IX Международная студенческая научная конференция Студенческий научный форум - 2017

Информационные технологии, стремительно врывающиеся в различные сферы нашей жизни, претендуют на серьёзную роль даже в самой, казалось бы, субъективной области – оценке личностных компетенций человека.

Компетентность есть качество человека, и она должна быть в каких-то аспектах тесно связана с личностями, а в других аспектах быть их общим качеством как профессионалов. Поэтому целесообразно классифицировать компетенции по этому признаку и обозначить их метакомптенциями в соответствии с более высоким уровнем иерархии [1]. Приставка в данном случае удачно подходит, поскольку префикс мета представляет собой три направления: 1) предпосылкой мета . 2) демонстрирует, что X меняется и является общим названием этого изменения. 3) применяется в качестве названия того, что выше в том смысле, что оно более высоко организовано.

Исследуя возможности количественной оценки , проведём анализ моделей их поведения в социальных сетях.

По данным статистики 2016 года, наиболее популярными у школьников стали такие , как и . Поэтому эти социальные сети и станут источниками извлечения значимых данных для анализа и оценки их . Отметим, что отображает одну из черт личности субъекта ( или ) и соответственно выше каждой из составляющих ее компетенций. Отдельный тип определяется большим числом индикаторов. – это набор родственных поведенческих , которые объединяются в один или более блоков в зависимости от смыслового объема [1] .

Так в обучающей среде можно организовать тестирование учащихся с целью получения оценок всех индикаторов каждого из типов метакомпетентности. Например, коммуникативную составляющую метапредметной компетенции определяют способности к сотрудничеству, выполнению определенных ролевых функций, представлению результатов своей деятельности, то есть коммуникативные универсальные учебные действия обеспечивают социальную компетентность ребёнка. Познавательную компетенцию характеризуют внимание, память, восприятие, мышление [2].

В процессе анализа социальных сетей целесообразно ознакомиться с рядом числовых и нечисловых характеристик, отношений и множеств, естественным образом связанных с пользователями сети и сообщениями, циркулирующими в ней. Важно отметить то обстоятельство, что все они могут быть вычислены или построены при помощи соответствующих алгоритмов и при наличии программного обеспечения, позволяющего извлекать необходимую информацию из сети. Анализируя процессы, происходящие в коллективах людей, отметим трехместные отношения предпочтения. Критерии предпочтительности могут быть различными: коммуникабельность; психологическая устойчивость; отношения симпатии, субординации; интимные отношения и т. д. На основе таких отношений складывается неформальная структура коллектива.

Нарушение транзитивности, как правило, свидетельствует о неустойчивости коллектива. Незначительное нарушение обычно всегда присутствует [5-9]. Более того, в большом коллективе постоянно образуются и распадаются малозначимые связи.

Обычно из социальных сетей извлекают анкетные данные пользователя, информацию о его социальных связях и круге ближайших друзей, векторе интересов, образовании и месте работы, а также специфическую информацию об активности пользователя в социальной сети (число постов, альбомов, стандартное время посещения сети). Методы извлечения контента из социальных сетей известны. Доступен ряд соответствующих программных продуктов, из которых наиболее известны [3] и [4].

Описывая данные и алгоритм, введем обозначения: члены группы (коллектива) и индивидуальная анкета. Индивидуальная анкета представляет собой булеву (содержащую только нули и единицы) антисимметричную матрицу с нулями на главной диагонали.

Совокупность таких анкет образует входное множество данных. Каждой индивидуальной анкете соответствует ориентированный граф. Матрица индивидуальной анкетыявляется для ориентированного графаматрицей смежности. Результирующая матрица вводится по определённому правилу, которое отражает «суммарное мнение» одного члена группы о другом члене группы. Такое «суммарное мнение» можноназвать самооценкой.

Далее выявляется мнение одного члена группы о коллективе в целом и суммарное мнение всего коллектива о данном члене, что называется рейтингом члена группы.

Предложенные модели, методы и алгоритмы, обеспечивающие оценку метакомпетенций учащихся, реализуемы в рамках программной системы, содержащей модули извлечения информации из социальных сетей, обработки, анализа и визуализации данных.

Модуль извлечения данных имеет возможность извлекать данные, в первую очередь, из крупнейших социальных сетей: Twitter, Facebook, Vk, Odnoklassniki, Linkedin. Этот модуль имеет возможность функционального расширения практически на любую социальную сеть, в зависимости от предоставляемого API. В модуле построения графовых структур имеется возможность для построения графов, отражающих связи пользователей. При этом могут использоваться данные как исходные, так и полученные в результате анализа. Модуль визуализации данных дает возможность на основе извлеченных данных строить графики зависимостей между различными показателями.

Список литературы

1. ГаврилинаЕ.А.,ЗахаровМ.А.КарпенкоА.П.Количественнаяоценка метакомпетенцийучащихсянаосновеметодовмашинногообучения// Наукаиобразование:электронноенаучно-техническоеиздание.–URL: http://technomag.bmstu.ru/doc/764221.html

2. Пурышева Н.С., Ромашкина Н.В., Крысанова О.А. О метапредметности, методологии и других универсалиях // Вестник Нижегородского университета им. Н.И. Лобачевского. – 2012. №1. – С. 11-17.

3. SOCIOHUB.RU. – URL: http://www.sociohub.ru/

4. Якушев А.В., Дейкстра Л.Й., Митягин С.А. Распределенный краулер для социальных сетей на основе модели Map/Reduce // Информационно-измерительные и управляющие системы. – 2012. №11. – С. 47-53.

5. Батура Т. В. Методы анализа компьютерных социальных сетей // Вестн. Новосиб. гос. ун-та. Серия: Информационные технологии. 2012. Т. 10, вып. 4. С. 13–28.

6. Бершадская Е.Г., Евстифеев Д.С. Оценка возможностей управления работой переводческого бюро с помощью электронных технологий // Международный студенческий научный вестник. 2015. –№ 3-2. –С. 264-265.

7. Артюшина Е.А., Бершадская Е.Г. Реляционное хранилище данных для внутривузовской системы обеспечения качества подготовки специалистов // XXI век: итоги прошлого и проблемы настоящего плюс. 2013. – № 10 (14). – С. 184-189.

8. Kachurina P., Vidiasova L.B., Trutnev D., Buccafurri F., Bershadskaya E. Biometric identification in ehealthcare: learning from the cases of Russia and Italy // Lecture Notes in Computer Science. 2015. Т. 9265. С. 103-116.

9. Бершадская Е.Г., Бурукина И.П., Акимов А.А. Информационная система поддержки учебной и научной деятельности кафедры // Современные информационные технологии. 2012. –№ 15. –С. 98-101.

Код для цитирования: Скопировать