Файл: Российской федерации федеральное государственное автономное образовательное учреждение высшего образования.pdf

34
Определение 3
Пусть
∪
– метаграф, а
– путь на нѐм.
Определим функцию следующим образом:
Определение 4
Пусть
∪
– метаграф. Характеристикой пути будем называть функцию
∏
Справедливы следующие теоремы:
Теорема 1
Характеристика пути соответствует номеру компоненты, в которой находится конечная вершина пути, начавшегося в нулевой компоненте.
Теорема 2
Если характеристика цикла на метаграфе равна нулю, то ему будет соответствовать цикл на расширении.
Пусть
– метаграф, дуги которого помечены не целыми числами, а неизвестными
, где
– количество дуг в метаграфе. И пусть заданы некие числа
Составим систему из неравенств вида mod для всех несовпадающих путей и
, с общими первыми и последними вершинами и имеющих одинаковую длину меньше или равную
. Приведѐм еѐ к ви- ду (1).
Теорема 3
Если у этой системы уравнений (1) есть решение, то расширение ме- таграфа с весами, соответствующими найденному решению в раз будет графом с обхватом не меньше

35
В противном случае не существует расширения этого матаграфа в раз с обхватом меньшим или равным
Решение системы неравенств (1) может быть найдено при помощи следующего алгоритма:
Алгоритм 1

Если есть неравенство вида
, сообщаем, что решения нет, завершаем работу алгоритма.

Найдѐм все неравенства вида
. Обозначим множе- ство таких неравенств

Выберем число

Зафиксируем равным

Если
— завершим работу алгоритма.

Запустим алгоритм для полученной системы неравенств с переменной.
Литература
1. Johnson S. J. Introducing Low-Density Parity-Check Codes. University of
Newcastle, Australia, 2006.
2. Арутюнов О. В. Построение (m, n)-регулярных двудольных графов с наибольшим обхватом методом увеличения метаграфов. Материалы
XXIX научной конференции «Современные информационные техноло- гии: тенденции и перспективы развития», Ростов-на-Дону, Россия, 2021.

36
ОСОБЕННОСТИ ПРИМЕНЕНИЯ ЦИФРОВОГО СЛЕДА
В ОБРАЗОВАНИИ
Балякин А. А., Нурбина М. В.
НИЦ «Курчатовский институт»,
г. Москва
E-mail: Balyakin_AA@nrcki.ru
Одной из наиболее ѐмких сфер деятельности для внедрения цифровых технологий является образование. Использование цифровых технологий, прежде всего – технологий больших данных, в образовании является в настоящее время как очевидной реальностью, так и необходимостью [1].
Спектр применения цифровых технологий в образовании чрезвычайно ши- рок, к числу наиболее перспективных относятся следующие: технологии подачи учебного материала [1]; цифровизация управления в образова- нии [2]; цифровой след учащихся [3]; система создания «умной» среды для студентов и школьников [4, 5]; электронная интернационализация научно- образовательной деятельности [6] и др.
В настоящей работе мы рассматриваем частный случай использования технологий больших данных, используемых для анализа цифрового следа учащегося. Практически, речь идет о создании на базе технологий обра- ботки больших данных предсказательных систем в сфере обучения. Под термином «цифровой след» мы понимаем весь набор данных, который мо- жет быть отнесен к конкретному индивидууму, сгенерированный осознано или неосознанно, аккумулированный и обработанный при помощи техно- логии больших данных.
Первоначально предполагалось, что цифровой след формируется на основании сбора и анализа доступных данных об учащемся [1, 3, 7]. Как правило, источником выступают оцифрованные данные об успеваемости, работы учащегося и результаты тестов (контрольных работ). В дальней- шем (во многом под влиянием пандемии) появилось требование осознан- ного формирования цифрового следа, где, однако, возник ряд сложностей.
Так, в рамках деятельности Университета 20.35 в области цифрового обра- зования в ходе ряда длительных мероприятий был организован процесс сбора данных для формирования цифрового следа участников. Согласно оценкам организаторов, бесполезная информация составляла более 51% от общего объема загружаемых данных, достигая 98% на начальном этапе [5].
Очевидно, что необходимо регулировать процессы, позволяющие оп- тимизировать сбор и использование цифрового следа, причем не только в техническом разрезе (реализация технологий прогностического или пре- диктивного моделирования посредством аппарата нейронных сетей и ме- тодов глубокого машинного обучения [2, 3, 4]), но и в организационном.

37
По мнению авторов, полезным может оказаться опыт по использованию цифровых двойников и цифрового следа научных установок. Необходимо, с одной стороны, обеспечить максимальное наполнение озер данных (сбор всей возможной информации), а с другой – предусмотреть возможность неоднократного обращения к данным (для повторной обработки).
Важным прикладным вопросом является интерпретация полученных данных, используемые модели и алгоритмы [8]. Их наличие, с одной сто- роны, упрощает обработку (алгоритмизацию), а с другой – во многом предопределяет результат. Данные теряют свою «нейтральность», в буду- щем они будут «этичны» уже по своему происхождению на основании не- коей иерархии блага, формулируемой государством [9]. В настоящее время идут активные дискуссии, как это будет реализовано: в виде идеологии
(условные «точки контроля») или алгоритмов (априорно прошитые моде- ли). США идут по пути «исправления» полученных решений искусствен- ным образом, КНР делает упор на идеологию программистов и заказчиков алгоритмов («правильные» задачи). ЕС предлагает ввести градацию алго- ритмов («разрешенные» - «частично разрешенные» - «запрещенные)». Рос- сийская Федерация пока не сформулировала свою собственную позицию.
Особенностью цифровых технологий выступает тот факт, что в эпоху перехода к инновационной экономике (при несформировавшихся новых институтах) зачастую определение задач развития перекладывается на бизнес. Происходит, как по аналогии с правом в цифровой экономике, усиление роли внешних интересантов, не связанных с государством [10].
Следовательно, сам выбор становится ситуативен и спонтанен, подвержен влиянию сиюминутных факторов и эмоций, обусловлен получением мгно- венной выгоды или эмоциональной окраской [11].
Эти тенденции вступают в противоречие с государственными интере- сами, направленными, в том числе, на проектирование образовательной среды. Государство заинтересовано в получении «нужного» цифрового следа, достаточного для использования технологии больших данных для его последующей обработки. Соответственно, появляется перспектива принудительного формирования цифрового следа. На данный момент не ясно, какой механизм принуждения будет реализован (материальная сти- муляция, убеждения, приказ и пр.). Одним из первых шагов в этом направ- лении является обязательный перевод всех госслужащих и бюджетников на российские мессенджеры, почту и сервисы видео-конференц-связи [12].
Помимо количества растет запрос к качеству собираемых данных.
Университетом 20.35 было предложено два подхода, повышающих эффек- тивность цифрового следа [5, 13]. Во-первых, создание специализирован- ной среды, в которой облегчается продуцирование цифрового следа (спе- циально оборудованном пространстве, где активность людей может быть зафиксирована в точной и многоаспектной цифровой модели). Это гейми-

38 фикация образования или так называемый Edutainment. Отметим, что ана- логичные процессы наблюдаются и в научной среде, когда специализиро- ванная среда (например, Майнкрафт) используется для размещения циф- рового следа уникальных научных установок.
Во-вторых, развитие культуры и компетенций создателей цифрового следа и его потребителей (заказчиков). Это предполагает как совершен- ствование человека (разработчиков алгоритмов и потребителей цифрового контента), так и оптимизацию используемых алгоритмов обработки и представления (прежде всего, визуализации) информации [14] с учетом их этической неоднозначности и априорной предвзятости [8].
Внедрение цифровых технологий в образовательный процесс потре- бует также доработки и нормативных документов, что в настоящее время несколько затруднительно. Вместе с тем законодательные пробелы не яв- ляются непреодолимыми и уже сейчас Федеральный закон от 29 декаб- ря 2012 г. № 273-ФЗ «Об образовании в Российской Федерации» содержит указание на возможность применения электронного обучения, что как ми- нимум говорит о готовности к трансформации. 16 июля 2021 года прика- зом Росстандарта утверждѐн ГОСТ Р ИСО/МЭК 20546-2021 "Информаци- онные технологии. Большие данные. Обзор и словарь" – терминологиче- ский стандарт, ставший первым отечественным нормативно-техническим документом в сфере больших данных (Big data).
В целом, цифровизация образования, при всех своих плюсах, как по- казывает отечественный и международный опыт, является необходимым, но недостаточным условием для повышения эффективности воспитатель- ной и учебной работы. Активное внедрение цифровых технологий способ- ствует улучшению работы отдельных творческих педагогов, но оно не способно повысить эффективность традиционно организованного образо- вательного процесса [15].
Одновременно критически важным становится наличие обратной свя- зи общество – технологии (прежде всего, – через науку). Процесс влияния алгоритмов на человека нельзя считать однонаправленным. Это означает, что жизненно необходимо критическое мышление, осознанный, ответ- ственный выбор.
Авторы верят, что все перечисленные сложности будут успешно пре- одолены, и прогресс науки и технологий будет способствовать построению сбалансированного справедливого общества, выраженного, в том числе, и в новых педагогических формах и форматах.
Литература
1. Седова А. П., Крюкова А. А. Применение технологии Big Data в сфере образования // Science Time. 2015. №11 (23). С. 505–509.

39 2. Ben Kei Daniel. Big Data and Learning Analytics in Higher Education: Cur- rent Theory and Practice, Springer, 2016. 272p.
3. Ferriter, W. M. (2011). Digitally Speaking. Positive Digital Footprints. Edu- cational Leadership, 68(7), 92-93.
4. Mobasher G., Shawish A., Ibrahim O. Educational data mining rule based recommender systems // CSEDU (1). – 2017. – Р. 292–299].
5. 20.35 University, https://2035.university/.
6. Бакуменко О. Электронная интернационализация и научные бренды университетов. https://russiancouncil.ru/analytics-and-comments/analytics/ nuzhna-li-rossiyskim-universitetam-elektronnaya-internatsionalizatsiya- nauchnoy-deyatelnosti.
7. Аналитика больших данных и Machine Learning в образовании: 5 кейсов из ВУЗов // https://www.bigdataschool.ru/blog/big-data-analytics-education- cases.html.
8. Birhane, A.: Algorithmic injustice: a relational ethics approach. Perspective,
Patterns 2, vol. 2(2), 100205, February 12 (2021).
9. Кай-Фу Ли. Сверхдержавы искусственного интеллекта. Китай, Кремние- вая долина и новый мировой порядок. Манн, Иванов и Фербер, 2019 г.
240 с.
10. Жулего В. Г., Балякин А. А., Нурбина М. В., Тараненко С. Б. Цифрови- зация общества: новые вызовы в социальной сфере // Вестник Алтай- ской академии экономики и права. – 2019. – № 9–2. – С. 36–43.
11. Грекова А. А. Особенности мышления представителей «цифрового по- коления» // Вестник ЮУрГУ. Серия: Психология. 2019. Т. 12. № 1.
С. 28–38.
12. Чатно-государственное партнерство. Учителей и чиновников переведут на российские мессенджеры. Коммерсант, 10 августа 2021 г. https://www.kommersant.ru/doc/4936094.
13. Цифровой след: новые задачи системы образования в эпоху данных // https://habr.com/ru/post/513616/.
14. Harari, Y. N: 21 Lessons for the 21st Century. p. 416, Vintage Digital
(2018).
15. Крамаренко Н. С., Квашин А. Ю. Психологические и организационные аспекты введения цифрового образования, или как внедрение иннова- ций не превратить в «цифровой колхоз» // Вестник МГОУ. 2017. № 4.
С. 1–16.

40

41
Алгоритм метода трассировки лучей (МТЛ) отслеживает траекторию звукового луча от точки источника, проверяя все поверхности в пределах исследуемого помещения на пересечение с лучом. В случае нахождения точки пересечения луча с отражающей поверхностью, его направляющий вектор пересчитывается по формуле:
 
1 2 ·
,
q
q
n q n
 
(1) где
1
q
– новый направляющий вектор,
q
– старый направляющий вектор,
n
– нормаль отражающей поверхности. Энергия в отражѐнном луче вы- числяется путѐм умножения на


1


, где

– коэффициент звукопогло- щения материала отражающей поверхности [1, 2].
Метод равномерных пространственных сеток (воксельный метод, ме- тод пересечения ячеек) очень удобен для задач трассировки в помещениях с большим числом объектов и переотражений лучей, поскольку позволяет эффективно хранить часть необходимой информации для расчѐтов в самих ячейках сетки. Метод пересечения ячеек был выбран для повышения эф- фективности трассировки в рассматриваемой задаче из-за простоты струк- туры организации данных в его алгоритме. Это качество позволяет эффек- тивно модифицировать алгоритм, сокращая время, затрачиваемое на пред- варительную обработку данных перед запуском трассировки.
Применение метода пересечения ячеек требует дополнительной под- готовки начальных данных. Основной частью данного процесса является построение пространственной сетки. В созданном программном коде она представляет собой трѐхмерный массив ячеек фиксированного размера, хранящих информацию обо всех поверхностях, пересекающих определяе- мую ими область пространства. Для упрощения последующего заполнения сетки осуществляется триангуляция всех отражающих поверхностей по- мещения.
После создания сетки осуществляется еѐ заполнение. Прежде всего, определяется положение в сетке источника и приѐмника звука, которые являются заданными и фиксированными. Дальнейший процесс заполнения сетки может быть осуществлен путѐм перебора всех объектов с поиском списка ячеек, которым принадлежит рассматриваемый объект.
Процесс трассировки лучей для метода пересечения ячеек начинается с ячейки, в которой располагается источник звука. В начале работы алго- ритма в полный телесный угол пространства из заданного точечного источника звука испускаются N виртуальных звуковых лучей. В простей- шем случае, их направляющие вектора определяются в сферической си- стеме координат прохождением с малым шагом по двум сферическим уг- лам φ и θ. Для достижения требуемой точности обычно требуется взять не менее нескольких тысяч звуковых лучей, выпущенных из точечного ис- точника.