Педагогический анализ социально-культурных мутаций (на примере системы Data Mining)

Концепция «Индустрия 4.0» характеризуется началом радикальной информационно-трансляционной перестройкой среды. Рост интерактивности системы создает мощное технологически-информационное ускорение, изменяющее у реципиента индивидуально-пропускную способность каналов восприятия, что является одним из адаптационных критериев при реализации академических технологий обучения и формирования интеллектуального капитала.

Новый тип культуры работы с информацией увеличивает характер проникновения технологического аспекта во все сферы жизнедеятельности, становясь значимым катализатором социально-культурных мутаций, а не только трансляционным механизмом. Интеграция информационной производительности в социально-культурный компонент становится предметом и средством организации социума, формирования системы ценностей и взаимосвязей, выступающих индикаторами эффективного использования интеллектуального ресурса, тем самым влияя на общности, группы, субъектов. Арка процессов прироста, обработки и передачи информации формирует мобильность динамики социокультурной архитектоники, которая реорганизовывает сложившиеся до этого биосоциальные конструкты субъекта. Видоизмененное взаимодействие требует новых типов инфокоммуникационных стандартов, соразмерных эволюционным темпам наращивания объема информации и росту метрики скорости. Трансформация структуры источника информации запускает соответствующий процесс у принимающей стороны (индивида) неизбежно вызывая дивергенцию между технологическим аспектом и психосоматическими возможностями. В образовательной среде данная закономерность отразится на качестве знаний, умений и навыков, что является ингибитором успеваемости. Дабы снизить трансформирующее воздействие на природу когнитивных и психологических процессов субъекта учебной деятельности (СУД), необходимо осуществлять периодический мониторинг данных взаимодействия обучаемого с интерактивной образовательной средой для корректировки академического комплекса методов обучения. Ввиду постоянного повышения уровня технологической сложности системы, делающей информационно-диалоговый характер кросс-динамичным, в базах данных учетных систем, касающихся участников образовательного процесса, происходит накопление огромных массивов скрытых, слабоструктурированных и постоянно варьирующихся значений. Выявление, извлечение, обработка и оценка результатов данного сегмента сведений даст объективное представление функционирования СУД в образовательном пространстве, позволит осуществлять целостную рефлексию учебной деятельности, произвести аналитику факторов отвечающих за готовность компетенций обучающегося к следующей ступени программы знаний и научно-исследовательской занятости.

Ключевыми агрегатами в исследовании релевантной информации учебно-познавательного ядра СУД, как эргономического педагогического нововведения, являются такие уровни диагностики как [6]: компонентный, структурный, системный и прогнозирование. Перенос данных паттернов в динамический информационно-технологический образовательный сеттинг представлен в виде технологии Data Mining (DM). DM мультидисциплинарная область (может интегрировать сразу несколько подходов и индивидуальна для каждой диагностируемой системы) сформированная на базисе [1]: прикладной статистики (факторный анализ, дисперсионный анализ, дескриптивный анализ, корреляционный анализ, регрессионный и компонентный анализ); машинного обучения; теории баз данных; информационно-оперативной аналитике; работе нейросетей; распознавания и визуализации данных. Поиск скрытых закономерностей на основе инструментария методов позволяет решать задачи [2]: обнаружения, класстеризации, классификации, ассоциации, прогнозирования, выявления и оценки отклонений, анализа связей, визуализации и подведения итогов. Инструменты DM представлены множественным программным обеспечением (самостоятельные приложения, либо как дополнение в виде библиотек и надстроек) [4]: commercial (коммерческие инструменты) - Azmy SuperQuery, Clementine, IBM Intelligent Miner for Data, KXEN (Knowledge eXtraction ENgines), Oracle Data Mining (ODM), SAS Enterprise Miner, SPSS, Statistica Data Miner, IREX, The LPA Data Mining Toolkit, Magnum Opus, Nuggets, Megaputer Polyanalyst Suite, Purple Insight MineSet, Wizsoft, Xpertrule Miner 4.0, Xpertrule Miner 4.0, XAffinity(TM), ClustanGraphics3, CViz Cluster Visualization, Neusciences aXi.Kohonen, StarProbe, Visipoint; open source (свободная лицензия) - Rapid Miner, Apriori, FP-growth, Oracle Data mining, Teradata, ARtool, DM-II system, FIMI (Frequent Itemset Mining Implementations), Autoclass C, CLUTO, Framed Data, JHepWork, IBM SPSS Modeler, MCLUST/EMCLUST, PermutMatrix, PROXIMUS, Snob, SOM in Excel. В образовательном пространстве для роста процента достоверности измерений количественных и качественных величин продуктивности педагогических параметров субъекта и снижения перегрузки от разнообразия функционала программного комплекса, рекомендуют в процессе DM руководствоваться инструментами следующего ряда (обеспечивают более высокую степень «фильтрации» неинтерпретируемых ранее значений влияющих на аспекты успеваемости) [5]: RapidMiner, Orange, Clementine, Matlab, Deductor, Statistics, SPSS Statistics, DBMiner 2.0 Enterprise, IBM Intelligent Miner for Data, Weka, Knime, MS Excel, языки программирования Python и R. Применение имеющихся аналитических платформ диагностики информационных баз данных учреждений образования позволит: сопоставить существующие знания об учебном процессе и его участниках и дальнейшей актуальной траекторией развития; выявить взаимосвязь социальных и когнитивных аспектов с количественными, качественными и категориальными признаками; детализировать экспоненциальный информационный рост. Данные методологические и теоретические составляющие педагогического управления делают эффективным процесс принятия решений, сопровождения и адаптации комплекса задач:

‒ конструирование образовательной модели с акцентом на разработку индивидуально-персонализированного учебного маршрута и удобства его поддержки всеми участниками (учреждение образование – СУД) [8];

‒ поиск наиболее часто совершаемых ошибок при прогнозировании успеваемости учащихся;

‒ получение объективной обратной связи в условиях информационно-технического катализа;

‒ выявление поведенческих стереотипов, формирующихся под воздействием искусственных процессов среды;

‒ моделирование стратегии преимущественно эффективного использования интеллектуального ресурса СУД в академической структуре;

‒ разработка концептуальных планов, протоколов, карт оценки, автоматизированных систем тестирования для диагностики содержания учебных программ;

‒ упреждение по подмножеству критериев успеваемости СУД некорректных прогнозов образовательной перспективы.

Эффект результатов DM, как синергетического сервиса, позволяющего машинным агентам формировать кейсы в решении методологических и теоретических задач педагогического управления, будет иметь более высокую надежность и валидность при учете следующих характеристик рисков:

‒ слабая заблаговременная подготовка данных (не адаптированы под выбранный программный сеттинг, наличие «зашумленности» - физической и лингвистической);

‒ недостаточная психофизическая готовность СУД касаемо реализации рекомендательных значений по принятию эффективных педагогических решений управления в образовательном процессе на основе технологии интеллектуального анализа DM;

‒ социальная множественность, не позволяющая системам DM видеть некоторые индивидуальные особенности – например нелинейное мышление;

‒ трансформация социальной механики и личной позиции субъекта, отвечающего за системную аналитику учебных этапов, по отношению к исследуемым структурам и категориям;

‒ сдвиг этического аспекта, когда изменения ценностного среза агентов учебного процесса за счет результатов перспективных конструктов цифровой-коммуникационной диагностики активирует не моделируемые социальные установки.

Осуществить организацию контроля эффективности внесенных изменений в сегменте учебного управления, внедренных на основе DM, возможно оценив трансформацию характеристик психических процессов готовности СУД (адаптационно-аналитическое мышление, устойчивая концентрация внимания и оперативная память, логическая гибкость и динамичность мышления, уровень объема и распределения внимания, рефлексивность, интеллектуальная независимость [7]) при помощи тестов Амтхауэра (https://amthauer-ist.com/ru/), Кеттелла (https://experimental-psychic.ru/test-kettella-forma-a/) и Горбова-Шульте (https://testbrain.ru/tests/dotestGSh).

Управление теоретически и методически обоснованными педагогическими технологиями, являющиеся репрезентативными результатами агрегации данных оперативной аналитической системой DM на информационно-трансляционное ускорение в образовательном пространстве, реконструирует ценностные и мотивационные ролевые ориентации деятельности, тем самым преобразовывает социокультурные аспекты интеллектуальной экономики. Методы DM предоставляют комплекс управляемых образовательных данных моделирующих информационный поток в пользу актуального продуктивного обучения, преимущественные компоненты которого строятся на закономерностях:

‒ большее количество значений параметров критериев, подвергаемых обработке технологиями DM, конструирует более релевантный результат аспектов дальнейшей учебной перспективы и путей ее развития, параллельно улучшая возможности диагностических платформ;

‒ скорость наращивания информации намного выше скорости когнитивных способностей учащегося проявляющегося во времени, которое уходит на восприятие, принятие и усвоение новых знаний, учебных установок, изменений собственных моделей поведения и использование видоизменных социальных ролей. Оптимизация педагогической работы за счет DM мониторинга доступный и рациональный способ управления целевыми и ценностными компетенциями СУД;

‒ на основе конвергентных (линейных) результатах методов DM возможно конструировать дивергентные (нелинейные) решении учебных задач;

‒ взаимодействие ускорившейся информационной-техносреды и учащегося происходит одновременно в нескольких плоскостях, вследствие чего расширяется коммуникативно-пространственный функционал СУД, что коррелирует с технологическим экдизисом социальных ролей;

‒ материалы комплексной диагностики методами DM динамично-многомерный феномен в педагогическом взаимодействии позволяющий не только управлять принятием решений, но и прогнозировать совокупности компетентных выводов;

‒ множественность информационных полей вызывает интродукцию и диссоциацию социальной роли, ранжированность и распределение информации из атрибутивных данных позволяет оценить и скорректировать направление потребностей, мотивов и интересов;

‒ социально-учебное взаимодействие становиться программируемым, благодаря присутствию в этом процессе автоматизированных сегментов мэтчинговых DM сервисов, что снижает риски в динамичном образовательном потенциале СУД;

‒ учреждения образования как социальный институт использующий систему DM в структурном управлении выстраивает более осознанную социально-интеллектуальную среду государства;

‒ техническая возможность определения параметров мобильности интеллектуальных аспектов формируют положительно-доверительное отношение к машинной среде, как социокультурному явлению.

Рассмотрим формальный пример (опустив симуляцию алгоритма DM) в построении систем эффективного учебного процесса дисциплины «физическая культура» (согласно специфике выбранного вида спорта) на основе выявления неявных многомерных агрегированных структур результатов учебной деятельности используя аналитические инструменты (DM). В качестве данных для анализа выступают контрольно-зачетные нормативы оценки физической, специальной и технической подготовленности учащихся, коррелирующие с их психическими процессами (таблица 1,2 [3,7]), интерпретация результатов будет отражать фрагмент психограммы СУД которая позволяет сформулировать рекомендации по совершенствованию психофизических свойств в виде комплекса упражнений [Ibid]. Расширяя область измерений сопряженности соотношений, используя технологию DM, аккумулируется более информативная разрешаемая способность в построении профессионально-конструктивного педагогического управления учебным процессом где содержание тренировочных блоков решает задачи физической и когнитивной сферы развития у группы учащихся в рамках специализации, кафедры, факультета, учебного заведения. Переменные как сравнение с исходным уровнем, оперативный контроль, данные за предыдущие годы позволят повысить динамику волидности целей, задач и механизмов конструирования продуктивного обучения на занятиях физической культурой (в соответствии с выбранной спортивной специализацией). Операции DM модифицируют физкультурный сектор: усиливая потенциал физического воспитания в содержании, сопровождении и поддержки успешного формата прохождения обучения; предоставляют возможность оценить психический уровень восприятия учащихся в естественном учебном процессе без затрат на дополнительный временной ресурс; представляются рекомендательными значениями в подборе упражнений, технических элементов из видов спорта, спортивной специализации способствующие выработки качеств психики необходимых для достижения профессиональных компетенций в выбранной профессии; изменяет деятельно-ценностное представление СУД в отношении физического воспитания как управляющей целевой подготовки; способствует модернизации имеющихся систем и нахождению инновационных технологий учебно-спортивного функционирования отвечающих информационно-технологическому ускорению. Оптимизация и эффективность подготовки обучающихся средствами физического воспитания к профессиональной деятельности зависит от умения организовать, обработать, создать и внедрить тактически выверенные теоретические позиции, дающие преимущество в спортивно-управленческом конструировании, что делегирует педагогу в контексте научно-образовательного менеджмента позицию Data Scientist учитывая специфику учебнопредметного-домена в котором выполняется проект. Адаптация физкультурно-спортивных педагогических работников к информационно-технологическому ускорению в академической среде предполагает владение мобильно-техническим управлением, расширяя профессиональную компетентность специалиста до позиции Data Scientist не обязывающая владеть программированием, а граничащая умением пользоваться инструментами аналитических платформ в решении образовательных задач. Ценность навыков и знаний специалиста Data Scientist физкультурно-спортивной отрасли характеризуется увеличением инновационных научно-исследовательских возможностей, дающее более развернутое представление на то как биосоцильная роль СУД в образовательной среде прореагирует на увеличивающийся скоростной критерий информационно-технической культуры являющейся мощным физиологическим раздражителем-стимулом способным формировать, замещать, вытеснять, доминировать и закреплять шаблоны психических процессов. Таксономии физиологических стимулов, как управляющего механизма, в развитии психических качеств возможно достичь путем оперативного анализа данных из физкультурно-спортивной среды инструментами DM, производя контроль функциональных состояний систем СУД (теория функциональных систем по К.П. Анохину) оценивая показатели сердечно-сосудистой системы (обладает высокими диагностическими значениями), что обуславливает выбор учебнопредметного-домена. Внедрение технологий DM в спортивно-педагогический профиль учреждения образования позволит повысить научно-методический майндсет конструирования продуктивного интеллектуального потенциала, как СУД, так и групп учащихся, с учетом связи необходимых компетентностей со сферой специализации.

Литература

1. Возяков В.И., Филиппов В.П. О поддержке принятия решения в технологии Data Mining // Вестник Российского университета кооперации. — 2015. — № 1(19). — С. 18-27.;

2. Нечипорук Д.В. Особенности технологии Data Mining // Молодой исследователь Дона. — 2017. — № 1(4). — С. 62-65.;

3. Петров Н. Я. и др. Комплексныйанализ форм и методов физической подготовленности студентов, специализирующихся в различных видах спорта: метод. рекомендации для преподавателей и студентов БГУИР – Минск: БГУИР, 2012. – 31 с.;

4. Рынок инструментов Data Mining // Национальный открытый университет ИНТУИТ. URL:https://www.intuit.ru/studies/courses/6/6/lecture/200?page=1 (дата обращения: 05.03.2020);

5. Тербушева Е.А. Методика обучения интеллектуальному анализу образовательных данных студентов педагогического вуза // Открытое образование. — 2019. — Т. 23. № 3. — С. 14-24.;

6. Цыркун И.И., Карпович Е.И. Педагогическая инноватика: научно-методическое пособие — Минск: Научное издание, 2008. — 398 с.;

7. Юсупова Н.И., Сметанина О.Н., Сазонова Е.Ю., Агадуллина А.И., Наумова Т.В. Data Mining для поддержки принятия решений по совершенствованию психофизической готовности человека к успешной профессиональной деятельности // Труды ИСА РАН. — 2019. — Том 69 № 4. — С. 13-21.;

8. Romero C. Educational Data Mining: A Review of the State of the Art / C. Romero, S. Ventura // IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applicationsand Reviews). – 2010. – 40(6). – pp.601-618.;

Таблица 1

Контрольно-зачетные нормативы специализации легкая атлетика коррелирующие с процессами памяти, внимания, мышления

Таблица 2

Контрольно-зачетные нормативы специализации баскетбол коррелирующие с процессами памяти, внимания, мышления