Цель этой статьи — показать эволюцию и требования образовательной системы в эпоху 4-ой промышленной революции, выявить основные проблемы, определить актуальные направления дальнейших исследований.

Четвертая промышленная революция основывает свое развитие на интеллектуальных технологиях, искусственном интеллекте, больших данных, робототехнике и т.д. В новых условиях, перед учебными заведениями стоит задача подготовки успешных выпускников и новых способов обучения. Актуальность проблем, изложенных в настоящей статье, определяется главной целью высшего образования - подготовка квалифицированных человеческих ресурсов для экономики страны, создание и поддержание обширной передовой базы знаний, обеспечение личного развития выпускников учебного заведения. Именно качество высшего образования определяет качество человеческих ресурсов в стране. Для этого студентам необходимо овладеть широким набором компетенций в выбранной ими области обучения,  постоянно расширять границы знаний во всех дисциплинах,  развивать профессиональные навыки в области бизнеса, науки и новых технологиях.

Методология и методы исследования. В процессе исследования был осуществлен анализ  научных публикаций за период 2012–2022 годы (плюс начало 2023 года), размещенных в базах данных:  Springer Link, IEEE Xplore, ACM, Science Direct, Google Scholar, а также  в научной электронной библиотеке eLIBRARY.ru.

В  процессе  исследования были использованы общенаучные методы: аналитический обзор проблемы, методы синтеза, индукции, применены методы сравнительного анализа, обобщения и системного подхода в вопросах использования методов интеллектуального анализа в системах электронного образования, использовались научные публикации последних 20 лет.

Результаты и научная новизна. В нашем исследовании были определены наиболее распространенные задачи, используемые в EDM, а также те, которые являются наиболее перспективными в будущем. Осуществленный в работе теоретический анализ основных ключевых тенденций «Образования 4.0», позволил выявить основные характеристики образования. Было показано, что образование должно стать более индивидуализированным и адаптированным к возможностям обучаемого. В результате проведенного исследования выявлены наиболее характерные задачи Data Mining в образовании, показаны пути его совершенствования и повышения качества. 

Практическая значимость. В настоящее время образовательные учреждения стремятся улучшить свое обучение и преподавание путем анализа данных, собранных во время учебы студентов, разрабатываются новые механизмы на основе данных и совершенствуют интересные модели, которые могут помочь улучшить академические результаты, стимулировать мотивацию учащихся и избежать их отсева.

Полученные результаты можно использовать в качестве информационного материала в дальнейших исследованиях, связанных с изучением развития системы образования в эпоху «Индустрии 4.0». Ожидается, что что полученные результаты могут быть использованы специалистами, руководителями и преподавателями для улучшения образовательной деятельности.

Цель исследования. Диагностика результатов обучения, представленных в компетентностном формате, в настоящее время является необходимой составной частью учебного процесса вуза. Цель выполненного исследования – разработать и реализовать в информационной среде обучения удобный и технологичный способ диагностики результатов освоения компетенций студентами ИТ-направлений. В качестве среды реализации используется одна из самых популярных в российских вузах систем дистанционного обучения Moodle, дополненная программным обеспечением собственной разработки и сторонними ресурсами. В статье представлены результаты моделирования и реализации предлагаемого способа диагностики результатов освоения компетенций студентов IT-направлений.

Методы и материалы. Авторами предложена инфологическая модель процесса подготовки банка диагностических заданий компетентностного формата. Обоснована необходимость декомпозиции индикаторов достижения компетенций на дисциплинарные компоненты, достижение которых можно диагностировать известными средствами педагогических измерений. Представлен способ реализации декомпозиции компетенций в системе Moodle с помощью фреймворка компетенций (Competency Framework) и технология подготовки диагностических заданий по принципу равномерного покрытия заданиями всех индикаторов достижения компетенций. Предложен пошаговый алгоритм корректировки банка заданий по результатам их выполнения студентами на основе анализа статистических характеристик заданий. Описан способ автоматического отслеживания освоения компетенций студентами по результатам выполнения диагностических заданий в системе Moodle.

Результаты. В статье представлен пример реализации предложенного способа диагностики результатов освоения компетенций в процессе обучения бакалавров направления 09.03.04 Программная инженерия. Представлен результат декомпозиции индикаторов достижения одной из общепрофессиональных компетенций на дисциплинарные компоненты, процесс подготовки заданий для диагностики по каждому дисциплинарному компоненту, дисциплинарные и междисциплинарные результаты диагностики освоения компетенции, полученные в системе Moodle. Результаты эксперимента показали, что для воплощения предложенного способа в информационной образовательной среде требуются определённые затраты времени на подготовительном этапе, но они окупаются повышением качества диагностических процедур и удобством их проведения.

Заключение. В ходе исследования был разработан, реализован и апробирован на практике технологичный способ диагностики результатов освоения компетенций студентами ИТ-направлений в информационной среде обучения, основанный на декомпозиции компетенций на дисциплинарные компоненты, поддающиеся измерению. Представлены результаты реализации предложенного способа в Вологодском государственном университете при обучении студентов направления «Программная инженерия». Результаты моделирования и реализации процесса диагностики результатов освоения компетенций могут быть адаптированы к учебному процессу различных направлений подготовки и различных форм обучения. Продолжение данного исследования имеет хорошие перспективы для повышения качества диагностических процедур компетентностного формата и эффективности учебного процесса в целом.

Цель. Процессы сетевизации и социотехнической трансформации инженерной деятельности в постиндустриальном обществе, требуют подготовки технических специалистов, обладающих сформированной дискуссионной компетенцией (ДК) и отличными навыками online-коммуникаций. Принимая во внимание указанные тенденции была сформулирована цель настоящей работы, заключающаяся в оценке результативности разработанной нами модели формирования дискуссионной компетенции студентов технических вузов в виртуальной образовательной среде. Материалы и методы. Педагогический эксперимент проводился на базе двух новосибирских вузов: архитектурно-строительного (НГАСУ) и технического (НГТУ) университетов на общей выборке испытуемых ( бакалавры 2–3 курса) в 350 ч.: 296 ч. НГАСУ, 54 ч. НГТУ. Реализация эксперимента осуществлялась в три этапа: констатирующий – апробация инструментария, фиксация проблемы и уточнение эмпирической гипотезы исследования; формирующий – активное использование разработанной модели для развития дискуссионных навыков у студентов НГАСУ; контрольный – оценка устойчивости модели при изменении контингента обучаемых и институциональных условий (на базе НГТУ). Для оценки сформированности ДК использовались 2 эмпирических индикатора: степень обученности, показывающий процент сформированности соответствующего компонента ДК от теоретически возможного и коэффициент качественной успеваемости, являющийся показателем готовности студента к применению полученных дискуссионных навыков в профессиональной деятельности.

Результаты. Эксперимент показал, что применение в образовательном процессе технических вузов разработанной нами модели формирования дискуссионной компетенции позволило повысить степень обученности студентов на 6–31% и коэффициент качественной успеваемости на 20–60%, в зависимости от формируемого компонента ДК. В результате доля студентов, готовых к самостоятельному применению дискуссионных навыков в профессиональной деятельности, составила от 72 до 94%. Во-вторых, были выявлены ограничения (ограниченный потенциал метода дебатов в формировании социального и неоднозначность результатов по лингвистическому компоненту ДК), а также намечены перспективные пути повышения результативности (более широкое применение в синхронных online-дискуссиях методов, ориентированных на совместный поиск решений: кейс-стади, круглый стол, конструктивный конфликт; привлечение специалистов-филологов к разработке дополнительных критериев оценки лингвистического компонента ДК) созданной  модели.

Заключение. В ходе исследования установлено, что реализуемая в виртуальной образовательной среде, построенная на принципе двойного чередования (синхронных и асинхронных форм online-коммуникаций, рефлексивных и развивающих обучающих ступеней) и непрерывного мониторинга на основе сетевой базы данных с интерактивной индикацией текущей успеваемости, модель формирования ДК позволяет результативно решать проблему дискуссионной подготовки будущих инженеров в условиях сетевизации и социотехнической трансформации инженерной деятельности. Выявлено наличие педагогического потенциала для дальнейшего совершенствования разработанной модели и намечен следующий этап исследования по оценке её влияния на формирование у будущих инженеров мотивационного- и рефлексивного компонентов дискуссионной компетенции.

решений. Трансформационные преобразования происходят на организационном, технологическом, нормативно-правовом уровнях управления. Каждое из направлений влияет на особенности функционирования и развития системы высшего образования, но в процессе их реализации возникают отклонения и риски, которые необходимо если не устранить, то хотя бы минимизировать. В статье описываются четыре основных направления развития: техническое, технологическое, инструментальное и образовательное, а также выделены типы рисков, связанные с каждым из описанных направлений.

Материалы и методы. В работе был использован комплекс методов: библиографический (подбор статей по ключевым словам); библиометрический (количественные характеристики по временным параметрам); контент-анализ (способ изучения содержания статей); оценка запросов по ключевым словам с использованием сервисов сети Интернет.

Результаты. Анализ запросов по ключевым словам показал, что интерес к вопросам цифровизации и цифровой трансформации высшего образования возник позже, чем к системе общего среднего образования. Существует тенденция адаптации успешных моделей цифровизации среднего образования и бизнес-сфер к деятельности системы высшего образования. Без учета особенностей функционирования и развития системы высшего образования можем получить негативные последствия, выраженные в разных типах рисков. В работе выделены финансовые, форм-мажорные, технологические, операционные, стратегические, когнитивные и социальные риски.

Заключение. Одной из ключевых проблем, выделенных в процессе анализа наработок в сфере цифровой трансформации системы образования, является рассмотрение цифровизации как средства, а не как катализатора системных изменений во всех сферах деятельности. Точечные решения не позволят полностью реализовать потенциал цифровых решений. При рассмотрении проблем цифровизации и цифровой трансформации системы высшего образования часто ориентируются на успешные модели в области среднего общего образования и/или бизнес-среды, что может способствовать формированию негативных последствий при адаптации подходов без учета собственной специфики.

Целью исследования является разработка алгоритма расчета помехоустойчивости когнитивных систем, поведение которых описывается в пространстве состояний. При этом под когнитивной системой понимается автоматическое техническое устройство, проявляющее в некоторых ситуациях человеческие реакции.

Метод исследования состоит в применении для описания поведения когнитивных систем метода пространства состояний, широко используемого при исследовании автоматических динамических систем. Предполагается, что на входе когнитивной системы действуют сигнал и помеха, описываемые пуассоновскими точечными процессами, моделирующими количество информации, величину эмоционального стресса и т.п., отвечающими каждому событию.

Когнитивные свойства системы в работе учитываются двумя обстоятельствами.

Во-первых, локализованные во времени события характеризуются в работе не только пуассоновским распределением времен их появления, но и некоторыми случайными величинами, характеризующими важность (значимость) события для системы. Типичным примером является приписывание каждому событию некоторого количества информации, если моделируется система переработки информации. Другим примером является эмоциональная реакция личности на появление стрессов, описанная в классической работе по психологии. При этом точкой является событие, вызывающее стресс, а воздействие стрессов на систему моделируются относительной величиной стрессов в соответствии со шкалой Холмса и Раэ.

Во-вторых, когнитивная система с присущей ей скоростью перерабатывает, усваивает, адаптируется к тому воздействию, которое оказывает не нее каждое событие. В работе указанное явление моделируется в виде прохождения точечного процесса через динамическую систему, описываемую дифференциальными уравнениями. Такие процессы называются фильтрованными точечными процессами.

Приводятся примеры воздействий и для простоты принято допущение о величине воздействия как количестве информации, получаемой системой при появлении события. Таким образом, моделью когнитивной системы является динамическая система, описываемая дифференциальным уравнением в пространстве состояний, на входе которой в случайные дискретные моменты времени возникают сообщения с определенной информационной нагрузкой.

Как и для любой технической системы для когнитивной системы возникает задача оценки качества ее работы. В связи с этим в работе обосновывается применение удобного с инженерной точки зрения показателя качества и соответствующего критерия в виде отношения сигнал – помеха.

Новыми результатами являются дифференциальные уравнения в пространстве состояний для математических ожиданий сигнала и помехи, а также алгоритм расчета помехоустойчивости когнитивной системы. В качестве примера рассчитан и представлен график помехоустойчивости конкретной когнитивной системы, подтверждающий интуитивное представление о его поведении

В заключении отмечается, что основным результатом работы является алгоритм расчета помехоустойчивости когнитивных систем с применением дифференциальных уравнений, позволяющие рассчитать поведение нестационарных когнитивных систем при любых точечных воздействиях, описываемых нестационарной функцией интенсивностей появления точек. Уравнения поведения математического ожидания переработанной информации приведены к каноническому виду, что позволяет применить их к многообразным практическим задачам, например к описанию иерархических когнитивных структур, когда выход одного уровня является входом другого.

Материалы и методы. С целью улучшения процесса анализа семестра, организованного с использованием существующих методов и моделей, необходимо внести в него корректировки в соответствии с растущими изменениями информационных потоков и на сегодняшний день. В этом случае исследователям крайне важно изучить возможности обновления определённых инструментов, либо объединить их, либо разработать, чтобы адаптировать их к современным задачам, чтобы обеспечить более чёткое понимание результатов их лечения. Мы представляем сравнение нескольких моделей глубокого обучения, включая конволюционная нейронная сеть, рекуррентные нейронные сети и долговременную и кратковременную двунаправленную память, оцененных на основе различных подходов к интеграции слов, включая трансформацию двунаправленных кодирующих представлений (BERT) и ее варианты, FastText и Word2Vec. Дополнение данных проводилось с использованием подхода простого дополнения данных.

В этом проекте применяются методы обработки естественного языка (ОЕЯ), глубокое обучение, а также модели - LSTM, CNN, SVM TF-IDF, adaboost, na_ïves bayes, а затем комбинации моделей.

Результаты. Исследования позволили получить и проверить результаты моделей с помощью пользовательских обзоров и сравнить точность моделей, чтобы увидеть, какая модель имеет наибольшую точность результатами анализа, полученными с помощью моделей, и их комбинацией CNN с LSTM-моделью, но SVM с TF-IDF векторизатором оказалась наиболее эффективной для этого несбалансированного набора данных. В построенной модели результатом стали следующие показатели: ROC AUC - 0,82, точность - 0,92, F1 - 0,82, Precision - 0,82 и Recall - 0,82. Для поиска более эффективной модели можно провести дополнительные исследования и внедрение модели. Заключение. За последние годы анализ текста на естественном языке продвинулся довольно далеко вперёд, и не исключено, что в обозримом будущем подобные задачи будут полностью решены. Несколько различных моделей в ML и CNN с LSTM-моделью, но SVM с TF-IDF векторизатором оказалась наиболее эффективной для этого несбалансированного набора данных. В целом, как глубокое обучение, так и методы выбора на основе признаков могут быть использованы для решения некоторых  наиболее актуальных проблем. Глубокое обучение полезно, когда наиболее значимые признаки заранее неизвестны, в то время как методы выбора на основе признаков могут помочь повысить точность и эффективность алгоритма классификации. Комбинация обоих подходов также может быть использована для дальнейшего повышения эффективности алгоритма.