Свойство:Learning outcomes
Материал из Поле цифровой дидактики
Это свойство типа Текст.
C
Дисциплина "Облачные технологии" предназначена для магистрантов педагогического ВУЗа и представляет собой курс, который знакомит студентов с основами и принципами работы облачных технологий. В результате освоения дисциплины студент
; Знает
: Основные понятия облачных технологий
: Возможности использования облачных сервисов
: Возможности использования данных, которые накапливают облачные платформы
; Умеет
: Использовать облачные сервисы в собственной исследовательской деятельности
: Использовать облачные сервисы для организации совместной деятельности учащихся
: Использовать данные облачных сервисов для анализа учебного процесса
; Понимает
: Как объединить образовательные и аналитические возможности облачных технологий +
А
Цель
* теоретические знания и практический опыт в области основ алгоритмизации задач, классификации языков программирования, типов данных, структур данных, взаимосвязь алгоритмов и структур данных, особенностей реализации алгоритмов и типов данных в языках блочного программирования Scratch, Snap!, GP
; Знать
: Основные понятия, связанные с миром алгоритмов и структур данных
: основы алгоритмизации задач, структуры данных;
: типы данных, структуры данных;
: методы и алгоритмы поиска и сортировки данных;
; Уметь
* обращаться к внешним и внутренним данным из среды Semantic MediaWiki, уметь использовать различные типы данных внутри Semantic MediaWiki
* обмениваться проектами и блоками программ в Snap!
* сравнивать и объединять статьи о языках программирования
* импортировать и экспортировать данные в среду визуального программирования Snap!
* проектировать и программировать линейные и разветвляющиеся структуры алгоритмов;
* планировать процесс реализации алгоритма при помощи псевдокода и диаграмм
* использовать язык '''dgl''' , mermaid, '''PlantUML''' встраивать диаграммы алгоритмов в вики страницы
* представлять алгоритмы на страницах вики в виде диаграмм, псевдокода, кода на различных языках программирования
* создавать собственные блоки (команды и процедуры с входными параметрами) в среде Snap! (создавать функции с использованием различных типов данных))
* оценивать и сравнивать эффективность алгоритмов, вычислительную сложность алгоритмов
* использовать рекурсию в командах и процедурах, использовать рекурсию при создании собственных функций
* использовать объекты первого класса и лямбда исчисления. +
В результате освоения дисциплины слушатель должен:
; Знать
* особенности типов и источников данных
; Уметь:
* планировать процесс обработки, визуализации, анализа и интерпретации данных при помощи UML диаграмм (plantUML, MerMaid)
* использовать сетевые сервисы для экспресс-анализа и интерпретации данных (RAWGraphs)
* очищать, обрабатывать и видоизменять данные, приводя их к опрятному виду tidy data (Snap!, R)
* совершать операции статистического анализа
; Владеть:
* навыками выстраивания процесс анализа и интерпретации данных от исходных сырых данных до публикации отчета или статьи
* навыками выращивания данных в искусственных сообществах (NetLogo, GAMA) +
В
В результате обучения:
* Знать способы представления данных
* Уметь собирать данные в цифровой среде
* Уметь обрабатывать данные
* Уметь представлять данные в различных формах
* Уметь интерпретировать карты и диаграммы +
И
Цель курса – сформировать у студентов целостное представление о современных подходах и методах научной коммуникации в психолингвистических исследованиях в условиях цифровой трансформации науки. Курс ориентирован на развитие навыков вычислительного мышления в психолингвистике, навыков работы с цифровыми платформами, умений управления научными данными и инструментов анализа, визуализации и организации совместных исследований психолингвистического профиля.
; Задачи курса:
* Сформировать у студентов целостное представление о трансформации научной коммуникации и психолингвистических исследований под влиянием современных информационно-коммуникационных технологий (ИКТ).
* Раскрыть основные тенденции цифровизации научной деятельности, включая новые методы анализа, моделирования, визуализации и совместной работы на платформе ИКТ в психолингвистике.
* Ознакомить студентов с современными цифровыми инструментами и ресурсами для осуществления исследовательской, аналитической и проектной деятельности в области психолингвистики, а также с принципами организации открытой и воспроизводимой науки. +
* Понимать основы социо-технических систем
* Понимать принципы работы ИС
* Разрабатывать и внедрять ИС
* Анализировать и интерпретировать данные ИС
* Использовать Semantic MediaWiki для организации ИС
* Моделировать поведение информационных систем
+
* Понимать основы социо-технических систем
* Понимать принципы работы ИС
* Разрабатывать и внедрять ИС
* Анализировать и интерпретировать данные ИС
* Использовать Semantic MediaWiki для организации ИС
* Моделировать поведение информационных систем
+
М
* Научиться находить и собирать большие наборы данных из открытых источников (Википедия, вики-проекты), адаптировать их для учебных задач.
* Освоить основные подходы к анализу, обработке и визуализации больших данных без сложных программных реализаций.
* Уметь выявлять структуры, отношения и тренды в образовательных и языковых данных, используя доступные онлайн-инструменты и простые скрипты.
* Получить базовое представление о применении машинного обучения для анализа текстовых и структурированных данных.
* Разработать свои проекты по анализу цифровых образовательных ресурсов, применимых в школьной практике и во внеурочной деятельности.
+
Цель курса – формирование у студентов магистерской программы "Психолингвистика речевого воздействия" системных знаний и практических навыков в области современных методов информационного анализа текстовых данных с использованием открытых программных решений и психолингвистических подходов.
; Задачи курса:
* Освоение теоретических основ и методологии информационного анализа текста в контексте психолингвистических исследований, включая понимание принципов обработки естественного языка, статистического анализа текстовых корпусов.
* Развитие практических навыков работы с открытыми программными инструментами, особенно средой R и специализированными пакетами для текстовой аналитики (tidytext, quanteda, tm), а также освоение техник получения текстовых данных через MediaWiki API и другие открытые источники.
* Формирование компетенций интеграции количественных и качественных методов анализа для решения исследовательских задач в области психолингвистики речевого воздействия, включая анализ тональности, выявление психоэмоциональных характеристик текста и определение личностных особенностей автора.
В результате изучения дисциплины студент должен:
; знать
# Теоретические основы информационного анализа текста и его место в системе психолингвистических исследований
# Современные методы обработки естественного языка и компьютерной лингвистики
# Принципы работы с MediaWiki API и другими источниками текстовых данных
# Основы статистической обработки текстовых корпусов в среде R
# Психолингвистические подходы к анализу речи и текста.
; уметь:
# Проводить предобработку и нормализацию текстовых данных (токенизация, стемминг, лемматизация)
# Использовать пакеты R для текстовой аналитики (tidytext, quanteda, tm, stringr)
# Получать и обрабатывать текстовые данные через MediaWiki API
# Применять методы анализа тональности и настроений в текстах
# Проводить психолингвистический анализ текстовых данных
# Визуализировать результаты анализа текста (облака слов, графики частотности, сети).
; владеть:
# Навыками программирования в среде R для решения задач текстовой аналитики
# Методиками интегрированного анализа больших текстовых корпусов
# Техниками извлечения психологической информации из текстовых данных
# Инструментами веб-аналитики текста и онлайн-сервисами
# Навыками интерпретации результатов количественного анализа в контексте психолингвистических теорий
* Научиться находить и собирать большие наборы данных из открытых источников (Википедия, вики-проекты, NetLogo модели), адаптировать их для учебных задач.
* Освоить основные подходы к обработке и визуализации больших данных.
* Уметь выявлять структуры, отношения и тренды в образовательных и языковых данных,.
* Разработать свои проекты по обработке цифровых данных, применимых в школьной практике и во внеурочной деятельности.
+
Цели курса
; Овладеть основными методами многоагентного моделирования применительно к исследованию группового поведения
; Результаты
# Использовать многоагентные модели для представления и изучения группового поведения;
# Создавать и использовать организационные схемы, определяющие поведение моделей;
# Создавать многоагентные модели в средах блочного и текстового программирования (Snap!, StarLogo Nova, NetLogo);
# Использовать многоагентные модели для выращивания данных о совместной деятельности.
# Планировать серии экспериментов по нескольким переменным с использованием Behavior Space
# Анализировать данные, полученные в искусственных сообществах при помощи открытых инструментов RAWGraphs, CODAP +
О
Знания, умения, понимания:
* знает принципы работы современных облачных технологий
* имеет практический опыт с IoT-технологиями
* понимает принципы распределенных вычислений через визуальное программирование +
Готовность студентов к профессиональной деятельности, связанной с обработкой и анализом больших данных, в педагогической сфере.
; Знать
# основные понятиям и термины в области обработки больших данных
# методы сбора, выращивания, хранения и обработки больших данных.
# методов анализа больших данных
# инструменты визуализации данных для представления и интерпретации результатов анализа
; Уметь
# Собирать данные с полей учебной и исследовательской деятельности
# Выращивать данные в искусственных средах. Ставить эксперименты с данными
# Обрабатывать данные
#
# +
* Использовать готовые модели для обучения, исследования и обсуждения
* Проектировать модели
* Программировать модели
+
* Использовать готовые модели для обучения, исследования и обсуждения
* Проектировать модели
* Программировать модели
+
П
'''Целью освоения дисциплины''' является формирование у студентов понимания принципов построения и развития сетевых сообществ.
'''Результаты обучения''': обучающийся понимает, как устроены различные типы сетевых образовательных сообществ, как осуществляется воздействие на участников сообществ, какие источники данных об отдельных участниках и сообществе в целом могут быть доступны и как эти данные интерпретировать.
В результате освоения дисциплины слушатель должен:
; Знать
* основные типы сетевых ресурсов, на основании которых выстраивается деятельность сетевых сообществ;
* различные типы платформ, поддерживающих деятельность сетевых сообществ;
* '''организационные схемы, представляющие деятельность сетевых сообществ'''
* жизненные циклы и этапы развития сетевых сообществ;
* стили и модели управления поведением участников сетевых сообществ;
* '''источники данных, отражающих деятельности сетевых сообществ'''
* среды моделирования коллективного поведения
; Уметь:
* создавать и поддерживать группы участников сетевых сообществ
* '''создавать и анализировать организационные схемы функционирования сетевых сообществ'''
* использовать различные приёмы модерирования деятельности участников сетевых сообществ;
* '''анализировать деятельность сетевых сообществ на основании данных лог-файлов''' ;
* выявлять ключевых участников и устойчивые сетевые структуры, определяющие жизнеспособность сетевых сообществ.
* использовать многоагентные модели для выращивания данных о совместной деятельности
; Владеть:
* навыками создания групп и команд на базе сетевых сообществ (например, категории, шаблоны, формы для определённой группы);
* '''методами оценивания жизнеспособности и устойчивости сетевых сообществ'''
* методами модерирования контента, создаваемого участниками сетевых сообществ +
Знать:
# основные параметры распределений (математическое ожидание, дисперсия, стандартное отклонение) и их интерпретацию в социальных исследованиях;
# понятие корреляции и ковариации, методы оценки линейной связи между социально-экономическими показателями;
# базовые принципы регрессионного анализа: концепция модели, остатки, предпосылки (линейность, гомоскедастичность, нормальность остатков).
; Уметь:
# рассчитывать и интерпретировать статистические характеристики выборки на конкретных данных (например, оценки доходов семей из выборочного обследования населения);
# строить и проверять графики распределения выборочных данных и диаграммы рассеяния для анализа связи между переменными;
# оценивать параметры простой линейной регрессии и проводить тест значимости коэффициентов (t-тест, F-тест).
; Владеть:
# навыками описательного анализа с помощью R (функции mean(), sd(), plot(), lm());
# приёмами проверки предпосылок регрессионной модели через графики остатков и тесты на гетероскедастичность +
Цель освоения дисциплины — формирование у студентов понимания общих принципов программирования в контексте цифровой дидактики на базе Semantic MediaWiki digida.mgpu.ru, с акцентом на создание активных эссе через комбинацию языков ask, Scratch, NetLogo, Lua и R.
; Результаты обучения
*Обучающийся понимает и умеет использовать базовые конструкции программирования в указанных языках и инструментах для обогащения вики-страниц динамическим контентом.
; Знать
* Основные типы данных (строки, массивы/списки, агенты/патчи) и их особенности в #ask, Scratch, NetLogo, Lua, R.
* Основы визуального, процедурного и скриптового программирования в образовательных средах digida.mgpu.ru.
* Особенности реализации программ в различных инструментах SMW (SyntaxHighlight для Lua, EmbedScratch для Scratch, NetLogo Web, #ask для семантических запросов).
; Уметь
* Выбирать подходящий инструмент программирования (ask для фильтрации данных, NetLogo для моделирования, Lua для модулей) в зависимости от задачи активного эссе.
* Выполнять стандартные операции (ветвление, циклы, обработка строк и массивов) в каждом из языков.
* Структурировать программы: создавать функции в NetLogo/Scratch, скрипты Lua для Scribunto, запросы #ask с форматтерами; работать с данными через R и MediaWiki API.
* Находить ошибки, улучшать код, документировать программы в формате вики-страниц с SyntaxHighlight.
; Владеть
* Навыками совмещения нескольких языков (Lua-модуль с #ask, NetLogo-модель со Scratch, R-визуализациями) для создания интерактивных образовательных объектов.
* Навыками совместной деятельности в Semantic MediaWiki: редактирование активных эссе, использование свойств страниц и запросов для коллективных проектов. +
'''Результаты обучения''': обучающийся понимает и умеет использовать возможности визуальных языков программирования для освоения математических и физических понятий
; '''Знать'''
# основные типы данных, их особенности
# особенности реализации программ на визуальных языках различных типов ;
; Уметь
# выбирать наиболее подходящий способ программирования;
# использовать языки визуального программирования для моделирования базовых паттернов;
# использовать распространенные языковые конструкции;
# обрабатывать данные, загружать данные, сохранять данные
# создавать собственные функции
# выращивать данные в искусственных микромирах
# находить ошибки, улучшать код, документировать программу
# обращаться к агентам на основе их породных свойств
; Владеть
# навыками использования нескольких языков визуального программирования для создания моделей физических процессов +
Цель курса – формирование у студентов магистерской программы "Информатика и английский язык" системных знаний и практических навыков в области современных методов информационного анализа текстовых данных с использованием открытых программных решений.
; Задачи курса:
* Освоение теоретических основ и методологии информационного анализа текста в, включая понимание принципов обработки естественного языка, статистического анализа текстовых корпусов.
* Развитие практических навыков работы с открытыми программными инструментами, особенно средой R и специализированными пакетами для текстовой аналитики (tidytext, quanteda, tm), а также освоение техник получения текстовых данных через MediaWiki API и другие открытые источники.
* Формирование компетенций интеграции количественных и качественных методов анализа для решения исследовательских.
В результате изучения дисциплины студент должен:
; знать
# Теоретические основы информационного анализа текста
# Современные методы обработки естественного языка и компьютерной лингвистики
# Принципы работы с MediaWiki API и другими источниками текстовых данных
# Основы статистической обработки текстовых корпусов в среде R
; уметь:
# Проводить предобработку и нормализацию текстовых данных (токенизация, стемминг, лемматизация)
# Использовать пакеты R для текстовой аналитики (tidytext, quanteda, tm, stringr)
# Получать и обрабатывать текстовые данные через MediaWiki API
# Применять методы анализа тональности и настроений в текстах
# Проводить психолингвистический анализ текстовых данных
# Визуализировать результаты анализа текста (облака слов, графики частотности, сети).
; владеть:
# Навыками программирования в среде R для решения задач текстовой аналитики
# Методиками интегрированного анализа больших текстовых корпусов
# Инструментами веб-аналитики текста и онлайн-сервисами +
