К вопросу подбора учебно-методической информации для реализации адаптивной электронной образовательной среды: алгоритм подбора авторов литературы с учетом эмоционально-психологических особенностей пользователей на базе идей академической генеалогии
https://doi.org/10.32517/0234-0453-2025-40-3-69-79
Аннотация
Статья посвящена описанию разработки нового алгоритма для интегрированных распределенных информационных систем, который должен обеспечить подбор авторов научной и учебно-методической литературы и самой литературы с учетом эмоционально-психологических особенностей пользователей системы на базе идей академической генеалогии. Необходимость создания такого алгоритма обусловлена тем, что активно развивающийся в настоящее время процесс перехода к информационному обществу, наблюдаемый в различных сферах социума, приводит к достаточно сильным изменениям в области экономики, трудовой занятости населения, образования, информационных систем предоставления информации, при этом ядро этих преобразований — применение информационно-образовательных цифровых платформ, адаптивных к эмоционально-психологическим особенностям обучаемых. Ключевым фактором, который определяет их успешность, является алгоритм подбора научной и учебно-методической литературы с учетом индивидуальных особенностей обучаемых. Учебно-методическая информация обычно формируется на базе новых научных результатов, полученных при выполнении диссертационных исследований, при этом объем используемых в них материалов неуклонно растет по закону, близкому к экспоненциальному. Соответственно резко увеличиваются требования к интегрированным распределенным информационным системам (электронным библиотечным системам), обеспечивающим образовательный процесс, что требует создания принципиально нового алгоритма. В статье перечислены ограничения и рекомендации по практической реализации предложенного в работе алгоритма.
Ключевые слова
Об авторах
С. Г. ГригорьевРоссия
Сергей Георгиевич Григорьев, чл.-корр. РАО, доктор тех. наук, профессор, профессор департамента
Институт цифрового образования; департамента информатики, управления и технологий
Москва
И. М. Лернер
Россия
Илья Михайлович Лернер, доктор тех. наук, старший научный сотрудник, профессор, профессор кафедры
Институт радиоэлектроники, фотоники и цифровых технологий; кафедра нанотехнологий в электронике; Институт физики; кафедра радиоастрономии
Республика Башкортостан; Уфа; Республика Татарстан; Казань
А. Х. Мариносян
Россия
Андреас Хачатурович Мариносян, аспирант
Институт цифрового образования; департамент информатизации образования
Москва
М. А. Григорьева
Россия
Марина Александровна Григорьева, канд. пед. наук, доцент, доцент департамента
Институт цифрового образования; департамент информатики, управления
и технологий
Москва
Список литературы
1. Григорьев С. Г., Лернер И. М., Мариносян А. Х., Арутюнова Н. К., Григорьева М. А. К вопросу подбора учебно-методической информации для реализации адаптивной электронной образовательной среды: алгоритм априорной классификации авторов. Информатика и образование. 2025;40(2):66–78. DOI: 10.32517/0234-0453-2025-40-2-66-78.
2. Лернер И. М., Карелина Е. А., Григорьев С. Г., Байков Ф. Ю., Дымкова С. С., Ильин В. И. Модель отбора информационных ресурсов на базе теории поколений, наукометрии и факторной методики исследования личности как инструмент развития глобальных цифровых платформ. Научные и технические библиотеки. 2024;(1):15–50. EDN: RIJNNF. DOI: 10.33186/1027-3689-2024-1-15-50.
3. Yoo Y., Henfridsson O., Lyytinen K. Research commentary — The new organizing logic of digital innovation: An agenda for information systems research. Information Systems Research. 2010;21(4):724–735. DOI: 10.1287/isre.1100.0322.
4. Edelman D., Singer M. Competing on customer journeys: You have to create new value at every step. Harvard Business Review. 2015;93(11):88–98.
5. Смирнов Е. Н., Лукьянов С. А. Формирование и развитие глобального рынка систем искусственного интеллекта. Экономика региона. 2019;15(1):57–69. EDN: MWOTZQ. DOI: 10.17059/2019-1-5.
6. Морозова Ю. А. Интеллектуальный анализ данных о вакансиях для выявления актуальных потребностей рынка труда. Информатика и образование. 2022;37(5):26–37. EDN: KQKIRJ. DOI: 10.32517/0234-0453-2022-37-5-26-37.
7. Graham M., Hjorth I., Lehdonvirta V. Digital labour and development: Impacts of global digital labour platforms and the gig economy on worker livelihoods. Transfer: European Review of Labour and Research. 2017;23(2):135–162. DOI: 10.1177/1024258916687250.
8. Чеха В. В. Цифровые платформы как новые субъекты образовательных отношений. Наука и школа. 2021;(3):81–93. EDN: WALMTX. DOI: 10.31862/1819-463X-2021-3-81-93.
9. Павличева Е. Н., Жильцов В. А. Использование платформ виртуальной реальности для поддержки принятия решений в многоуровневых образовательных системах. Научные и технические библиотеки. 2023;(7):64–81. EDN: CXPKOF. DOI: 10.33186/1027-3689-2023-7-64-81.
10. Якунин Ю. Ю., Шестаков В. Н., Ликсонова Д. И., Даничев А. А. Прогнозирование результатов обучения студентов с использованием инструментов машинного обучения. Информатика и образование. 2023;38(4):28–43. EDN: HPHLQH. DOI: 10.32517/0234-0453-2023-38-4-28-43.
11. Алдунин Д. А. Модель архитектуры рекомендательного сервиса по формированию индивидуальной образовательной траектории при самостоятельном изучении массовых открытых онлайн-курсов. Информатика и образование. 2024;39(1):74–83. EDN: IBBOLE. DOI: 10.32517/0234-0453-2024-39-1-74-83.
12. Кузнецова Ю. А. Имитационное моделирование стратегического развития системы высшего образования Российской Федерации. Информатика и образование. 2023;38(6):32–44. EDN: PMBBMF. DOI: 10.32517/0234-0453-2023-38-6-32-44.
13. Лакизо И. Г. Современные зарубежные исследования информационных потребностей студентов высших учебных заведений (обзор публикаций). Научные и технические библиотеки. 2023;(5):112–132. EDN: DNTBVN. DOI: 10.33186/1027-3689-2023-5-112-132.
14. Сабитов Р. А., Смирнова Г. С., Елизарова Н. Ю., Сабитов Ш. Р., Епонешников А. В., Григорьев И. С., Кутдусов А. А. Трансформации подходов в обучении студентов инженерных специальностей информационным технологиям. Информатика и образование. 2023;38(4):5–13. EDN: OKKWVQ. DOI: 10.32517/0234-0453-2023-38-4-5-13.
15. Garfield E. Citation analysis as a tool in journal evaluation. Science. 1972;178(4060):471–479. DOI: 10.1126/science.178.4060.471.
16. Garfield E. Citation indexing: Its theory and application in science, technology, and humanities. New York, John Wiley & Sons; 1979. 274 p.
17. Rousseau R., Zhang L. Betweenness centrality and Q-measures in directed valued networks. Scientometrics. 2008;75(3):575–590. DOI: 10.1007/s11192-007-1772-2.
18. Roth C., Wu J., Lozano S. Assessing impact and quality from local dynamics of citation networks. Journal of Informetrics. 2012;6(1):111–120. DOI: 10.1016/j.joi.2011.08.005.
19. Small H. Co-citation in the scientific literature: A new measure of the relationship between two documents. Journal of the American Society for Information Science. 1973;24(4):265–269. DOI: 10.1002/asi.4630240406.
20. Leydesdorff L. The evolutionary dynamics of discursive knowledge. Qualitative and quantitative analysis of scientific and scholarly communication. Cham, Springer; 2021. 248 p. DOI: 10.1007/978-3-030-59951-5.
21. Daraio C., Di Leo S., Leydesdorff L. A heuristic approach based on Leiden rankings to identify outliers: evidence from Italian universities in the European landscape. Scientometrics. 2023;128(1):483–510. DOI: 10.1007/s11192-022-04551-y.
22. Leydesdorff L., Bornmann L. Disruption indices and their calculation using web-of-science data: Indicators of historical developments or evolutionary dynamics? Journal of Informetrics. 2021;15(4):1–11. DOI: 10.1016/j.joi.2021.101219.
23. Funk R. J., Owen-Smith J. A dynamic network measure of technological change. Management Science. 2017;63(3):791–817. DOI: 10.1287/mnsc.2015.2366.
24. Wu S., Wu Q. A confusing definition of disruption. SocArXiv Papers. 2019. DOI: 10.31235/osf.io/d3wpk.
25. Zhang L., Leydesdorff L. The scientometric measurement of interdisciplinarity and diversity in the research portfolios of Chinese Universities. Journal of Data and Information Science. 2021;6(4):13–35. DOI: 10.2478/jdis-2021-0027.
26. Дымкова С. С. Методы и процедурная модель повышения публикационной активности научных организаций на основе наукометрических инструментов : дис. … канд. тех. наук: 05.25.05. М.; 2022. 170 с. EDN: MHQRNL.
27. Лернер И. М., Мариносян А. Х., Григорьев С. Г., Юсупов А. Р., Аникьева М. А., Гарифуллина Г. А. Подход к формированию интеллектуальной академической генеалогии с использованием больших языковых моделей. Электромагнитные волны и электронные системы. 2024;29(4):108–120. EDN: BSNYZW. DOI: 10.18127/j15604128-202404-09.
28. Kiss T., Strunk J. Unsupervised multilingual sentence boundary detection. Computational Linguistics. 2006;32(4):485–525. DOI: 10.1162/coli.2006.32.4.485.
29. Müller T., Cotterel R., Fraser A., Schütze H. Joint lemmatization and morphological tagging with lemming. Proc. of the 2015 Conf. on Empirical Methods in Natural Language Processing. Lisbon, Portugal, Association for Computational Linguistics; 2015:2268–2274. DOI: 10.18653/v1/D15-1272.
30. Митрофанова О. А. Вероятностное моделирование тематики русскоязычных корпусов текстов с использованием компьютерного инструмента GenSim. Труды Международной конференции «Корпусная лингвистика — 2015». СПб.: Изд-во Санкт-Петербургского государственного университета; 2015:332–343. EDN: UDQIRZ.
31. Соколова Е. В., Митрофанова О. А. Автоматическое извлечение ключевых слов и словосочетаний из русскоязычных текстов с помощью алгоритма KEA. Компьютерная лингвистика и вычислительные онтологии. 2017;(1):157–165. EDN: YWIPAM. DOI: 10.17586/2541-9781-2017-1-157-165.
32. Капустина А. Н. Многофакторная личностная методика Р. Кеттелла. СПб.: Речь; 2001. 112 с.
33. Вентцель Е. С. Теория вероятности. М.: Наука; 1969. 576 с.
Рецензия
Для цитирования:
Григорьев С.Г., Лернер И.М., Мариносян А.Х., Григорьева М.А. К вопросу подбора учебно-методической информации для реализации адаптивной электронной образовательной среды: алгоритм подбора авторов литературы с учетом эмоционально-психологических особенностей пользователей на базе идей академической генеалогии. Информатика и образование. 2025;40(3):69-79. https://doi.org/10.32517/0234-0453-2025-40-3-69-79
For citation:
Grigoriev S.G., Lerner I.M., Marinosyan A.Kh., Grigorieva M.A. On the issue of educational and methodological information selection for implementing an adaptive learning management system: Algorithm of selecting authors of literature taking into account the emotional and psychological characteristics of users based on the ideas of academic genealogy. Informatics and education. 2025;40(3):69-79. (In Russ.) https://doi.org/10.32517/0234-0453-2025-40-3-69-79