https://rdl-journal.ru/issue/feed Электронные библиотеки 2024-07-11T14:50:30+03:00 Редакция журнала «Электронные Библиотеки» ljmeditor@gmail.com Open Journal Systems <div id="journalDescription"> <p><strong>Дорогой посетитель!</strong></p> <p>Вы находитесь на сайте электронного научного журнала «Электронные библиотеки», посвященного оперативному отражению новых результатов теории и практики использования в России и за рубежом электронных библиотек – распределенных информационных систем, позволяющих обрабатывать, хранить, распространять, анализировать и организовывать поиск в разнообразных коллекциях электронных документов (текст, графика, аудио, видео и др.) через глобальные сети передачи данных. Журнал нацелен на формирование российского сообщества учёных, развивающих названное научное направление, и является в настоящее время единственным российским изданием, последовательно и систематически освещающим наиболее актуальные вопросы, связанные с развитием технологий электронных библиотек, которые в настоящее время становятся всё более существенными для совершенствования стандартов науки, экономики, образования, здравоохранения и качества жизни вообще. Научные электронные библиотеки играют важную роль в реализации активно поддерживаемых научным сообществом инициатив открытого доступа к результатам исследований, формировании открытой науки и глобальных репозиториев представления знаний и данных. Материалы журнала направлены на формирование российского сообщества ученых, экспертов и практиков, целенаправленно занимающимися вопросами использования технологий электронных библиотек для социально-экономического развития.</p> <p>Аудитория журнала включает широкий круг специалистов в сфере создания и использования информационно-коммуникационных технологий; ученых и исследователей; работников сфер образования и культуры; частных лиц, интересующихся проблемами развития современного информационного общества. Материалы, публикуемые в журнале, проходят строгую процедуру рецензирования и экспертного отбора.</p> </div> https://rdl-journal.ru/article/view/838 Модель лингвистического графа знаний «Turklang» как база для создания инструментов обучения тюркским языкам 2024-07-09T14:05:53+03:00 Айрат Рафизович Гатиатуллин ayrat.gatiatullin@gmail.com Николай Аркадиевич Прокопьев nikolai.prokopyev@gmail.com <p>Описаны элементы модели лингвистического графа знаний «Turklang», разработанного в Институте прикладной семиотики АН РТ и используемого в качестве базы для создания ряда лингвистических ресурсов и инструментов: портал «Тюркская морфема», электронный корпус татарского языка «Туган Тел», лингвистические процессоры.</p> <p>Для создания образовательной среды необходимы предметно-ориентированные графы знаний, для получения которых не применимы методы создания общих и открытых графов. В работе описаны лингвистические графы знаний, которые отображают, с одной стороны, потенциальные возможности тюркских языков, с другой стороны, примеры реального использования в текстах. Особенность этих графов знаний заключается в том, что они содержат лингвистические единицы разных языковых уровней, а также семантические универсалии, соответствующие значениям этих лингвистических единиц, которые встроены в единую модель лингвистического графа знаний. Структура такого графа знаний позволяет формировать учебные курсы, строить индивидуальную образовательную траекторию, а также создавать задания и средства автоматизированной проверки в рамках контроля знаний при обучении тюркским языкам. Это дает возможность разрабатывать впоследствии, на основе этих графов, программы обучения с учетом структурно-функциональных особенностей тюркских языков, а также способствует реализации индивидуальных целей обучающихся.</p> 2024-07-11T00:00:00+03:00 Copyright (c) 2024 Айрат Рафизович Гатиатуллин, Николай Аркадиевич Прокопьев https://rdl-journal.ru/article/view/839 Проектирование и разработка обучающего блокчейн-симулятора 2024-07-09T14:12:51+03:00 Олег Максимович Меховников oleg_mekhovnikov@mail.ru Александр Сергеевич Тощев atoschev@kpfu.ru <p>Представлен блокчейн-симулятор, предназначенный для обучения студентов и начинающих блокчейн-разработчиков. Симулятор создан с целью предоставить пользователям интуитивно понятное и доступное средство для изучения основных концепций и механизмов функционирования блокчейна. Рассмотрены основные аспекты проектирования и архитектуры симулятора, а также представлена демонстрация работы приложения. Разработанный симулятор способствует привлечению новых специалистов в сферу блокчейн-разработки.</p> 2024-07-11T00:00:00+03:00 Copyright (c) 2024 Олег Максимович Меховников, Александр Сергеевич Тощев https://rdl-journal.ru/article/view/840 Автоматизированное оценивание коротких ответов обучающихся с использованием языковых моделей 2024-07-09T14:24:55+03:00 Чулпан Бакиевна Миннегалиева mchulpan@gmail.com Ильнур Илхамович Кашапов k.i.i.08@yandex.ru Ольга Дмитриевна Морозова olka30.olka30@mail.ru <p>Методы проверки ответов обучающихся с использованием языковых моделей в настоящее время исследуются разными специалистами. Результаты автоматизированного оценивания зависят от предметной области и особенностей учебной дисциплины. В работе проанализированы ответы студентов, полученные в ходе изучения курса «Компьютерная графика и дизайн». При помощи языковых моделей определены векторы документов. Предложен метод оценивания ответов через нахождение косинусного сходства полученных векторов и уточнение оценок проверкой ключевых слов. Результаты могут использоваться при предварительной проверке ответов студентов и являются базой для дальнейших исследований.&nbsp;</p> 2024-07-11T00:00:00+03:00 Copyright (c) 2024 Чулпан Бакиевна Миннегалиева, Ильнур Илхамович Кашапов, Ольга Дмитриевна Морозова https://rdl-journal.ru/article/view/841 Анализ моделей машинного обучения на основе методов объяснимого искусственного интеллекта в образовательной аналитике 2024-07-09T14:34:16+03:00 Дмитрий Артурович Минуллин minullin.dima@mail.ru Фаиль Мубаракович Гафаров fgafarov@yandex.ru <p>Проблема прогнозирования досрочного отчисления студентов российских вузов является актуальной, поэтому требуется разработка новых инновационных подходов для её решения. Для решения данной проблемы возможна разработка предиктивных систем на основе использования данных о студентах, имеющихся в информационных системах вузов. В настоящей работе исследованы модели машинного обучения для прогнозирования досрочного отчисления студентов, обученные на основе данных о характеристиках и успеваемости студентов. Основная научная новизна работы заключается в использовании методов объяснимого ИИ для интерпретации и объяснения функционирования обученных моделей машинного обучения. Методы объяснимого искусственного интеллекта позволяют понять, какие из входных признаков (характеристик студента) оказывают наибольшее влияние на результаты прогнозов обученных моделей, а также могут помочь понять, почему модели принимают те или иные решения. Полученные результаты расширяют понимание влияния различных факторов на досрочное отчисление студентов.</p> 2024-07-11T00:00:00+03:00 Copyright (c) 2024 Дмитрий Артурович Минуллин, Фаиль Мубаракович Гафаров https://rdl-journal.ru/article/view/842 Исследование когнитивной функции при генерации эллиптических предложений в планиметрических задачах 2024-07-09T14:48:46+03:00 Владимир Андреевич Пархоменко vladimir.parkhomenko@spbstu.ru Ксения Александровна Найденова ksennaidd@gmail.com Татьяна Александровна Мартирова martta462@yandex.ru Александр Валентинович Щукин alexander.schukin@spbstu.ru <p>Работа посвящена изучению когнитивной функции, связанной с генерацией эллиптических предложений в русском языке. Исследование проводилось на основе тестирования этой когнитивной способности с помощью компьютерной системы, специально разработанной авторами для этой цели. Тестирование этой когнитивной способности предложено и реализовано впервые. Система является расширением Moodle и открыто размещена в репозитории github. Эллиптические конструкции ограничиваются глагольными и именными эллипсисами, которые теоретически возможно полностью восстановить на основе контекста предложения. Исследование проводилось с участием в качестве респондентов студентов СПбПУ. В качестве предметной области были выбраны тексты планиметрических задач. В результате анализа данных тестирования получены следующие результаты: установлено влияние знаний респондента предметной области (планиметрии) на результаты тестирования; обнаружена тенденция к самообучению респондентов, что проявляется в сокращении времени и увеличении баллов по мере прохождения тестов; показано, что респонденты слабо мотивированы, если не видят отзыв на ответ по выполненному заданию.</p> <p>Обсуждены проблемы дальнейшего развития системы тестирования и её применения при адаптации опросников (заданий) для оценки знаний студентов СПбПУ в области автоматизации обнаружения ошибок в программах, а также диагностики функционального состояния специалистов операторского профиля и экспресс-диагностики деменции. Перспективным представляется также применение системы для совершенствования процессов синтаксического разбора эллиптических предложений и автоматизации восстановления эллипсисов в предметной области планиметрии.</p> 2024-07-11T00:00:00+03:00 Copyright (c) 2024 Владимир Андреевич Пархоменко, Ксения Александровна Найденова, Татьяна Александровна Мартирова, Александр Валентинович Щукин https://rdl-journal.ru/article/view/843 Система автоматизации численной оценки сходства Android-приложений 2024-07-09T14:59:11+03:00 Валерий Владимирович Петров valeryvpetrov.itis@gmail.com <p>Работа посвящена проектированию и разработке системы автоматизации численной оценки сходства Android-приложений. Задача оценки сходства приложений сведена к оценке сходства множеств графов потока управления, построенных на основе кода из classes.dex файлов приложений. Значение сходства вычислено на основе матрицы сходства. Для сравнения графов потока управления использованы алгоритмы редактирования графов и расстояние Левенштейна. Сформулированы критерии сходства приложений и исследованы формы их представления. Представлены виды моделей Android-приложений и методы их построения. Разработан прототип системы автоматизации численной оценки сходства Android-приложений. С помощью инструментов параллельного программирования выполнена оптимизация программного решения. Проведены эксперименты и сделан вывод о способности разработанной системы выявлять сходства между Android-приложениями.</p> 2024-07-11T00:00:00+03:00 Copyright (c) 2024 Валерий Владимирович Петров https://rdl-journal.ru/article/view/844 Классификация изображений с помощью сверточных нейронных сетей 2024-07-09T15:07:28+03:00 Сергей Алексеевич Филиппов woppilif@icloud.com <p>Для классификации изображений в настоящее время можно применить множество различных инструментов, каждый из которых направлен на решение определенного спектра задач. В статье проведен краткий обзор библиотек и технологий для классификации изображений. Построена архитектура простой свёрточной нейронной сети для классификации изображений.</p> <p>Были проведены эксперименты по распознаванию изображений с такими популярными нейронными сетями, как VGG16 и ResNet 50. Обе нейронные сети показали хорошие результаты. Однако ResNet 50 переобучилась из-за того, что в наборе данных присутствовали однотипные изображения для обучения, поскольку в данной нейронной сети больше слоев, позволяющих считывать признаки объектов на изображениях. С обученными моделями был проведен сравнительный анализ по распознаванию изображений, специально подготовленных для этого эксперимента.</p> <p>Для классификации изображений в настоящее время можно применить множество различных инструментов, каждый из которых направлен на решение определенного спектра задач. В статье проведен краткий обзор библиотек и технологий для классификации изображений. Построена архитектура простой свёрточной нейронной сети для классификации изображений.</p> <p>Были проведены эксперименты по распознаванию изображений с такими популярными нейронными сетями, как VGG16 и ResNet 50. Обе нейронные сети показали хорошие результаты. Однако ResNet 50 переобучилась из-за того, что в наборе данных присутствовали однотипные изображения для обучения, поскольку в данной нейронной сети больше слоев, позволяющих считывать признаки объектов на изображениях. С обученными моделями был проведен сравнительный анализ по распознаванию изображений, специально подготовленных для этого эксперимента.</p> 2024-07-11T00:00:00+03:00 Copyright (c) 2024 Сергей Алексеевич Филиппов https://rdl-journal.ru/article/view/845 Многомерная геометрия на факультативных занятиях со школьниками и студентами младших курсов 2024-07-09T15:16:07+03:00 Вадим Васильевич Шурыгин Vadim.Shurygin@kpfu.ru Вадим Вадимович Шурыгин 1Vadim.Shurygin@kpfu.ru <p>Рассмотрены некоторые подходы к преподаванию многомерной геометрии на факультативных занятиях, направленные на развитие у школьников и студентов многомерной геометрической интуиции. Особое внимание уделено использованию групп преобразований при исследовании геометрии правильных многогранников.</p> 2024-07-11T00:00:00+03:00 Copyright (c) 2024 Вадим Васильевич Шурыгин, Вадим Вадимович Шурыгин