Рус Eng Cn Перевести страницу на:  
Please select your language to translate the article


You can just close the window to don't translate
Библиотека
ваш профиль

Вернуться к содержанию

Педагогика и просвещение
Правильная ссылка на статью:

Преодоление когнитивной перегрузки учащихся посредством проектирования и разработки структуры системы электронного обучения

Брагина Елена Владимировна

научный консультант, дизайнер образовательных сред

199034, Россия, г. Cанкт-Петербург, ул. Набережная Макарова, 6

Bragina Elena Vladimirovna

Scientific Adviser, Designer of Learning Environments

199034, Russia, St. Petersburg, ul. Embankment Makarova, 6

nedoeduru@yandex.ru
Другие публикации этого автора
 

 

DOI:

10.7256/2454-0676.2023.3.43504

EDN:

SBVKHF

Дата направления статьи в редакцию:

30-06-2023


Дата публикации:

07-07-2023


Аннотация: Внедрение и расширение использования систем электронного обучения (СЭО) в системе высшего образования сделало образовательные ресурсы вузов более доступными, интерактивными и эффективными для учащихся. Рост числа пользователей и объема данных в системе приводит к возникновению ряда технических и педагогических проблем. К их числу относятся недостаточная ориентация на познание и отсутствие адекватной потребностям учащихся педагогической поддержки. Это приводит к росту когнитивной нагрузки и усилению зависимости успеха обучения от внешней мотивации учащихся. В статье представлены отдельные результаты исследования проблемы разработки педагогической модели для расширения контекста обучения взрослых учащихся в системе высшего образования, проводимой автором в 2021-2023 годах. Цель статьи – обоснование теоретических и практических аспектов модели в части проектирования и разработки структуры СЭО. Автором проведен критический анализ литературы по проблеме применения ИКТ для улучшения услуг электронного обучения. Систематизированы современные системы электронного обучения, элементы их архитектуры, и проблемы использования в целях улучшения электронного обучения. Проанализирована роль когнитивных схем и карт знаний в проектировании и разработке СЭО. Разработаны требования к СЭО, основанной на картировании знаний, и основные элементы ее структуры. Использование результатов данного исследования в процессе проектирования и разработки СЭО позволит снизить когнитивную нагрузку учащихся и число отказов от прохождения курса, а также повысить уровень удовлетворенности электронным обучением.


Ключевые слова:

самообучение, электронное обучение, онлайн-курс, разработка, система, структура, познание, когнитивная схема, визуализация, карта знаний

Abstract: The introduction and expansion of the use of e-learning systems (ELS) in the higher education system has made the educational resources of universities more accessible, interactive and effective for students. The growth in the number of users and the amount of data in the system leads to a number of technical and pedagogical problems. These include insufficient orientation to cognition and the lack of adequate pedagogical support for the needs of students. This leads to an increase in cognitive load and an increase in the dependence of learning success on the external motivation of students. The article presents some results of the study of the problem of developing a pedagogical model to expand the context of adult education in the higher education system, conducted by the author in 2021-2023. The purpose of the article is to substantiate the theoretical and practical aspects of the model in terms of design and development of the ELS structure. The author conducted a critical analysis of the literature on the problem of using ICT to improve e-learning services. Modern e-learning systems, elements of their architecture, and problems of use in order to improve e-learning are systematized. The role of cognitive schemas and knowledge maps in the design and development of ELS is analyzed. The requirements for ELS based on knowledge mapping and the main elements of its structure have been developed. Using the results of this study in the process of designing and developing ELS will reduce the cognitive load of students and the number of refusals from the course, as well as increase the level of satisfaction with e-learning.


Keywords:

self-study, e-learning, online-course, design, system, structure, cognition, schema, visualization, knowledge map

1. Введение

В педагогическом контексте современный период называют “переходом от офлайн-обучения к онлайн-обучению” [2, с. 60]. Быстрое развитие систем электронного обучения (далее – СЭО) в последние 20 лет радикально изменило способ представления и доставки учебных ресурсов учащимся "вне пространства и времени", обеспечив большую доступность, адаптивность и эффективность образовательных ресурсов.

Электронное обучение определяется в педагогической литературе как использование информационных и коммуникационных технологий для повышения качества обучения за счет обеспечения доступа к ресурсам и услугам, а также удаленного обмена и сотрудничества с использованием сетей интерактивной диалоговой связи [1; 10]. Электронное обучение таким образом обеспечивает гибкий подход к обучению и рассматривается как образовательный процесс, позволяющий передавать знания и навыки большому количеству получателей в разное время и в разных местах. Массовые открытые онлайн-курсы (MООК), СЭО, разработанные различными учебными учреждениями, сайты социальных сетей, форумы и другие передовые технические платформы и онлайн-платформы превращают электронное обучение из компьютерного в интерактивное [19]. Сегодня у каждого крупного вуза есть портал электронного обучения для своих студентов и преподавателей. Основной целью внедрения электронного обучения в образовательный процесс является повышение адаптивности, продуктивности и эффективности очного обучения.

Несмотря на то, что проблема электронного обучения получила широкую известность, став предметом острого научного дискурса, полноценно изучены далеко не все ее аспекты [30; 34]. Развитие СЭО и образовательных технологий в последние 10 лет сместило внимание исследователей на проблемы самостоятельного обучения. К числу нерешенных проблем относится проектирование и разработка СЭО, соответствующих потребностям учащихся и уровню развития технологий. Многими исследователями отмечается невозможность использования в электронном обучении традиционных педагогических решений и механистических переносов оффлайн-методов в электронное обучение [2; 4; 5; 6; 7]. Как отмечает Ф.Л. Грейцер, подобно традиционному обучению в классе, электронное обучение в значительной степени основано на бихевиористских парадигмах компьютерного обучения, поэтому, как правило, отражают философию пассивного обучения [18, с. 2065]. Кроме того, по мере роста числа учащихся и объема данных снижается качество услуг электронного обучения и растет когнитивная нагрузка в системах [24]. Точная настройка и персонализация знаний или услуг в СЭО должны предоставляться каждому отдельному учащемуся соответствующим его потребностям образом. Однако задача построения хорошо организованной, когнитивно эффективной и одновременно оказывающей адекватную поддержку учащихся СЭО до сих пор остается нерешенной [13; 24; 26; 33; 35]. Несмотря на то, что много исследований было посвящено повышению когнитивной эффективности электронного обучения, мало что известно о разработке СЭО, отвечающей как компьютерной презентации, так и когнитивным потребностям пользователя.

В этой статье представлены отдельные результаты исследования проблемы разработки разработки педагогической модели для расширения контекста обучения взрослых учащихся в системе высшего образования, проводимой автором в 2021-2023 годах. Цель статьи — обоснование отдельных теоретических и практических аспектов модели в части проектирования и разработки структуры СЭО. К числу задач, поставленных автором относится анализ современных систем электронного обучения с точки зрения их видов, функций, архитектуры и проблем. Для этого, а также для разработки отдельных элементов структуры СЭО, был проведен систематический обзор литературы. Мы провели поиск в трех базах данных, включая PsycINFO, Google Scholar и e-library. Наш поиск не ограничивался областью образования, поскольку теория СЭО, когнитивной нагрузки и когнитивных схем обсуждалась в нескольких областях, в том числе таких как психология и социальные науки. Ключевые слова для поиска включали «электронное образование», «система электронного обучения», «схема», «подход, основанный на схеме», «обучение на основе схемы» и «учебный дизайн на основе схемы», «карта знаний», «обучение на основе карты знаний». Первоначальный поиск позволил выявить 3784 исследования на русском и английском языках. Мы исключили дубликаты, чтобы включить только самые последние версии исследований, материалы конференций. Затем мы исключили исследования, которые не были опубликованы в академических изданиях, таких как журналы или газеты. В результате чего была сформирована источниковая база из 318 исследований. Библиография данной статьи, в связи с объективно существующими ограничениями к списку источников и литературы, предъявляемыми журналом, состоит из 39 наиболее релевантных источников.

2. Результаты исследования

2.1. Основные системы электронного обучения

Системы электронного обучения облегчают планирование, управление и доставку контента для электронного обучения. Основываясь на целевых пользователях и стоимости, классифицировать существующие системы электронного обучения можно на два основных вида: платформы массовых открытых онлайн-курсов (MOOК) и системы управления обучением (LMS).

МООК — это онлайн-курсы, открытые для неограниченного числа участников, которые предлагаются многими университетами и учреждениями в Интернете. Термин был впервые использован в 2008 году канадскими исследователями Дэйвом Кормье и Брайаном Александром [16]. Осенью 2011 года Стэнфордский университет предложил первый курс МООК, который изначально зарегистрировали более 160 000 слушателей со всего мира, а в итоге его прошли около 20 000 из них. Затем три значимых МООК на платформе Udacity.

Существует два вида МООК, основанных на разных теориях обучения: cMOOК (коннективистские МООК) и xMOOК (расширенные МООК). В настоящее время самыми популярными и влиятельными поставщиками МООК являются Coursera, edX и Udacity.

LMS — это системы электронного обучения для размещения, назначения, управления, составления отчетов и оценки курсов электронного обучения. Многие высшие учебные заведения России используют LMS в качестве важнейших образовательных инструментов [5] для поддержки управления курсами и улучшения взаимодействия между учащимися, учителями и информационными ресурсами, а также для выявления пробелов в обучении, реализуя широкий спектр педагогических методов для продвижения образовательного процесса.

2.2. Архитектура современных систем электронного обучения

Для создания и повышения эффективности систем электронного обучения использовались многие традиционные фреймворки. Один из них основан на сервис-ориентированных архитектурах (service-oriented architecture, SOA) [10], которые позволяют легко расширять образовательные и функциональные возможности системы за счет динамического добавления сервисов. Архитектура обеспечивает, во-первых, независимость систем электронного обучения, мобильных приложений и внешних приложений, а также обеспечивает надежный обмен данными и взаимодействие между ними, и, во-вторых, возможность инновационной объектно-ориентированной архитектуры для реализации систем электронного обучения на единой программной платформе для удовлетворения требований различных сценариев электронного обучения. Абстрактные объекты данных (от англ. ActiveX Data Objects — «объекты данных ActiveX»), инкапсулирующие частную память вместе с некоторыми методами, широко используются в качестве основных компонентов функциональных объектов, таких как курсы, объявления, учебный план и т.д. Эта архитектура является в высшей степени модульной, так как документы и объекты могут создаваться независимо, а также повторно использоваться с помощью гибкого механизма вложенности или сдерживания [11].

Доступность высокоскоростных сетей, недорогих компьютеров и устройств хранения данных привела к значительному прогрессу в технологии облачных вычислений, которая представляет собой использование по запросу сети удаленных серверов, размещенных в Интернете, для хранения, управления, и обрабатывать данные, а не на одном или нескольких локальных серверах. Вычислительные ресурсы делает более доступными и общими облачная платформа, которая собирает разнородные и распределенные устройства в общий пул [26].

Общая структура СЭО представлена в работе Liu M. и Yu D [26] (см. рис. 1), которая состоит из трех логических уровней, способствующих повышению эффективности преподавания и обучения:

1) уровень представления данных;

2) уровень системы электронного обучения;

3) уровень базы данных.

2.2.1. Уровень представления

Уровень представления фокусируется на взаимодействии человека с компьютером, предоставляя конечным пользователям доступный пользовательский интерфейс и обучающие ресурсы. Данный уровень направлен на повышение удобства использования, доступности, надежности и удобства использования обучающих экосистем. Следовательно, необходимо использовать надлежащие интерфейсные методы, такие как HTML, XHTML, CSS и JavaScript, для поддержки мобильного обучения, в котором представленные страницы могут правильно отображаться в браузере, чтобы соответствовать требованиям совместимости устройств.

Рис. 1. Общая структура систем электронного обучения

Источник: [26]

2.2.2. Уровень системы электронного обучения

Уровень системы электронного обучения нацелен на синтез образовательных ресурсов с помощью различных функций, таких как зачисление на курс и управление им, профиль пользователя и действия, оценка и обратная связь преподавания или обучения, общение с пользователем или сотрудничество и так далее. Это также может быть интеграция связанных компонентов, которые поддерживают учебную модель или модель обучения [27]. Для большинства МООК и LMS этот уровень играет важную роль между уровнем представления и уровнем базы данных, а также является платформой для преподавания и обучения, которая позволяет каждому учащемуся гибко получать доступ к определенным образовательным ресурсам.

2.2.3. Уровень базы данных

На уровне базы данных размещаются данные, созданные с помощью систем электронного обучения. Здесь данные об обучении собираются, хранятся и используются. Из-за индивидуальных различий сбор массивных данных и сохранение разнообразия и динамических характеристик очень важны. Кроме того, все собранные данные необходимо хранить до момента их использования. Обычно существующие решения для хранения электронного обучения в основном полагаются на реляционную базу данных, такую как Mysql и Oracle. Базой данных Moodle обычно является MySQL или Postgres, а также может быть Microsoft SQL Server или Oracle. Sakai и Blackboard также можно развернуть в среде SQL или Oracle.

Кроме того, базы данных NoSQL все чаще используются для больших наборов распределенных данных благодаря гибкой и масштабируемой архитектуре. Так, MongoDB выбран Open edX для хранения больших файлов, таких как текстовые файлы, PDF-файлы, аудио/видеоклипы и т. д.

2.3. Основные проблемы развития систем электронного обучения

Несмотря на преимущества, которые предлагает электронное обучение, все еще существуют ряд педагогических и технических проблем, которые необходимо решить [13; 24; 26; 33; 35]. Одна из главных проблем состоит в том, что в образовательном взаимодействии в значительной степени доминируют “традиционные” модели, контролируемые преподавателем, которые оставляют самостоятельным студентам мало возможностей для интеграции своих личных интересов и знаний в процесс обучения [35]. Наиболее важным структурирующим ресурсом для электронного обучения по-прежнему остаются различные учебные (электронные) пособия. Проблема заключается не в самих учебных материалах, а в той роли, которую приобретает текст в обучении; от учащихся онлайн-курсов при проверке знаний путем тестирования часто требуется воспроизводить содержание лекций в той или иной форме [33] вместо того, чтобы использовать это содержание для осмысления. С другой стороны, из-за невозможности адекватной информационной и педагогической поддержки, успешность обучения в СЭО в значительной степени зависит от укрепления внешней мотивации учащихся, что и закрепляется системой оценивания на курсе. У учащихся зачастую складывается искаженное представление об «обучении»: значительное число студентов рассматривают обучение как синоним подготовки к экзаменам [21; 22]. Обучение некоторым практическим навыкам и вовсе невозможно проводить в СЭО, так что учащиеся не могут полностью понять и усвоить отдельные элементы содержания курса [13].

Как справедливо отмечают некоторые исследователи, современные СЭО в массе своей ориентированы на ресурсы, а не на познавательный процесс [24; 33] и сосредоточены на организации ресурсов знаний [26], а не на обнаружении скрытых объектов обучения, которые требуются учащимся. В связи со стремительным ростом ресурсов электронного обучения учащиеся все чаще страдают от когнитивной перегрузки и воспринимают пробелы в обучении как непреодолимую проблему [36; 38]. Одной из основных проблем СЭО, таких как МООК и LMS, является использование новых педагогических и когнитивных подходов для достижения эффективной передачи и доставки ресурсов СЭО [18]. Высокая когнитивная нагрузка приводит к тому, что учащиеся усваивают содержание курса в незначительной степени [4; 20]. Однако большая часть проанализированной нами литературы по электронному обучению сосредоточена именно на показателях удержания или качестве контента. Чтобы решить проблемы, связанные с особенностями электронного обучения, проектирование и разработка СЭО должны быть сосредоточены на человеческом познании, вовлеченности, потоке и мотивации для продвижения преимуществ, связанных с обучением, таких как самоконтроль и чувство достижения [20; 22; 39].

2.4. Теория когнитивной нагрузки в электронном обучении

Существуют три основных вопроса исследований, касающихся теории когнитивной нагрузки и СЭО [19]: 1) как в СЭО снизить нагрузку на рабочую память; 2) как с помощью проектирования и разработки СЭО стимулировать закрепление новой информации в когнитивных схемах в долговременной памяти; 3) как измерить когнитивную нагрузку для целей проектирования и разработки СЭО. Теория когнитивной нагрузки [24] эффективно справляется с ограничениями, вызванными рабочей памятью, создавая инструкции, которые снижают внутреннюю, внешнюю и уместную (основанную на консолидации информации) когнитивную нагрузку на рабочую память [14; 29]. При этом, цель исследователей в области теории когнитивной нагрузки и СЭО состоит в том, чтобы разработать методы управления когнитивной нагрузкой, вызванной учебной задачей, с целью повышения успешности электронного обучения. Эффективная среда электронного обучения может относительно просто интегрировать большинство принципов теории когнитивной нагрузки [21], обеспечив многозадачность и нелинейную организацию информации. Для этого электронные СЭО должны быть разработаны таким образом, “чтобы охватывать основные компоненты, связанные со схемой, включая иерархизацию схемы, построение схемы, автоматизацию схемы, активацию схемы и/или взаимодействие со схемой” [22, с. 271]. Процесс проектирования и разработки СЭО на основе когнитивных схем, предложенные И. Джаном и соавторами в недавнем метаобзоре литературы, представлены на рисунке 2.

Рис. 2. Общая основа для проектирования систем электронного обучения

Источник: [22]

Схема — это когнитивная структура, которая помогает организовывать и обрабатывать поступающую информацию [9]. Схема позволяет человеку отличить ключевые особенности объекта от другой несущественной информации; то есть предшествующие знания и убеждения учащегося играют ключевую роль в построении более сложных когнитивных структур. Вновь полученная информация объединяется с существующими и легкодоступными знаниями в процессе построения схемы. Учащиеся разрабатывают свою схему, включая элементы из низкоуровневых схем в схемы более высокого уровня [8]. Теория когнитивных схем утверждает, что предварительные знания учащихся помогают им осуществлять углубленную когнитивную обработку [37]. Теоретически, использование принципов когнитивных схем может помочь учащимся создавать, автоматизировать, уточнять и модифицировать схемы, тем самым создавая желаемый процесс обучения, применимый во всех областях и контекстах.

Другой подход, призванный снизить когнитивную нагрузку на рабочую память учащихся, заключается в том, чтобы позволить им учиться на множестве примеров [13]. “Когда учащиеся разрабатывают последовательную и хорошо структурированную схему посредством изучения многочисленных примеров, они могут преодолеть когнитивный диссонанс, вызванный новой информации” [14, с. 1180]. Хорошо развитая схема, созданная на основе ознакомления с многочисленными примерами, обширной практики и учебной поддержки, позволяет учащемуся в будущем использовать минимальную рабочую память.

Обучение с использованием визуализированных структур также способствует разгрузке рабочей памяти и разработке учащимся когнитивной схемы в отношении концепции. Было признано [14; 15], что визуальные структуры объектов помогают учащимся обращать внимание на ключевые особенности объектов, о которых они узнают. Визуальные структуры в сочетании с подсказками или дополнительными действиями учащихся еще более эффективны с точки зрения приобретения знаний. В этой связи карты знаний (далее – КЗ), как инструмент их визуализации, используются для отображения взаимосвязей между источниками обучения и знаниями [6]. Они представляют собой представления с узловыми связями, в которых идеи расположены в узлах и связаны с другими, родственными идеями посредством серии помеченных ссылок [17]. КЗ имеют преимущество, когда дело доходит до упрощения реляционной сложности, и их можно рассматривать как важную когнитивную стратегию и ресурс для творчества, решения проблем [32]. Кроме того, карты полезны для усвоения знаний: с помощью карты знаний учащийся распознает важные моменты знаний и взаимосвязи между ними, а также систематизировать знания. Поэтому они широко используются для решения широкого спектра проблем в образовании и дизайне образовательных сред.

С развитием визуальных компьютерных систем важность и сложность визуализации знаний для проектирования СЭО возрастают. Электронные учебные материалы, основанные на КЗ, могут помочь учащимся понять различные взаимосвязи и структуры знаний, улучшить успеваемость и отношение к обучению [7]. На рисунке 2 мы видим, что картирование знаний является этапом анализа в общем процессе проектирования СЭО на основе схем. КЗ здесь — навигационный инструмент, показывающий “поток” знаний и направляющий процесс обучения [17]. Это может помочь учащимся сконцентрироваться на процессе обучения и преобразовать неявные знания в явные [31].

Здесь следует отметить, что количество образовательных ресурсов, доступных в Интернете, резко растет, однако, рост ресурсов не предполагает автоматического роста знаний учащихся. Причину этого можно резюмировать в виде трех проблем многих электронных систем, которые соотносятся с их архитектурой: 1) проблема приобретения знаний; 2) проблема представления знаний и 3) проблема управления ресурсами знаний. Таким образом, продолжая в этом разделе анализ проблем современных СЭО, следует указать, что современные СЭО в основном ориентированы на организацию ресурсов знаний, а не на обнаружение “скрытых от их глаз объектов обучения”, которые востребованы учащимися. Современные СЭО в основном обобщают знания в рамках детализации ресурсов [13], представляют знания в иерархической структуре или онтологии. Эту проблему можно проиллюстрировать на примере поиска в Google Scholar и Wikipedia, которые используются для целей самостоятельного электронного обучения, в том числе для для поиска академических публикаций. Google Scholar предоставляет пользователям ссылки на публикации в соответствии с их релевантностью введенным ключевым словам. Ассоциации публикаций представлены с помощью функций «группа» и «цитируется». Чтобы определить, что им действительно нужно, пользователям часто приходится просматривать список один за другим, что, несомненно, отнимает много времени. Wikipedia — это онлайн-энциклопедия, состоящая из статей, организованных по иерархическим категориям; связанные статьи связаны или имеют перекрестные ссылки с помощью выделенного текста. Его организационная идея основана на таксономических категориях знаний, а не на когнитивном режиме обучения. Кроме того, «статья» — это единственная доступная детализация, поэтому, когда учащимся нужно только изучить отдельную информацию в статье, такую как определение или алгоритм, часто требуется дальнейший ручной поиск. При решении проблемы организации ресурсов в электронном обучении необходимо ответить на следующие вопросы: как получать знания из ресурсов без ручного поиска внутри ресурса с учетом степени детализации знаний, доступной учащимся? как представлять знания таким образом, чтобы уменьшить когнитивную перегрузку с учетом ассоциаций учащихся? как получить доступ и эффективно управлять ресурсами знаний? Поскольку «ресурсы» слишком велики, а «концепции» слишком малы, чтобы удовлетворить когнитивные потребности учащихся, необходимо, предложить более релевантную детализацию знаний.

2.5. На пути к эффективности: преодоление когнитивной перегрузки посредством проектирования и разработки структуры СЭО

Для преодоления проблемы ресурсо-ориентированного подхода к проектированию и разработке СЭО необходимо разработать основу представления знаний в СЭО, включающую иерархическую схему и онтологию.

Как мы указали выше, иерархическая схема широко применяется к ресурсам электронного обучения, но контур не удовлетворяет когнитивным потребностям учащихся, поскольку они неспособны создавать ассоциации внутри знаний. В web2.0 вводится онтология для представления знаний посредством понятий и их отношений [3], что согласуется с когнитивным паттерном учащихся. Однако основным недостатком онтологии является то, что понятия в онтологии не являются прямой потребностью учащихся, поскольку она не может предоставить никакой подробной информации. Кроме того, большинство традиционных систем управления ресурсами знаний основаны на платформе Java в режиме клиент-сервер, что делает ее неприменимой для крупномасштабных систем онлайн-обучения.

В основу проектирования СЭО можно положить основанный на онтологиях способ организации ресурсов и навигацию на основе единиц знаний и карт знаний. Изучив ключевые технологии в СЭО, представленные в проанализированной нами базе источников, можно утверждать о необходимости разработки:

● инструментария для отображения расширенной карты знаний;

● методов извлечения единиц знаний;

● установить ассоциации единиц знаний;

● методов слияния карт знаний;

● разработать инфраструктуру облачной платформы для электронного обучения.

В этой статье мы сосредоточимся на том, как знания могут эффективно приобретаться и представляться в СЭО, основанной на картах знаний, структура которой проектируется автором в данный момент.

2.5.1 Фреймворк

Вместо того, чтобы предоставлять традиционную иерархическую схему контента в СЭО мы предлагаем использовать КЗ для облегчения навигации (на рисунке 3 представлен фреймворк СЭО). В отличие от статического контура содержания, СЭО может направлять учащихся через неотъемлемые связи знаний как на уровне концепции, так и на уровне единиц знаний. Чтобы обеспечить взаимодействие с СЭО, необходимо разрешить учащимся загружать ресурсы для совместного создания КЗ. Если созданные учащимися локальные карты знаний пройдут проверку администраторами, эти КЗ могут быть объединены в глобальную карту знаний.

Рис. 3. Фреймворк СЭО

2.5.2. Презентация знаний

В разрабатываемой СЭО карты знаний будут применяться для представления знаний, которые обеспечивают учащимся многоуровневую навигацию и совместное взаимодействие. Для удовлетворения этих требований разрабатываются соответствующие приложения:

• навигация по карте знаний: это приложение предоставляет учащимся интерфейс на основе КЗ, который позволяет им перемещаться по внутренним ассоциациям знаний предметной области и точно определять свою цель обучения с помощью трехэтапного подхода «Концепция» - «Единица знаний» - «Ресурс»;

• совместное построение карт знаний: глобальные КЗ можно обогатить, позволив пользователям создавать карты знаний на основе местных ресурсов. Однако создание аннотаций вручную на основе аннотаций было бы значительно трудоемким и неэффективным. Чтобы решить эту проблему, разрабатывается приложение для автоматической генерации карты знаний. С помощью автоматически сгенерированных карт знаний учащиеся могут улучшить качество, используя инструмент редактирования карты знаний, предоставляемый СЭО;

• объединение карт знаний: это приложение предназначено для системных администраторов. После проверки и принятия созданных пользователями карт знаний они могут объединить эти локальные карты знаний в глобальную. Во время этого процесса дублированные узлы и ребра будут автоматически удалены.

2.5.3. Управление ресурсами знаний

Конечной целью управления ресурсами знаний является эффективное предоставление крупномасштабных ресурсов знаний большому числу учащихся. Для поддержки крупномасштабного онлайн-обучения возможно создать облачную платформу для поддержки большого числа одновременно обучающихся и внедрили распределенную файловую систему Hadoop для решения проблемы хранения и доступа к огромным ресурсам.

2.5.4 Приобретение знаний путем извлечения единиц знаний

Единица знаний в разрабатываемой СЭО — это наименьший интегральный объект обучения, такой как определение, теорема или алгоритм; он часто состоит из нескольких непрерывных предложений. Понятие предметной области может быть расширено до нескольких единиц знаний. Так, понятие «компьютерная сеть» соответствует единицам знаний, включающим «определение компьютерной сети», «классификацию компьютерной сети» и «развитие компьютерной сети», поскольку «компьютерная сеть» является основным понятием (предметным понятием) этих единиц знаний. Учебный ресурс (документ, статья) обычно содержит много единиц знаний, в то время как единица знаний может присутствовать в нескольких ресурсах.

Предоставляя учащимся надлежащую степень детализации для познания, мы решаем следующие проблемы: как эффективно приобретать соответствующие единицы знаний при быстрорастущих учебных ресурсах? как автоматически обнаруживать связи между единицами знаний? Предлагаемый метод автоматического извлечения единиц знаний (с ассоциациями единиц знаний) показан на рисунке 4. Общий подход включает в себя три этапа:

1. Предварительная обработка ресурсов: исходные учебные ресурсы могут быть различных типов и могут содержать дополнительную информацию. Таким образом, ресурсы предварительно обрабатываются для извлечения текстов, предложений, слов и значений слов (частей речи), которые будут полезны на будущих этапах. Для российских ресурсов для извлечения слов и тегирование частей речи (POS) будут применяться инструменты сегментации слов на русском языке.

2. Извлечение понятий (с отношениями понятий): извлечение единиц знаний основывается на знании ранее извлеченных понятий, а извлечение ассоциаций единиц знаний основывается на отношениях понятий. Следовательно, использующиеся в предыдущей работе методы извлечения понятий и отношений понятий также пригодны для представления знаний на основе КЗ.

3. Извлечение единиц знаний (с ассоциациями единиц знаний): на основе ранее полученной информации мы можем извлекать характеристики единиц знаний, а затем использовать методы машинного обучения и обработки естественного языка (NLP) для извлечения единиц знаний.

Рис. 4. Структура извлечения единиц знаний

2.5.4.1. Предыдущая работа: извлечение понятия и взаимосвязи понятий

Извлечение понятий и отношений понятий является элементарным для извлечения единиц знаний и ассоциаций единиц знаний. Автоматическое извлечение понятий из текста было исследовано многими исследователями [28]. В СЭО время обучения не является главной проблемой, но извлечение в приложениях реального времени должно быть высокоэффективным. Таким образом, мы приняли подход, основанный на словаре, который включал в себя два этапа: сначала создается словарь понятий; затем сопоставление на основе индекса обрабатывается для извлечения. При применении к приложениям реального времени понятия могут быть извлечены путем сопоставления каждого слова существительного с индексированным словарем. Кроме того, администраторы могут добавлять новые понятия в словарь из извлеченных кандидатов понятий из новой коллекции документов.

Необходимо обеспечить отношения между понятиями из одного и того же предложения. Каждые два понятия в одном предложении необходимо составлять как пара-кандидат. Кроме того, необходимо извлекать такие признаки, как порядок, соседние слова и контексты, применять обученный классификатор для определения взаимосвязи понятий.

2.5.4.2. Извлечение единиц знаний

Единица знаний — это независимая базовая единица для выражения целостного знания, а также базовая единица для понимания знаний. Единицы знаний часто состоят из одного или нескольких предложений из текстов. Они могут быть классифицированы на различные семантические типы в соответствии с различными стандартами. В СЭО нам представляется целесообразным реализовать автоматическое извлечение четырех типов единиц знаний — «определение», «эволюция», «причинность» и «пример»:

● единица знаний «определение» определяет значение конкретного понятия;

● единица знаний «эволюция» описывает процесс, в котором что-то постепенно переходит в другое понятие, этап;

● единица знаний «причинно-следственная связь» включает в себя ряд действий, продвигающих принцип или стремящихся к определенному результату;

● единица знаний «пример» дает конкретные примеры абстрактного понятия или определения.

Единица знаний может быть представлена в виде кортежа <ID, Concepts, CoreConcept, Type, Text, DID>: где «ID» — порядковый номер единицы знаний; «Concepts» — набор понятий, появившихся в единице знаний; «CoreConcept» - предметное понятие единицы знаний, и CoreConcept∈Понятия; «Тип» — семантический тип единицы знаний, а «Тип» ∈ {«определение», «эволюция», «причинно-следственная связь», «экземпляр»}; «Текст» — текстовое содержимое единицы знаний; «DID» — порядковый номер документа, в котором появляется единица знаний. Информация «ID», «Concept» и «DID» может быть получена из предыдущих работ, таким образом, целью извлечения единиц знаний является получение «CoreConcept», «Type» и «Text» единиц знаний из линейных текстов. Процесс извлечения единиц знаний показан на рисунке 5.

Поскольку единицы знаний состоят из одного или нескольких предложений, генерация кандидатов на единицы знаний фактически происходит путем группировки предложения в текстовые фрагменты, которые сосредоточены на одной и той же теме. В зависимости от того, принадлежит ли предложение к тем же фрагментам текста, что и предыдущее предложение, предложения можно разделить на две категории — независимые предложения и зависимые предложения. Прежде всего, первое предложение каждого абзаца определяется как самостоятельное предложение. Для всех остальных предложений извлекаются следующие признаки:

1) количество идентичных понятий между текущим предложением и его предыдущим предложением;

2) является ли подлежащее текущего предложения местоимением;

3) количество новых понятий, появившихся в текущем предложении.

Кроме того, ко всем предложениям применяется классификатор контролируемого обучения, и фрагменты текста могут быть извлечены в соответствии с результатами классификации.

Рис. 5. Процесс извлечения единиц знаний

Различные типы единиц знаний обладают некоторыми общими чертами, но также и специфическими особенностями. Общие характеристики включают в себя:

1. Характеристика КЗ: ключевые слова, а именно характерные слова, являются основой для идентификации единиц знаний. Существуют функции из одного слова, биграммы и триграммы, «определение», «определение есть» и «определяется как» являются примерами для этих функций соответственно. Так, чтобы применить модель VSM (Vector Space Model) для извлечения единиц знаний, требуется список ключевых слов и вес каждого слова. Прежде всего, характерные слова могут быть грубо собраны из аннотированных данных. Кроме того, положительные и отрицательные примеры применяются для определения веса каждого характерного слова.

2. Функция Word и POS (часть речи): функция POS может дополнять ограничения и негибкость функции keywords. Например, функция Word-and-POS «definition /pre» (/pre означает предикативный) может представлять такие ключевые слова, как «definition is» и «definition was». Эта функция также может быть представлена с помощью модели VSM. При подаче заявки на кандидатов в единицы знаний нам необходимо предварительно обозначить POS каждого слова.

3. Особенности позиции: различные виды единиц знаний часто встречаются в разных позициях абзаца. Так, единица знаний «определение» часто встречается в начале абзаца, в то время как единица знаний «экземпляр» часто встречается в последней части. Таким образом, функция позиции может быть вычислена по формуле «позиция =i/n», где «i» относится к идентификатору кандидата на единицу знаний, а «n» указывает общее количество кандидатов на единицу знаний в абзаце.

Существуют также специфические особенности для каждого типа единиц знаний:

1) единица знаний «определение»: является ли первое слово кандидата понятием, которое появилось в названии документа;

2) единица знаний «пример»: есть ли непрерывные знаки паузы в единице знаний кандидата (знак паузы - это знак в пунктуации, используемый для выделения элементов в серии);

3) единица знаний «причинно-следственная связь»: является ли ее предыдущий кандидат на единицу знаний единицей знаний «определение»;

4) единица знаний «эволюция»: количество слов, указывающих на время.

На основе вышеперечисленных особенностей строится многоклассовая модель извлечения. Чтобы повысить эффективность извлечения, можно применить модель ECOC (выходные коды с исправлением ошибок). Согласно предыдущим экспериментам, классификатор SVM (Support Vector Machine) может достичь оптимального результата при извлечении единиц знаний.

Впоследствии цель — выявить внутренние и скрытые связи между единицами знаний. Его формальное представление (<kua, kub >,kur), где <kua, kub > указывает пару единиц знаний, а «kur» — их тип ассоциации. Можно выделить три типа ассоциаций единиц знаний, а именно «предварительный заказ», «аналогия» и «иллюстрация». »Предварительный заказ« означает, что »kua« является предшественником »kub«, »аналогия« означает, что »kua« показывает сходство в некоторых аспектах с »kub«, а »иллюстрация« означает, что »kua" является объяснением или примером для «kub». Подход к получению ассоциаций из знаний включает в себя четыре этапа:

1) сортировка единиц знаний и назначение глобального уникального идентификатора для каждой единицы знаний;

2) генерация пары ассоциаций-кандидатов;

3) извлечение характеристик концепции, типа и расстояния для каждой пары кандидатов;

4) выполнение многоклассовой классификации, чтобы выделить три типа ассоциаций.

Чтобы назначить глобальные идентификаторы, последовательность документов переупорядочивается в коллекции документов, в то время как порядок идентификаторов единиц знаний внутри каждого документа сохраняется. Процесс сортировки документов основан на асимметричном распределении основных понятий в разных документах; то есть основная концепция последнего документа часто встречается в тексте предыдущего документа. Следовательно, присвоенная последовательность идентификаторов часто указывает на логический семантический порядок единиц знаний. Кроме того, генерируются пары единиц знаний кандидатов в зависимости от местоположения ассоциаций единиц знаний; то есть две единицы знаний, близкие по идентификатору, рассматриваются как пары-кандидаты. Следующий шаг — определить, действительно ли у этих пар-кандидатов есть отношения и какой тип ассоциации у них есть. Признаки, включающие понятие, тип и расстояние, были извлечены из каждой пары кандидатов, и подходы машинного обучения (такие как SVM) были применены для выполнения многоклассовой классификации, и, следовательно, три типа ассоциаций окончательно идентифицированы среди единиц знаний.

2.5.5 Презентация карты знаний

При проектировании СЭО мы используем карту знаний для представления полученных знаний о концепциях, единицах знаний и ресурсах с присущими им ассоциациями на трех уровнях: уровне концепции, уровне единиц знаний и уровне ресурсов, как показано на рисунке 6.

Рис. 6. Концептуальная модель КЗ

Концептуальный уровень аналогичен онтологии, которая представляет понятия предметной области и отношения понятий. Уровень единиц знаний состоит из единиц знаний и когнитивных ассоциаций единиц знаний, т.е. отношений «предварительного порядка», «аналогии» или «иллюстрации» между единицами знаний. Уровень единиц знаний также устраняет разрыв между концепциями и ресурсами, поскольку единицы знаний связаны с их основными концепциями на уровне концепции и связаны с их появлением на уровне ресурсов. Соответственно, карты знаний способны направлять учащихся с присущими им ассоциациями между знаниями в рамках различных уровней детализации. В качестве средства обеспечения многоуровневого режима электронного обучения карты КЗ должны быть разработаны таким образом, чтобы они были полезны как для представления знаний, так и для управления информацией. В этом разделе обсуждается, как достичь этих целей с помощью отображения КЗ.

3. Заключение

Системы электронного обучения все чаще используются для предоставления эффективных образовательных услуг в системе высшего образования. Многие российские вузы внедрили системы электронного обучения.

На сегодняшний день большая часть литературы по электронному обучению сосредоточена на показателях удержания или качестве контента. Чтобы решить проблемы, связанные с отсутствием надлежащей педагогической поддержки, разработка СЭО для самостоятельного обучения должна быть сосредоточена на человеческом познании, вовлеченности, потоке и мотивации для продвижения преимуществ, связанных с обучением, таких как самоконтроль или чувство достижения. СЭО должна быть разработана таким образом, чтобы охватывать основные компоненты, связанные со схемой, включая иерархизацию схемы, построение схемы, автоматизацию схемы, активацию схемы и/или взаимодействие со схемой. Теоретически, использование когнитивных схем может помочь учащимся создавать, автоматизировать, уточнять и модифицировать схемы, тем самым создавая желаемый процесс обучения, применимый во всех областях и контекстах. Инструкции, основанные на схемах, со стратегиями обучения, способствующими разработке схем, эффективны не только для обучения, но и для развития навыков самообучения учащихся, таких как метакогнитивные навыки или навыки решения проблем.

В этой статье представлены подходы к электронному обучению на основе карт знаний. Разработаны отдельные элементы СЭО, которая преодолевает традиционную ресурсно-ориентированную ориентацию электронного обучения и обеспечивает когнитивно-эффективную ее направленность. СЭО позволяет отображает знания в виде карты и организует их в рамках присущих им ассоциаций на трех различных уровнях детализации, а именно на уровне концепции, уровне единиц знаний и уровне ресурсов. Рассмотрены методы автоматической генерации карты знаний.

4. Будущие исследования

Высокое качество учебных ресурсов и образовательных услуг в режиме реального времени имеют важное значение для систем электронного обучения. Поэтому в дальнейшем наше исследование будет направлено на улучшение двух вышеуказанных аспектов. Во-первых, чтобы обеспечить качество учебных ресурсов и карт знаний, СЭО планируется преобразовать в вики-систему, чтобы каждый мог внести свой вклад в улучшение качества ресурсов. С другой стороны, необходимо повысить точность автоматического извлечения. Во-вторых, представляется необходимым разработать алгоритмы извлечения и отображение карты знаний доступными в облаке, что означает, что основные вычисления могут обрабатываться распределенно. Кроме того, будут изучены методы создания персонализированных карт знаний, чтобы использовать рекомендации в электронном обучении с помощью навигационного подхода.

Библиография
1. Воробьева Т.А. К вопросу о понятии электронного обучения // Идеи и идеалы. 2014. № 1 (19). С. 143-152.
2. Гаевская Е.Г., Борисов Н.В., Шадиев Р. Развитие методов электронного обучения в контексте цифровых гуманитарных наук // International Journal of Open Information Technologies. 2021. № 12. С. 60-66.
3. Гринько О.В., Куприяновский В.П., Покусаев О.Н., Волокитин Ю.И., Понкин И.В., Намиот Д.Е., Редькина А.И. Онтологизация данных Европейского союза как переход от экономики данных к экономике знаний // International Journal of Open Information Technologies. 2018. № 11. С. 65-84.
4. Джанелли М. Электронное обучение в теории, практике и исследованиях // Вопросы образования. 2018. № 4. С. 81-98.
5. Лавриненко И.Ю. Перспективы использования LMS в рамках современного высшего образования // Концепт. 2023. № 1. С. 17-35.
6. Пушкарева Т.П. Применение карт знаний для систематизации математической информации // МНКО. 2011. № 2. С. 139-144.
7. Симонова М.В. Использование ментальных карт в деле обеспечения качества знаний на разных этапах обучения // Научные исследования в образовании. 2008. № 6. С. 44-47.
8. Чернов А.Ю., Зиновьева Д.М., Водопьянова Н.Е., Фомина О.О. Структура и виды когнитивных схем психологического благополучия // Известия Саратовского университета. Новая серия. Серия: Акмеология образования. Психология развития. 2020. № 1 (33). С. 33-43.
9. Ядровская М.М. Моделирование в реализации когнитивного обучения // ОТО. 2012. № 2. С. 602-617.
10. Alonso F., López G., Manrique D., Viñes J. M. An instructional model for web-based e-learning education with a blended learning process approach // British Journal of Educational Technology. 2005. Vol. 36 (2). P. 217-235.
11. Alyoussef I.Y. Acceptance of e-learning in higher education: The role of task-technology fit with the information systems success model // Heliyon. 2023. Vol. 9 (3). https://doi.org/10.1016/j.heliyon.2023.e13751.
12. Andersson A. Seven major challenges for e-learning in developing countries: Case study ebit, Sri Lanka // International Journal of Education and Development using ICT. 2008. Vol. 4 (3). P. 45-62.
13. Aparicio M., Bacao F., Oliveira T. Grit in the path to e-learning success // Computers in Human Behavior. 2017. Vol. 66. P. 388-399.
14. Christa M.M., Jarodzka H., Kirschner F., Kirschner P.A. Cognitive Load Theory in E-Learning. Encyclopedia of Cyber Behavior. 2012. Vol. 1. P. 1178-1211.
15. Dorobăţ I. Models for Measuring E-Learning Success in Universities: A Literature Review // Informatica Economică. 2014. Vol. 18. P. 77-90.
16. Goldie J.G.S. Connectivism: A knowledge learning theory for the digital age? // Medical teacher. 2016. Vol. 38 (10). P. 1064-1069.
17. Gordon J.L. Creating Knowledge Maps by Exploiting Dependent Relationships // Knowledge-Based Systems. 2000. Vol. 13 (2-3). P. 71-79.
18. Greitzer F.L. A Cognitive Approach to Student-Centered E-Learning // Proceedings of the Human Factors and Ergonomics Society Annual Meeting. 2002. Vol. 46 (25). P. 2064-2068. DOI: https://doi.org/10.1177/154193120204602515.
19. Gurban M.A., Almogren A.S. Students’ Actual Use of E-Learning in Higher Education During the COVID-19 Pandemic // SAGE Open. 2022. Vol. 12 (2). DOI: https://doi.org/10.1177/21582440221091250.
20. Hone K.S., El Said G.R. Exploring the factors affecting MOOC retention: A survey study // Comput. Educ. 2016. Vol. 98. P. 157-168.
21. Jochems W., Van Merrienboer J.J.G., Koper R. Integrated E-Learning: Implications for Pedagogy // The Internet and Higher Education. 2004. Vol. 8 (3). DOI: 10.2307/1602168.
22. Jung E., Lim R., Kim D. A Schema-Based Instructional Design Model for Self-Paced Learning Environments // Education Sciences. 2022. Vol. 12 (4). P. 271. DOI: https://doi.org/10.3390/educsci12040271.
23. Kalyuga S. Enhancing Instructional Efficiency of Interactive E-learning Environments: A Cognitive Load Perspective // Educ Psychol Rev. 2007. Vol. 19. P. 387-399. https://doi.org/10.1007/s10648-007-9051-6.
24. Kim S., Lee J., Yoon S.-H., Kim H.-W. How can we achieve better e-Learning success in the new normal? // Internet Research. 2023. Vol. 33 (1). P. 410-441. DOI: https://doi.org/10.1108/INTR-05-2021-0310.
25. Lambert J., Kalyuga S., Capan L.A. Student Perceptions and Cognitive Load: What Can They Tell Us about e-Learning Web 2.0 Course Design? // E-Learning and Digital Media. 2009. Vol. 6 (2). P. 150-163. DOI: https://doi.org/10.2304/elea.2009.6.2.150.
26. Liu M., Yu D. Towards intelligent E-learning systems // Education and Information Technologies. 2022. Vol. 28. P. 7845–7876. DOI: https://doi.org/10.1007/s10639-022-11479-6.
27. Lu P., Cong X., Zhou D. E-learning-oriented software architecture design and case study // International Journal of Emerging Technologies in Learning (iJET). 2015. Vol. 10 (4). P. 59-65.
28. Lytras M., Pouloudi N., Korfiatis N. An ontological oriented approach on e-learning. Integrating semantics for adaptive e-learning systems // Proceedings of the 11th European Conference on Information Systems, ECIS, 2003. P. 1188-1204.
29. Morales-Martinez G., Lopez-Ramirez E. Cognitive responsive e-assessment of constructive e-learning // Journal of e-Learning and Knowledge Society. 2016. Vol. 12 (4). P. 39-49.
30. Nicholson P. A history of e-learning: echoes of the pioneers // Com-puters and Education: e-Learning, From Theory to Practice, ed. B. Fernández Manjón (Dordrecht: Springer). 2007. P. 1-11.
31. Villalon J., Calvo R. (2008). Concept map mining: A definition and a framework for its evaluation. In Proceedings of the International Conference on Web Intelligence and Intelligent Agent Technology. Vol. 3. p. 357–360.
32. Zubrinic K., Kalpic D., Milicevic M. (2012). The automatic creation of concept maps from documents written using morphologically rich languages. Expert Systems with Applications. Vol. 39(16). pp. 12709–12718.
33. Parsazadeh N., Megat N., Ali R., Hematian A. A Review On The Success Factors Of E-Learning // The Second International Conference on e-Technologies and Networks for Development (ICeND2013). 2013. URL: https://www.researchgate.net/publication/278785796_A_REVIEW_ON_THE_SUCCESS_FACTORS_OF_E-LEARNING.
34. Siemens G. Connectivism: a learning theory for the digital age // International Journal of Instructional Technology and Distance Learning. 2005. № 2. Р. 3-10.
35. Smarandach I.G., Maricutoiu L.P., Ilie M.D., Iancu D.E., Mladenovici V. Students’ approach to learning: evidence regarding the importance of the interest-to-effort ratio // Higher Education Research & Development. 2022. Vol. 41. P. 546-561. DOI: 10.1080/07294360.2020.1865283.
36. Sun P-Ch., Tsai R.T., Finger G., Chen Y-Y., Yeh D. What drives a successful e-Learning? An empirical investigation of the critical factors influencing learner satisfaction // Computers & Education. 2008. Vol. 50 (4). P. 1183-1202.
37. Sweller J. Cognitive load theory, learning difficulty, and instructional design // Learn. Instr. 1994. Vol. 4. P. 295-312.
38. van Merriënboer J.J.G., Ayres P. Research on cognitive load theory and its design implications for e-learning // ETR&D. 2005. Vol. 53. P. 5-13. DOI: https://doi.org/10.1007/BF02504793.
39. Wilmar A.C., Tiago O., Massimo Di F., Manuela A. E-learning success determinants: Brazilian empirical study // Computers & Education. 2018. Vol. 122. P. 273-290
References
1. Alonso F., Lopez G., Manrique D., Vignes H.M. (2005). Educational model for e-learning based on the Internet with an approach to a mixed learning process. British Journal of Educational Technology. Vol. 36 (2). pp. 217-235.
2. Alusef I.Y. (2023). Adoption of e-learning in higher education: the role of problem-solving technology in accordance with the success model of information systems. Heliyon. Vol. 9 (3). https://doi.org/10.1016/j.heliyon.2023.e13751.
3. Andersson A. (2008). Seven main problems of e-learning in developing countries: EBIT case study, Sri Lanka. International Journal of Education and Development using ICT. Vol. 4 (3). pp. 45-62.
4. Aparicio M., Bakao F., Oliveira T. (2017). Excerpt on the way to success in e-learning // Computers in human behavior. Vol. 66. pp. 388-399.
5. Chernov A.Yu., Zinovieva D.M., Vodopyanova N.E., Fomina O.O. (2020). Structure and types of cognitive schemes of psychological well-being. News of Saratov University. A new series. Series: Acmeology of Education. Psychology of development. № 1 (33). pp. 33-43.
6. Christa M.M., Jarodzka H., Kirschner F., Kirschner P.A. Cognitive Load Theory in E-Learning. Encyclopedia of Cyber Behavior. 2012. Vol. 1. P. 1178-1211.
7. Dorobets I. (2014). Models for measuring the success of e-learning in universities: literature review. Informatica Economica. Vol. 18. pp. 77-90.
8. Gaevskaya E.G., Borisov N.V., Shadiev R. (2021). Development of e-learning methods in the context of digital humanities. International Journal of Open Information Technologies. Vol. 12. pp. 60-66.
9. Gianelli M. (2018). E-learning in theory, practice and research. Education issues. № 4. pp. 81-98.
10. Goldie J.G.S. (2016). Connectivism: theory of knowledge acquisition in the digital age?. Teacher of medicine. Vol. 38 (10). pp. 1064-1069.
11. Gordon J.L. (2000). Creating knowledge maps by using dependent relationships // Knowledge-based systems. Vol. 13 (2-3). pp. 71-79.
12. Greitzer F.L. (2002). Cognitive approach to student-oriented e-learning. Materials of the annual meeting of the Society of the Human Factor and Ergonomics. Vol. 46 (25). pp. 2064-2068. DOI: https://doi.org/10.1177/154193120204602515.
13. Grinko O.V., Kupriyanovsky P., Pokusaev O.N., Volokitin Yu.I., Ponkin I.V., D. Namiot E., Redkina A.I. (2018). Data ontologization of the European Union as a transition from the data economy to the knowledge economy. International Journal of Open Information Technologies. № 11. pp. 65-84.
14. Gurban M.A., Almogren A.S. (2022). The real use of e-learning by students in higher education institutions during the COVID-19 pandemic. SAGE Open. Vol. 12 (2). DOI: https://doi.org/10.1177/21582440221091250.
15. Jochems W., Van Merrienboer J.J.G., Koper R. (2004). Integrated e-learning: implications for pedagogy. Technology and organization. Vol. 8 (3). DOI: 10.2307/1602168.
16. Jung E., Lim R., Kim D. (2022). Scheme-based model of curriculum design for self-developing learning environments. Education Sciences. Vol. 12 (4). p. 271. DOI: https://doi.org/10.3390/educsci12040271.
17. Kalyuga S. (2007). Improving the effectiveness of learning in interactive e-learning environments: the perspective of cognitive load. Educational Psychol Rev. Vol. 19. pp. 387-399. https://doi.org/10.1007/s10648-007-9051-6.
18. Khon K.S., El Said G.R. (2016). The study of factors affecting student retention in MOOC: a survey study. Computer Engineering. Education. Vol. 98. pp. 157-168.
19. Kim S., Lee J., Yun S.-H., Kim H.-V. (2023). How can we be more successful in e-learning in the new environment?. Internet research. Vol. 33 (1). pp. 410-441. DOI: https://doi.org/10.1108/INTR-05-2021-0310.
20. Lambert J., Kalyuga S., Kapan L.A. (2009). Students' perception and cognitive load: what can they tell us about the development of Web 2.0 e-learning courses?. E-learning and digital media. Vol. 6 (2). pp. 150-163. DOI: https://doi.org/10.2304/elea.2009.6.2.150.
21. Lavrinenko I.V. (2023). Examples of using films in a frame with a modified resolution. September. № 1. pp. 17-35.
22. Litras M., Puludi N., Korfiatis N. (2003). Ontologically oriented approach to e-learning. Integration of semantics for adaptive e-learning systems. Proceedings of the 11th European Conference on Information Systems, ECIS. pp. 1188-1204.
23. Liu M., Yu D. Towards intelligent E-learning systems // Education and Information Technologies. 2022. Vol. 28. P. 7845–7876. DOI: https://doi.org/10.1007/s10639-022-11479-6.
24. Lu P., Kong H., Zhou D. (2015). Designing software architecture focused on e-learning and case study. International Journal of New Technologies in Learning (iJet). Vol. 10 (4). pp. 59-65.
25. Morales-Martinez G., Lopez-Ramirez E. (2016). Cognitive-adaptive electronic assessment of constructive e-learning. Journal of e-learning and Knowledge society. Vol. 12 (4). P. 39-49.
26. Nicholson P. (2007). The history of e-learning: echoes of pioneers. Computers and education: e-learning, from theory to practice, edited by B. Fernandez Magnon (Dordrecht: Springer). pp. 1-11.
27. Villalon J., Calvo R. (2008). Concept map mining: A definition and a framework for its evaluation. In Proceedings of the International Conference on Web Intelligence and Intelligent Agent Technology. Vol. 3. p. 357–360.
28. Zubrinic K., Kalpic D., Milicevic M. (2012). The automatic creation of concept maps from documents written using morphologically rich languages. Expert Systems with Applications. Vol. 39(16). pp. 12709–12718.
29. Parsazadeh N., Megat N., Ali R., Hematian A. A Review On The Success Factors Of E-Learning // The Second International Conference on e-Technologies and Networks for Development (ICeND2013). 2013. URL: https://www.researchgate.net/publication/278785796_A_REVIEW_ON_THE_SUCCESS_FACTORS_OF_E-LEARNING.
30. Pushkareva T.P. (2011). Application of knowledge maps for systematization of mathematical information. MNKO. № 2. P. 139-144.
31. Siemens G. Connectivism: a learning theory for the digital age // International Journal of Instructional Technology and Distance Learning. 2005. № 2. Р. 3-10.
32. Simonova M.V. (2008). The use of mental maps in ensuring the quality of knowledge at different stages of learning. Scientific research in education. № 6. pp. 44-47.
33. Smarandach I.G., Marikutoy L.P., Ilie M.D., Ianku D.E., Mladenovich V. (2022). Students' approach to learning: evidence of the importance of the correlation of interest and effort. Research and development in the field of higher education. Vol. 41. pp. 546-561. DOI: 10.1080/07294360.2020.1865283.
34. Sun P.Ch., Tsai R.T., Finger G., Chen Yu.Yu., Yeh D. (2008). What contributes to successful e-learning? An empirical study of critical factors affecting student satisfaction. Computers and Education. Vol. 50 (4). pp. 1183-1202.
35. Sweller J. (1994). Theory of cognitive load, learning difficulties and educational design. Learn. Edition. Vol. 4. pp. 295-312.
36. van Merrienboer J.J.G., Ayres P. (2005). A study of the theory of cognitive load and its constructive consequences for e-learning. ETR&D. Vol. 53. pp. 5-13. DOI: https://doi.org/10.1007/BF02504793.
37. Wilmar A.S., Thiago O., Massimo Di F., Manuela A. (2018). Determinants of e-learning success: Brazilian empirical research. Computers and Education. Vol. 122. pp. 273-29.
38. Vorobyeva T.A. (2014). On the question of the concept of e-learning. Ideas and ideals. 2014. № 1 (19). pp. 143-152.
39. Yadrovskaya M.M. (2012). Modeling in the implementation of cognitive learning. OTO. No. 2. pp. 602-617

Результаты процедуры рецензирования статьи

В связи с политикой двойного слепого рецензирования личность рецензента не раскрывается.
Со списком рецензентов издательства можно ознакомиться здесь.

Представленная на рассмотрение статья «Преодоление когнитивной перегрузки учащихся посредством проектирования и разработки структуры системы электронного обучения», предлагаемая к публикации в журнале «Педагогика и просвещение», несомненно, является актуальной, ввиду обращения автора к проблематике цифровизации в сфере обучения. Данный процесс начался давно, к примеру, в большинстве вузов были внедрены системы по типу Мудл, целью которых была электронная поддержка реализуемых курсов, которые использовались или как хранилище дополнительных материалов к дисциплине или как тестовый модуль, либо модуль для самостоятельной работы. Однако, недоверие к дистанционным технологиям обучения и электронному обучению, неготовность обучающихся, педагогов переходить в онлайн среду тормозила данный процесс в нашей стране. Отметим, что глобальная пандемия 2019 года явилась фасилитатором, принудительно переведя обучение в дистанционную среду. В тот момент времени педагогам пришлось осваивать различные технологии электронного обучения, выбирать новые методы, приемы обучения и переосмыслить сущность учебного занятия.
В рецензируемой статье представлены отдельные результаты исследования проблемы разработки педагогической модели для расширения контекста обучения взрослых учащихся в системе высшего образования, проводимой автором в 2021-2023 годах. Целью статьи заявлено обоснование отдельных теоретических и практических аспектов модели в части проектирования и разработки структуры СЭО.
Данная статья посвящена вопросу цифровизации сферы образования, особенностей создания цифровой образовательной среды и готовности преподавательского состава к применению дистанционных и электронных технологий обучения.
Статья является новаторской, одной из первых в российской педагогике, посвященной исследованию подобной тематики в 21 веке. В статье представлена методология исследования, выбор которой вполне адекватен целям и задачам работы. Все теоретические измышления автора подкреплены практическим материалом. Данная работа выполнена профессионально, с соблюдением основных канонов научного исследования. Исследование выполнено в русле современных научных подходов, работа состоит из введения, содержащего постановку проблемы, основной части, традиционно начинающуюся с обзора теоретических источников и научных направлений, исследовательскую и заключительную, в которой представлены выводы, полученные автором. Отметим, что в вводной части слишком скудно представлен обзор разработанности проблематики в науке. Выводы, представленные автором, не отображают проведенной работы и не подводят итога исследования и его дальнейших перспектив. Библиография статьи насчитывает 39 источников, среди которых теоретические работы как на русском, так и на иностранном языках. Считаем выборку достаточно репрезентативной для подобного уровня работы.
В общем и целом, следует отметить, что статья написана простым, понятным для читателя языком. Часть материала представлены в виде диаграмм, схем и рисунков, что облегчает понимание текста читателем. Опечатки, орфографические и синтаксические ошибки, неточности в тексте работы не обнаружены. Высказанные замечания не являются существенными и не влияют на общее положительное впечатление от рецензируемой работы. Работа является новаторской, представляющей авторское видение решения рассматриваемого вопроса и может иметь логическое продолжение в дальнейших исследованиях. Практическая значимость определяется возможностью использовать представленные наработки в дальнейших тематических исследованиях. Результаты работы могут быть использованы в ходе преподавания на специализированных факультетах. Статья, несомненно, будет полезна широкому кругу лиц, педагогам, магистрантам и аспирантам профильных вузов. Статья «Преодоление когнитивной перегрузки учащихся посредством проектирования и разработки структуры системы электронного обучения» может быть рекомендована к публикации в научном журнале.