Визуальная поддержка принятия решений при разработке учебных планов с помощью метода UGVA

Обложка

Цитировать

Полный текст

Аннотация

В статье поднимается вопрос о необходимости иметь методологический подход к сравнению, оценке и принятию решений для актуализации учебных планов при подготовке специалистов. Предложена модель параметризации учебного плана относительно ключевых умений. В качестве подхода по концентрации данных и визуализации выбран метод Unified Graphic Visualization of Activity (UGVA). В качестве объекта для иллюстрации взята специальность «Системный анализ и управление», преподаваемая в университетах Российской Федерации. Проанализированы 36 учебных планов. На их графических образах выявлены особенности подготовки студентов и лучшие практики. Опираясь на сравнение выбранного учебного плана с другими, представленными в виде образов в нотации UGVA, предложен ряд рекомендаций, относящийся к изменению структуры вклада дисциплин, развивающих ключевые профессиональные умения. Даны общие рекомендации по применению метода при принятии решений.

Об авторах

Виктор Александрович Углев

Сибирский федеральный университет

Автор, ответственный за переписку.
Email: uglev-v@yandex.ru

кандидат технических наук, доцент, ведущий научный сотрудник

Россия, Железногорск

Список литературы

  1. Ajanovski V. Evolutionary Curriculum Reconstruction: Process Model and Information System Development. In Proceedings of the 18th Annual Conference on Information Technology Education. Association for Computing Machinery. New York. USA. 2017. Р. 89–94.
  2. Tosic P., Beeston J. Designing Undergraduate Data Science Curricula: A Computer Science Perspective. In 2018 ASEE Annual Conference &Exposition. ASEE Conferences. Salt Lake City.Utah, 2018. Р. 1–11.
  3. Лавлинская О.Ю., Курченкова Т.В. Модели принятия решений в задаче синтеза учебного плана // Вестник Воронежского института МВД России. 2009. № 1.C. 136-143.
  4. Zykina A., Kaneva O., Munko V. The development of approaches for obtaining automated solution on the formation of the curriculum. Modern Information Technologies and IT-Education. Vol. 14. №4. 2018. Р. 931-937.
  5. Takada S., Cuadros-Vargas E., Impagliazzo J., Gordon S., Marshall L., Topi H., Veer G., Waguespack l. Toward the visual understanding of computing curricula. Education and Information Technologies Vol. 25, 2020. Р. 4231–4270.
  6. Waguespack L., Topi H., Frezza S., Babb J., Marshall L., Takada S., van der Veer G., Pears A. Adopting Competency Mindful of Professionalism in Baccalaureate Computing Curricula. In Proceedings of the EDSIG Conference. Vol. 2473. 2019. Р. 3857.
  7. Crawley E., Malmqvist J., Östlund S., Brodeur D., Edström K. Rethinking engineering education. The CDIO approach. Springer. 2014. 311 p.
  8. Qi W. Learning Cell: Intelligent Technologies and Resources in Curriculum Development. Emerging Technologies and Pedagogies in the Curriculum, Springer. 2020. Р. 199–214.
  9. CC2020 Task Force. 2020. Computing Curricula 2020: Paradigms for Global Computing Education. Association for Computing Machinery. New York. NY. USA.
  10. Sozykin A., Koshelev A., Bersenev A., Shadrin D., Aksenov A. Kuklin E. Developing Educational Programs Using Russian IT Job Market Analysis. In2021 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). IEEE. 2021. Р. 0391–0394.
  11. Han J., Kamber M., Pei J. Data mining concepts and techniques third edition. The Morgan Kaufmann Series in Data Management Systems. 2011. 560 p.
  12. Gorban A., Zinovyev A. Fast and user-friendly non-linear principal manifold learning by method of elastic maps. In IEEE International Conference on Data Science and Advanced Analytics (DSAA). IEEE. 2015. Р. 1-9.
  13. Chernoff H. The use of faces to represent points in kdimensional space graphically. Journal of the American Statistical Association. Vol. 68. 1973. Р. 361–368.
  14. Flury B., Riedwyl H. Graphical Representation of Multivariate Data by Means of Asymmetrical Faces.J. Amer. Statist. Assoc. Vol. 76. 376. 1981. Р. 757–765.
  15. Jones D. The inventions of Daedalus: a compendium of plausible schemes. WH Freeman, 1982.
  16. Colasanti R., Borgo R., Jones M. Emoji and Chernoff a Fine Balancing Act or are we Biased? In IEEE Pacific Visualization Symposium. IEEE. 2019. Р. 102–111.
  17. Cene E., Parim C., Özkan B. Comparing the performance of basketball players with decision trees and TOPSIS. Data Science and Applications. Vol. 1. 2018. Р. 21–28.
  18. Соболева А.Г. Когнитивная визуализация знаний с помощью лиц Чернова // Комп'ютерний моніторинг та інформаційні технології 2006. Донецк: ДНТУ. 2006. С. 135–136. http://masters.donntu.org/2006/fvti/soboleva/ library/text7.htm.
  19. Филимонов В.А. Способ когнитивной визуализации многопараметрических компонентов системы // Робототехника и искусственный интеллект: Материалы XIII Всероссийской конференции с международным участием. Красноярск: Литера-принт. 2021. С. 136–140. https://aesu.ru/local/conference/_docs/2021/RAI-21_print.pdf.
  20. Weyl H. Symmetry. Princeton University Pres. 1952. 168 p.
  21. Kukharev G., Kaziyeva N. Digital Facial Anthropometry: Application and Implementation. Pattern Recognition and Image Analysis. Vol. 30. 3. 2020. Р. 496–511.
  22. Углев В.А. Метод унифицированного графического воплощения активности // Робототехника и искусственный интеллект: Материалы XI Всероссийской конференции с международным участием. Красноярск: Литера-принт. 2019. С. 161–172.
  23. Углев В.А. Оценка баланса учебных планов при подготовке специалистов в области информационных технологий с применением метода UGVA // Современные информационные технологии и ИТобразование. 2021. Том 17. №3. http://sitito.cs.msu.ru/index.php/SITITO/article/ view/777.
  24. Углев В.А. Метод унифицированного графического воплощения активности как инструмент визуализации в подходе Lifelong Learning // Информатизация образования и методика электронного обучения: цифровые технологии в образовании: Материалы V Международной научной конференции. Красноярск: СФУ. 2021. С. 340-344.
  25. Углев В.А., Проценко Д.А. Оценка баланса нагрузки по учебной программе магистратуры направления «системный анализ и управление» методом UGVA // Робототехника и искусственный интеллект: Материалы XII Всероссийской конференции с международным участием. Красноярск: Литера-принт. 2020. С. 227–235. https://aesu.ru/local/conference/_docs/2020/RAI-20_print.pdf.
  26. Kossiakoff A., Sweet W., Seymour S., Biemer S. Systems Engineering principles and practice. Wiley-Interscience, 2011. 560 p.
  27. Углев В.А., Покидько В.Ф. Системный подход к проектированию учебных планов и его графического сопровождения // Робототехника и искусственный интеллект: Материалы ХIII Всероссийской научнотехнической конференции с международным участием. Красноярск: ЛИТЕРА-принт. 2021. С. 263-271. https://aesu.ru/local/conference/_docs/2021/RAI-21_print.pdf.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».