Data in Education Seminar/31 05 2023

Материал из Поле цифровой дидактики


Описание события Использование данных и цифровых инструментов в исторических исследованиях и преподавании науки истории
Тип события Семинар
Начало 2023-05-31T16:00:08.000Z
Окончание 2023-05-31T18:00:08.000Z
color orange
Адрес события http://digida.mgpu.ru/index.php/Data in Education Seminar/31 05 2023
Видео запись события https://www.youtube.com/watch?v=0fYGgiLq01c
Среды и средства, на которые повлияло событие NetLogo, Semantic MediaWiki
Формируемые в рамках события компетенции
Область знаний
Местоположение 55° 48' 22.89" N, 37° 36' 58.69" E
Карта
Идёт загрузка карты…

Основные понятия

 DescriptionInventor
Вычислительное мышлениеОбъединение способностей человека и возможностей вычислительной техники. Способность усиливать свою деятельность, привлекая к себе на помощь программных агентов. Производные понятия - вычислительная наука, вычислительная история.Repenning
Papert
 Description
Вычислительная историяВычислительная история - это междисциплинарная область, которая объединяет исторические исследования с методологиями компьютерных наук и цифровых гуманитарных наук для анализа, моделирования и визуализации исторических данных. Это относительно новая область, возникшая в ответ на растущую доступность цифровых ресурсов и растущий интерес к количественным подходам к историческим исследованиям. Истоки вычислительной истории можно проследить в 1940-х и 1950-х годах, когда историки начали использовать статистические методы и ранние компьютеры для анализа исторических данных. Одним из пионеров в этой области был французский историк Фернан Бродель https://ru.wikipedia.org/wiki/Бродель,_Фернан который использовал количественные методы для изучения средиземноморского мира в XVI веке.
 Description
МакроскопПодобно тому, как микроскоп помогает нашему невооруженному глазу чтобы видеть бесконечно малые клетки, микробы и вирусы, тем самым поддерживает прогресс в области биологии и медицины или телескоп открывает бесконечную необъятность космоса, и подготавливает человечество к завоеванию космоса, макроскоп помогает нам справиться с другим бесконечным: бесконечно сложным. Макроскопы дают нам "видение целого" и помогают нам "синтезировать". Макроскопы позволяют нам обнаруживать закономерности и тенденции в ландшафте науки. Вместо того, чтобы делать вещи больше или меньше, макроскоп помогает изучать сети объектов, которые одновременно слишком велики, слишком медленны или слишком сложны для наших глаз.
 Description
Агентное моделированиеАгентное моделирование (agent-based model) (ABM)— метод имитационного моделирования, исследующий поведение децентрализованных агентов и то, как такое поведение определяет поведение всей системы в целом. В отличие от системной динамики аналитик определяет поведение агентов на индивидуальном уровне, а глобальное поведение возникает как результат деятельности множества агентов (моделирование «снизу вверх»). ABM представляют собой модели, в которых отдельные лица или агенты описываются как уникальные и автономные объекты, которые обычно взаимодействуют друг с другом и с окружающей их средой на местном уровне. Агентами могут быть организмы, люди, предприятия, учреждения и любые другие объекты, преследующие определенную цель. Когда мы даем агентам правила адаптации к изменениям в их среде и к тому, что делают другие агенты, тогда поведение каждого отдельного агента и, следовательно, поведение всей системы вытекает из этих правил, характеристик агентов и окружающей среды. Эмерджентность - это основная объясняющая концепция агентного моделирования. Эпштейн и Акстелл (1996) удачно описали этот вид объяснения своим знаменитым вопросом:
  • «Сможете ли вы его вырастить?»:
    • Можете ли вы заставить вашу модельную систему выглядеть и вести себя как настоящая, снабдив своих агентов правильным адаптивным поведением?

История агентного моделирования

В обзоре вычислительной истории Computational history : from big data to big simulations (Nanetti, A., & Cheong, S. A. (2018). Computational History: From Big Data to Big Simulations. In S.-H. Chen (Ed.), Big Data in Computational Social Science and Humanities (pp. 337–363). Springer International Publishing. https://doi.org/10.1007/978-3-319-95465-3_18 ) авторы приводят следующие вехи развития.


Сегрегация

 Description
Segregation (model)Модель сегрегации
Модель сегрегации Шеллинга
– это агент-ориентированная модель, которая иллюстрирует, как индивидуальные тенденции в отношении соседей могут привести к сегрегации. Модель особенно полезна для изучения жилищной сегрегации этнических групп, где агенты представляют домовладельцев, которые переселяются в город. В модели каждый агент принадлежит к одной из двух групп и стремится жить в районе, где доля "друзей" достаточно высока: выше определенного порогового значения F. В зависимости от F, для групп равного размера, модель проживания по Шеллингу сходится либо к полной интеграции (случайное распределение), либо к сегрегации.

Prisoner's dilemma

 Description
Prisoner's dilemmaДилемма заключенного - это классическая задача в теории игр, которую можно использовать для преподавания вычислительной истории, иллюстрируя динамику сотрудничества и конкуренции в исторических контекстах. Дилемма заключенного может быть включена в вычислительную историю несколькими способами: 1) Моделирование исторических взаимодействий: Дилемма заключенного может быть использована в качестве основы для моделирования взаимодействия между историческими акторами, такими как отдельные люди, группы или государства. Моделируя решения и выплаты этих субъектов в различных сценариях, учащиеся могут получить представление о факторах, повлиявших на сотрудничество или конкуренцию в исторических событиях. 2) 2. Изучение возникновения норм и институтов: Дилемма заключенного может быть использована для изучения возникновения социальных норм и институтов в исторических обществах. Например, учащиеся могут создать агентные модели, которые имитируют взаимодействие людей, следующих правилам дилеммы заключенного, а затем проанализировать, как различные стратегии, такие как tit-for-tat или всегда сотрудничать, приводят к развитию норм сотрудничества или к его разрушению.

Boid (Flocking)

 Description
Flocking (model)Модель самопроизвольного формирования стаи в результате действий множества участников (птиц, рыб, людей). Модель формирования стаи - это классическая агентно-ориентированная модель, основанная на оригинальных моделях Рейнольдса (1987). Модель демонстрирует, что стаи птиц могут возникать даже в отсутствии специальных птиц-вожаков, которые ведут всех за собой. Скорее, каждая птица следует общему же набору правил, и из выполнения всеми простых правил появляются стаи. Каждая птица следует трем правилам: «выравнивание», «разделение» и «сплоченность».
  1. «Выравнивание» означает, что птица поворачивается так, что движется в том же направлении, что и ближайшие птицы.
  2. «Разделение» означает, что птица поворачивается, чтобы не столкнуться с другой птицей.
  3. «Сплоченность» означает, что птица движется к другим ближайшим птицам.

Правило «разделения» имеет приоритет над двумя другими, что означает, что если две птицы приближаются друг к другу, они всегда будут разделяться. В этом случае два других правила отменяются до тех пор, пока не будет достигнуто минимальное разделение. Эти три правила влияют только на направление птицы. Каждая птица всегда движется вперед с одинаковой постоянной скоростью.

Правила удивительно надежны и могут быть адаптированы к скоплению насекомых, стаям рыб и паттернам «V» стаи гусей (Stonedahl & Wilensky, 2010a).

Среды агентного моделирования

Лого

 Description
ЛогоЛого - первый язык созданный для обучения детей математике при помощи компьютера. Язык Лого получил очень широкое распространение и популярность благодаря работам Пейперта и его книге "Переворот в сознании: дети, компьютеры и плодотворные идеи". В восьмидесятые годы Logo и LogoWriter были установлены в США на каждом четвертом школьном компьютере. Черепашка Лого, способная принимать облик различных видов растений и животных, активно использовалась для образовательных и исследовательских проектов. Многочисленные языки с роботами исполнителями являются потомками Лого.

Scratch

 Description
ScratchСреда программирования, которая позволяет детям создавать собственные анимированные и интерактивные истории, игры и другие произведения. Этими произведениями можно обмениваться внутри международной среды, которая постепенно формируется в сети Интернет. Scratch — это учебный блочный язык программирования, позволяющий ученикам создавать игры, цифровые истории. Среда разработки дает возможность детям редактировать аудиофайлы и монтировать небольшие, но полноценные видеоролики. В новые версии языка создатели обещают добавить функционал для создания собственных мобильных приложений.
Пример стаи в Scratch

Snap!

 Description
Snap!Блочный язык программирования для преподавания алгоритмов и структур данных. Snap! - потомок языка Scratch. В отличие от Scratch Snap! поддерживает лямбда-исчисление, объекты первого класса, процедуры, рекурсия и множество других возможностей. С версии 4.0 Snap! получил современное название и был переписан на JavaScript.
Пример с агентами - учителями МЭШ

StarLogo Nova

 Description
StarLogo Nova120px-Slnova.png
  • StarLogo Nova – среда совместного агентного моделирования в трехмерной среде. Во многом это среда продолжает и развивает традиции языка Scratch. При этом здесь можно ставить серьезные эксперименты и получать воспроизводимые результаты. Центральной метафорой среды является мир (World), в котором можно создавать агенты различных пород.
Пример с историей мячиков на футбольном поле


 Description
NetLogoЯзык программирования и среда для построения многоагентных моделей. В качестве агентов в системе действуют пятна, черепашки и связи. Ко всем агентам можно обратится. При этом пятна нельзя уничтожить, а связи исчезают, если погибают черепашки, которых они связывают. NetLogo чаще других используется при создании многоагентных моделей, поскольку программы не этом языке понятны специалистам различных предметных областей. Библиотека NetLogo содержит множество готовых моделей по биологии, математике, химии, социология. С этими моделями могут ознакомиться и поиграть ученики.


Модели исторических событий

Джошуа Эпштейн и Роберт Акстелл разработали компьютерную модель с помощью которой они собирались исследовать различные общественные феномены. У них были жуки, которые могли перемещаться в поисках сахара, накапливать этот сахар, передавать его по наследству. Из простых правил з формируется сложное общественное поведение. В книге про выращивание искусственных обществ возник этот термин proto-history - как история искусственного общества, которая может быть интерпретирована по разному.


Sugarscape model

 Description
Sugarscape modelSugarscape model (сахарная модель) - один из методов(моделей) разработки искусственного общества. Модель стала популярна благодаря известной работе «Growing Artificial Societies». Является одной из простых моделей и прекрасным инструментом для обсуждения и экспериментального исследования ряда научных вопросов. Имеется некоторая окружающая среда — сахарный ландшафт, где в двумерном пространстве разбросан сахар — где-то больше, где-то меньше; и туда же помещены агенты-жуки, которые ползают по сахарному ландшафту по простым правилам: агенту надо есть сахар, и он перемещается туда, где сахара больше. Так они двигаются, поедают сахар, который появляется в той или иной точке тоже по каким-то законам. Наблюдая за поведением агентов на экране мы видим то, что Джошуа Эпштейн и Роберт Акстелл определили как прото-историю или Proto-Narrative

Сак утверждал, что Эпштейн трактовал эту прото-историю и как прото-нарратив - рассказ об агентах, который может служить основой для понимания общественных отношений, которые складываются между множеством агентов, следующих простым правилам и в результате возникает такой системный эмерджентый эффект. В моделях NetLogo возникают такие прото-рассказы и они могут служить основой для понимания разных феноменов, например, то что мы наблюдаем на экране - это то как из простых действий с палочками собирается термитник. Из встретил палочку возьми, идешь с палочкой и встретил палочку - положи - возникает феномен создания одного единственного круглого термитника, для создания которого никакие дополнительные правила не нужны.


Artificial Anasazi

 Description
Artificial AnasaziПроект был посвящен воспроизведению древнеиндейской культуры анасази в виде цифрового искусственного общества. Была смоделирована динамика города Кайента (Аризона, США) в период с 900 по 1350 год нашей эры, после которого упомянутая цивилизация исчезла. Главный вопрос для археологов был следующий: почему так произошло? С использованием расширенной версии модели Sugarscape была создана окружающая агентов среда с учетом гидрологических особенностей территории, плодородности почвы, засушливости и других параметров. В свою очередь, расселение анасази по территории в рамках цифровой модели осуществлялось на основе данных, собранных лабораторией годичных колец Аризонского университета (Tree Ring Laboratory at the University of Arizona).

Urban Suite - Economic Disparity

 Description
Urban Suite - Economic DisparityКогда в мире появляется новое место работы, оно случайным образом выбирает некоторое количество местоположений (управляемое ползунком КОЛИЧЕСТВО ИСПЫТАНИЙ) и выбирает то, которое имеет самую высокую цену (то есть стоимость земли). Поначалу это может показаться иррациональным, но в этой модели предполагается, что рабочие места перемещаются туда, где находится богатство. Если в определенной области денег больше, то есть более состоятельные люди, которые могут потратить эти деньги на товары и услуги. В этой модели есть два принципиально разных типа людей — «бедные» люди (показаны синим цветом) и «богатые» люди (показаны розовым цветом), и у них разные приоритеты. Оба типа людей желают располагаться недалеко от места работы. Однако богатые люди ищут место с хорошим качеством, не обращая внимания на цену, в то время как бедные люди ищут места с низкой ценой, не обращая внимания на качество.

Литература

Книги на поле

 InventorDescription
Agent-Based and Individual-Based Modeling: A Practical IntroductionRailsback
Grimm
Подробное руководство по дизайну экспериментов в среде Netlogo с использованием BehaviorSpace и использованием ODD принципов
  • 120px-Behavior_space_flocking.png
An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogoWilensky
Rand
Введение в моделирование систем при помощи языка NetLogo (от создателя языка) - использование NetLogo в естественно-научном, инженерном и общественном образовании
Growing Artificial Societies: Social Science From the Bottom Up (Complex Adaptive Systems)Epstein
Axtell
Первая книга о выращивании искусственных сообществ. В книге представлена модель Sugarscape - простое искусственное общество, в котором агенты живут на двухмерной сетке и взаимодействуют друг с другом на основе правил, регулирующих передвижение, размножение и торговлю. Модель Sugarscape служит основой для изучения различных социальных явлений, таких как возникновение распределения богатства, передача культуры, сотрудничество и конфликты.
Thinking Like a TreeResnickThinking Like a Tree (and Other Forms of Ecological Thinking ) В дождливых лесах Коста-Рики есть необычный тип дерева, известный как шагающее (walking) дерево. Оно довольно странно выглядит. Как будто кто-то вытащил дерево на метр из под земли и так и оставил с торчащими во все стороны корнями. Согласно справочникам по дождливым лесам шагающее дерево действительно меняет свое местоположение, хотя и делает это очень медленно. Его корни действуют как оценивающая система, нацеленная на поиск наилучшей почвы для дерева. Если почва с северной стороны дерева лучше, то корни с этой стороны врастают глубже и становятся крепче. Если почва с южной стороны беднее, то корни с этой стороны остаются поверхностными и слабыми. По мере того, как корни с северной стороны углубляются в почву, все дерево постепенно перемещается на север, протягивая свои корни в этом направлении. По мере того, как дерево двигается, у него появляются новые корни, некоторые из них протягиваются еще дальше на север. Если они находят там еще лучшую почву, то дерево еще немножко сдвигается на север. Или, если почва лучше на востоке, дерево сдвигается на восток. Мы можем сказать, что дерево следует стратегии TREE - T- test - пробуй, R - randomly - случайно, E-evaluate - оценивай (определяй, какие из корней нашли лучшую почву), E-elect - выбирай (направление, куда будем двигаться). Конечно, шагающее дерево в действительности не выбирает и не принимает решение, куда двигаться. Но, этот способ размышления о дереве, следующем определенной стратегии поведения, может оказаться полезным.
Turtles, termites, and traffic jams: explorations in massively parallel microworldResnickДецентрализованный подход к феноменам окружающего мира - на основе использования микромира с тысячами черепашек
Незримый колледж МЭШPatarakinСтатья, в которой понятие незримого колледжа применяется к сообществу учителей, сотрудничающих внутри репозитория московской электронной школы.

Статьи

  1. Ponsard C., Masson A., Desmet W. Historical Knowledge Modelling and Analysis through Ontologies and Timeline Extraction Operators: Application to Computing Heritage: // Proceedings of the 10th International Conference on Model-Driven Engineering and Software Development. Online Streaming, --- Select a Country ---: SCITEPRESS - Science and Technology Publications, 2022. P. 302–309.
  2. The Joys of Big Data for Historians // Exploring Big Historical Data. WORLD SCIENTIFIC, 2021. P. 1–34. https://themacroscope.org/
  3. Nanetti A. AI, ML, and ABMS for Historical Sciences. Opportunities and Limits // Digital Orientalia. 2021. Vol. 1, № 1. P. 12–18.
  4. Computer Magazines and Historical Research // Code Nation: Personal Computing and the Learn to Program Movement in America. New York, NY, USA: Association for Computing Machinery, 2020.
  5. Ponsard C. Teaching Computer Programming to Post-millennial Kids: Overview of Goals, Activities and Supporting Tools. // CSEDU (2). 2019. P. 474–480.
  6. Nanetti A., Benvenuti D. Animation of two-dimensional pictorial works into multipurpose three-dimensional object. The Atlas of the ships of the known world depicted in the 1460 Fra Mauro’s Mappa Mundi as a showcase // SCIRES-IT-SCIentific RESearch and Information Technology. 2019. Vol. 9, № 2. P. 29–46.
  7. Floyd S.P. Historical High School Computer Science Curriculum and Current K-12 Initiatives - Proceedings of the 50th ACM Technical Symposium on Computer Science Education. New York, NY, USA: Association for Computing Machinery, 2019. P. 1287.
  8. Nanetti A., Cheong S.A. Computational History: From Big Data to Big Simulations // Big Data in Computational Social Science and Humanities / ed. Chen S.-H. Cham: Springer International Publishing, 2018. P. 337–363.
  9. Nanetti A., Cheong S.A. Computational history : from big data to big simulations. Springer Nature Switzerland AG, 2018.
  10. Matrosov Institute for System Dynamics and Control Theory SB RAS, Lermontov St. 134, Irkutsk, Russia, 664033 et al. Machine Learning in a Multi-Agent System for Distributed Computing Management // Collection of selected papers of the IV International Conference on Information Technology and Nanotechnology. IP Zaitsev V.D., 2018. P. 89–97.
  11. Chen S.-H., Yu T. Big Data in Computational Social Sciences and Humanities: An Introduction // Big Data in Computational Social Science and Humanities / ed. Chen S.-H. Cham: Springer International Publishing, 2018. P. 1–25.
  12. Francois P. et al. A macroscope for global history - Seshat Global History Databank: a methodological overview // Digital Humanities Quarterly. Alliance of Digital Humanities Organizations, 2016.
  13. Edmond J. Will Historians Ever Have Big Data? // Computational History and Data-Driven Humanities / ed. Bozic B. et al. Cham: Springer International Publishing, 2016. P. 91–105.
  14. Barceló J.A., Del Castillo F. Simulating the Past for Understanding the Present. A Critical Review // Simulating Prehistoric and Ancient Worlds / ed. Barceló J.A., Del Castillo F. Cham: Springer International Publishing, 2016. P. 1–140.
  15. Gavin M. Agent-Based Modeling and Historical Simulation // DHQ. 2014. Vol. 008, № 4.
  16. Millington J.D.A., O’Sullivan D., Perry G.L.W. Model histories: Narrative explanation in generative simulation modelling // Geoforum. 2012. Vol. 43, № 6. P. 1025–1034.

Видео с семинаров близкой тематики

Модели и сообщества

Models_Communities - https://insp.mgpu.ru/seminar/22-23
Для обсуждения представлены сообщества, участники которых создают цифровые модели и модели, которые позволяют изучать сетевые сообщества.

Маэстро картографии


Организация и визуализация данных для представления истории

World Historical Timeline Data Initiative
https://youtu.be/zMa6xm8cfjo