF4500", "#FFA500", "#32CD32", "#1E90FF")
)

  1. Готовность к участию в инженерном чемпионате

🏆 Показать/скрыть код для диаграммы готовности 
# Данные для диаграммы готовности
ready_data <- data.frame(
  category = c("Хотят приглашение", "Возможно", "Не уверены"),
  percent = c(64, 27, 9)
)

# Используем функцию create_pie_chart
create_pie_chart(
  ready_data,
  "Готовность участвовать в инженерном чемпионате",
  c("#FFD700", "#DAA520", "#B8860B")
)

  1. Привлекательные аспекты чемпионата

⭐ Показать/скрыть код для диаграммы мотиваторов 
# Данные для диаграммы мотиваторов
attr_data <- data.frame(
  category = c("Реальная задача", "Работа в команде", 
               "Презентация проекта", "Советы экспертов"),
  percent = c(30, 30, 22, 18)
)

# Используем функцию create_pie_chart
create_pie_chart(
  attr_data,
  "Ключевые мотиваторы для участия в чемпионате",
  c("#9370DB", "#BA55D3", "#DA70D6", "#EE82EE")
)

  1. Ключевые выводы и рекомендации

Основные выводы:

  1. Географический охват: Опрос охватил участников из 10 городов Казахстана и России, с наибольшим представительством из Алматы (25 чел.), Нур-Султана (18 чел.) и Москвы (15 чел.).
  2. Высокий потенциальный интерес: 91% школьников проявляют интерес к инженерии, что свидетельствует о значительном потенциале для привлечения молодежи в технические специальности.
  3. Потребность в профориентации: Несмотря на интерес, 35% респондентов не определились с профессиональным выбором, что указывает на необходимость системной работы по ознакомлению с инженерными профессиями.
  4. Сильная предметная база: STEM-дисциплины пользуются популярностью среди школьников, особенно информатика (44%) и биология (38%), что создает благоприятную основу для инженерного образования.
  5. Опыт участия в активностях: 41% школьников имеют опыт участия в олимпиадах и конкурсах STEM-направленности, что является хорошей базой для дальнейшего развития.
  6. Барьеры для проектной работы: 62% респондентов испытывают трудности при начале проектной деятельности, основными проблемами являются непонимание стартовых шагов (29%) и общая сложность процесса (33%).
  7. Высокая мотивация к соревнованиям: 64% школьников выразили желание получить приглашение на инженерный чемпионат, демонстрируя готовность к практической деятельности.

Рекомендации:

  1. Разработать профориентационную программу, направленную на знакомство школьников с современными инженерными специальностями и IT-профессиями.
  2. Создать систему поддержки старта проектов: разработать шаблоны, методические материалы и провести серию мастер-классов по началу проектной работы.
  3. Организовать инженерный чемпионат с акцентом на: · Реальные практические задачи из различных отраслей · Командный формат работы · Возможность презентации результатов · Консультации и экспертные сессии с профессионалами
  4. Вовлекать школьников через популярные предметы: использовать интерес к информатике и биологии как точку входа в инженерное творчество.
  5. Развивать существующий опыт: привлекать школьников с опытом участия в олимпиадах к более сложным проектным заданиям.
  6. Расширить географию охвата: привлекать участников из большего количества городов, особенно из региональных центров.