Data in Education Seminar/31 05 2023

Описание события	Использование данных и цифровых инструментов в исторических исследованиях и преподавании науки истории
Тип события
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
Среды и средства, которые использовались в рамках события
Формируемые в рамках события компетенции
Область знаний
Местоположение
Карта	Идёт загрузка карты… {"minzoom":false,"maxzoom":false,"mappingservice":"leaflet","width":"auto","height":"300px","centre":false,"title":"","label":"","icon":"","lines":[],"polygons":[],"circles":[],"rectangles":[],"copycoords":false,"static":false,"zoom":10,"defzoom":14,"layers":["OpenStreetMap"],"image layers":[],"overlays":[],"resizable":false,"fullscreen":false,"scrollwheelzoom":true,"cluster":false,"clustermaxzoom":20,"clusterzoomonclick":true,"clustermaxradius":80,"clusterspiderfy":true,"geojson":"","clicktarget":"","imageLayers":[],"locations":[],"imageoverlays":null}

Основные понятия

Description

Макроскоп

Подобно 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 моделирование

Агентное 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?

Среды агентного моделирования

Лого

Description

Лого

Лого - 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

Scratch

Среда 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 с агентами - бабочками

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 Nova	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.

NetLogo

Description

NetLogo

Язык 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.

Литература

Книги на поле

	Inventor	Description
Agent-Based and Individual-Based Modeling: A Practical Introduction	Railsback Grimm	Подробное руководство по дизайну экспериментов в среде Netlogo с использованием BehaviorSpace и использованием ODD принципов
An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo	Wilensky 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.
Modeling Social Behavior: Mathematical and Agent-Based Models of Social Dynamics and Cultural Evolution	Smaldino	Социальные, поведенческие и когнитивные науки исторически полагались на силу слова. Слова имеют силу. Богатые аналогии могут найти отклик в умах читателей и пролить свет на тайны природы. Я говорю о вербальных теориях, описательных объяснениях сложных явлений. Большинство теорий, вероятно, более точны, чем поэтичны, но они, как правило, опираются на свойство большинства языков, согласно которому фраз могут нести в себе несколько возможных импликатур — рассмотрим, например, такие слова, как «восприятие», «категория», «идентичность», «тождественность» обучение» и даже «реакция» достаточно двусмысленны, чтобы допускать множество интерпретаций. То есть язык по своей сути (и адаптивно) расплывчат и двусмыслен. В конечном счете, это проблема для ученых, потому что нам нужно предельно четко понимать, о чем мы говорим, чтобы выдвинуть полезные теории Вселенной.
Thinking Like a Tree	Resnick	Thinking 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 microworld	Resnick	Книга "Черепахи, термиты и дорожные пробки: исследования в микромире массово-параллельных вычислений" Децентрализованный подход к феноменам окружающего мира - на основе использования микромира с тысячами черепашек
Незримый колледж МЭШ	Patarakin	Статья, 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.

Организация и визуализация данных для представления истории

World Historical Timeline Data Initiative

https://youtu.be/zMa6xm8cfjo