Разработка способа ранжирования онлайн-курсов на основании психологической модели обучаемого
Исследование существующих платформ дистанционного обучения и электронных онлайн-курсов. Построение рекомендательного метода, основанного на психологической модели обучаемого, учитывающего предпочтения студента в восприятии и обработке информации.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 30.08.2016 |
| Размер файла | 615,0 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ
«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ «ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»
Московский институт электроники и математики
Выпускная квалификационная работа
РАЗРАБОТКА СПОСОБА РАНЖИРОВАНИЯ ОНЛАЙН-КУРСОВ НА ОСНОВАНИИ ПСИХОЛОГИЧЕСКОЙ МОДЕЛИ ОБУЧАЕМОГО
по направлению Информационные системы и технологии
Студент: Колпаченко Сергей Юрьевич
Москва 2016 г.
Аннотация
Объектом исследования являются платформы дистанционного обучения и электронные онлайн-курсы. Цель работы заключается в построении рекомендательного метода, основанного на психологической модели обучаемого, то есть учитывающего предпочтения студента в восприятии и обработке информации. В процессе работы были изучены базовые подходы к построению рекомендательных систем, а также теоретические аспекты проблемы корреляции когнитивного профиля студента и учебного курса. Проанализированы ведущие онлайн-платформы: структура курсов, особенности и возможности прикладного программного интерфейса. В результате исследований было предложено несколько подходов для ранжирования электронных курсов, основанный на психологической модели стилей обучения Фелдера-Сильверман, которые могут быть в дальнейшем успешно применены для значительного улучшения качества предоставляемых рекомендаций онлайн-курсов. Впоследствии, это может повысить качество дистанционного обучения в целом, а также уровень квалификации студентов.
Abstract
E-learning platforms and online-courses are the key object of this research. The main objective of the work is to introduce new possibilities for existing advisory systems' enhancement, which would take into account students' preferences and provide recommendations according to them. In this work, basic recommender algorithms and similarity metrics were investigated. Also, Felder-Silverman psychological model of learning styles, which is the basis of the research, were evaluated and explored to develop the method that is based on a student's cognitive profile. The most popular online-platforms, such as Coursera, and recommender systems, such as CourseTalk and MOOC List, have been analyzed, as well. As the result, proposed methods could be a basis for an online-course advisory system. Afterwards, it will provide some opportunities to improve the sphere of distance learning and a student's qualification as well.
дистанционный обучение электронный информация
Содержание
Введение
1. Предметная область и постановка задачи
1.1 Рекомендательные системы
1.1.1 Персонализация: основные задачи и области применения
1.1.2 Типы и классификация рекомендательных систем
1.1.3 Рекомендации, подобранные вручную
1.1.4 Контентная фильтрация
1.1.5 Коллаборативная фильтрация
1.1.6 Гибридная фильтрация
1.2 Дистанционное обучение
1.2.1 Классификация систем e-learning
1.2.2 Анализ нескольких популярных онлайн-платформ
1.2.3 Структура курсов на платформе Stepic.org
1.2.4 Stepic REST API
1.3 Рекомендательные сервисы e-learning
1.3.1 Анализ рекомендательных подходов
1.4 Психологическая модель стилей обучения
1.4.1 Психологическая модель Фелдера-Сильверман
2. Теоретическая часть
2.1 Анализ модели стилей обучения Фелдера-Сильверман
2.1.1 Сенсорно-интуитивная шкала
2.1.2 Визуально-вербальная
2.1.3 Активно-размышляющая
2.1.4 Последовательно-глобальная
2.1.5 Индекс стилей обучения
2.2 Рекомендательные системы
2.2.1 Метрики схожести
2.2.2 Базовые принципы построения рекомендаций
3. Детали реализации
3.1 Предлагаемый алгоритм
3.1.1 Построение когнитивного профиля
3.1.2 Первый вариант метрики
3.1.3 Второй вариант метрики
3.1.4 Использование критериев поиска платформы MOOC List
Заключение
Список источников
Введение
Невозможно представить современный мир без web-технологий. Интернет уже давно глубоко внедрился в повседневную жизнь практически каждого человека. Каждый день миллиарды пользователей общаются в социальных сетях, совершают покупки в онлайн-магазинах, смотрят фильмы и, конечно же, занимаются тем, для чего изначально создавался Интернет - обмениваются научными знаниями.
В начале обучение по сети, ограничивалось обычным обменом файлами и простыми HTML-страницами. Однако современные технологии дистанционного обучения, или кратко e-learning, совершили огромный скачок вперёд, предоставляя студентам возможность получать высококачественное образование независимо от времени и местоположения.
На сегодняшний день электронное обучение не только не уступает традиционному, но и превосходит его по многим параметрам. Стоит отметить, что основная задача дистанционного обучения заключается не в том, чтобы заменить традиционное, а дополнить его и предоставить студентам дополнительные возможности.
Для воплощения этих задач было создано множество онлайн-сервисов, которые быстро начали набирать свою популярность. Самая крупная на текущий момент образовательная платформа Coursera насчитывает более 15ти миллионов пользователей.
Сегодняшняя огромная популярность онлайн-платформ обусловлена совокупностью многих факторов, однако самые значимые из них - это удобство использования и постоянная доступность учебных материалов в любое время и в любом месте.
Одновременно с этим возникает другая проблема, связанная с огромным многообразием электронных курсов, - студенту порой действительно тяжело определиться с выбором правильного обучающего материала. Следовательно, задача разработки рекомендательных систем становится всё более актуальной. На данный момент создано множество сервисов, основанных на простой рейтинговой системе, абсолютно не учитывающей «вкусы» пользователя.
Однако сама задача выбора курса на самом деле намного сложнее и включает в себя большое количество факторов, о которых студент порой даже и не задумывается. Довольно часто при неправильном выборе онлайн-курса результаты ученика оказываются гораздо ниже, чем могли бы быть. А иногда бывают ситуации, когда студент полностью разочаровывается в определённой предметной области из-за того, что курс кажется ему слишком сложным и непонятным, и больше никогда не возвращается к этой сфере.
Цель работы заключается в построении рекомендательного метода, основанного не просто на глобальном рейтинге курсов, преподавателей и платформ, а на подходе, в полной мере учитывающем специфику студента - его предпочитаемых стилях обучения. В результате, данный метод позволит расширить возможности существующих систем и улучшить качество дистанционного образования в целом.
Для достижения данной цели необходимо решить следующие задачи:
· Изучить базовые подходы построения рекомендательных систем;
· Проанализировать существующие платформы дистанционного обучения и рекомендательные сервисы и выявить недостатки;
· Предложить метод их усовершенствования.
Объектом исследования являются онлайн-платформы дистанционного обучения.
Первый раздел работы посвящён общему описанию предметной области. Рассмотрены базовые понятия и основные подходы построения рекомендательных систем. Затем даётся общий обзор сферы дистанционного обучения: рассматриваются самые популярные онлайн-платформы и анализируется их структура и функциональность. Далее описываются существующие рекомендательные сервисы e-learning и делаются выводы о необходимости их усовершенствования.
Во втором разделе проводится исследование и детальный анализ каждой шкалы психологической модели стилей обучения Фелдера-Сильверман с целью использования её в сфере дистанционного обучения и анализа курсов. Далее описываются теоретические и математические основы метрик схожести, а также рассматриваются особенности основных рекомендательных алгоритмов.
В третьем разделе описываются несколько предлагаемых способов ранжирования онлайн-курсов и метод построения когнитивного профиля, направленные на улучшение дистанционного обучения посредством корреляции особенностей учебного материала и предпочтений студента.
1. Предметная область и постановка задачи
1.1 Рекомендательные системы
1.1.1 Персонализация: основные задачи и области применения
Рекомендательные системы уже давно глубоко внедрились в большинство веб-сервисов. Каждый день пользователи интернета по нескольку раз сталкиваются с советами в выборе фильма или товара в онлайн-магазине, а иногда даже не замечают, как информация предоставляется специально для них, как например, в социальных сетях или при проигрывании музыки.
Персонализация информации - очень важная составляющая современного успешного веб-сервиса. В связи с гигантскими и катастрофически быстро увеличивающимися объёмами информации в интернете проблема предоставления пользователю правильного контента стала одной из наиболее острых и интересных.
Конечно же, наиболее ярким примером рекомендаций в интернете являются онлайн-магазины, например, такие как Amazon. Основная задача подобных систем - увеличить продажи за счёт предоставления пользователю схожих или сопутствующих товаров. Такой тип персонализации называется расширяющим. Он служит для предоставления дополнительной и потенциально полезной информации пользователям, основываясь на некоторых знаниях о них самих [1].
Однако существует принципиально альтернативный подход к предоставлению контента: сужающая персонализация. Она так же основывается на знаниях о самом пользователе, однако в свою очередь данный подход является «фильтрующим»: из большого объёма информации система показывает именно ту, которая будет интересна данному пользователю. По данному принципу работают многие блоги и социальные сети. Например, популярный интернет-портал для IT-специалистов habrahabr.ru из всего огромного множества публикаций показывает только те, которые могут быть максимально полезны конкретному пользователю, основываясь на его оценках и постах в «избранном». В то же время, рекомендательная система крупнейшей социальной сети Facebook продвинулась ещё дальше: информация новостной ленты фильтруется не только на основании друзей и подписок пользователя, но и на базе его персональных данных. В результате, удаётся максимально персонализировать контент и избежать «перегрузки информацией».
Таким образом, рекомендательная система - это программное обеспечение, которое выявляет предпочтения и интересы индивидуальных пользователей (явным или неявным образом) и предоставляет рекомендации объектов на основании них.
1.1.2 Типы и классификация рекомендательных систем
Типов рекомендательных систем очень много. При выборе конкретной реализации обычно отталкиваются от специфики самого сервиса: в некоторых системах важна точность и качество рекомендаций, в других необходимо обеспечить скорость работы и поддержку огромного числа пользователей и так далее. Определяющую роль играет предметная область.
Рекомендательные системы можно классифицировать по следующим критериям [2]:
· Предметная область
· Методика сбора данных о пользователях
· Тип системы
· Точность предоставляемых рекомендаций
· Зависимость от «холодного старта»
· Производительность
Существует два метода сбора данных о пользователях:
· Явный: пользователь сам рассказывает о себе. Например, система просит его оценить некоторые приобретённые товары или указать любимые фильмы/жанры. Обычно такой метод реализуется в виде выбора из списка объектов нескольких наиболее привлекательных (Apple Music) или просит оценить предмет по дифференцированной шкале (IMDb).
· Неявный: система собирает данные о пользователе, который может даже и не подозревать об этом. Например, сервис может следить за тем, какие товары пользователь просматривает, какие страницы открывает, как долго он на них остаётся, а некоторые даже просматривают содержимое компьютера/почты/профиля в социальных сетях.
Можно выделить три базовых подхода, на которых строятся большинство рекомендательных интернет-сервисов [3]:
· Рекомендации, подобранные вручную (Hand-made recommendations)
· Контентная фильтрация (Content-based или Content-filtering)
· Коллаборативная фильтрация (Collaborative-filtering)
· Гибридная фильтрация (Hybrid filtering)
Каждый из них далее будет рассмотрен подробнее.
Существует множество методов оценки точности предоставляемых рекомендаций. Самый популярный - метод среднеквадратичного отклонения - RMSD (Root-Mean-Square Deviation):
T - множество тестовых оценок, | T | - мощность - общее число тестов.
u - пользователь (от англ. user), i - предмет (от англ. item).
- предсказанная оценка пользователя (от англ. predict - предсказывать).
- реальная оценка пользователя.
Таким образом, задача состоит в том, чтобы предсказать такую оценку предмета, чтобы она как можно меньше отличалась от той оценки, которую поставил бы сам пользователь.
Производительность рекомендательной системы оценивается по таким параметрам, как время расчёта рекомендаций на полном объёме данных, потребление оперативной памяти, а также, занимаемый размер базы данных.
1.1.3 Рекомендации, подобранные вручную
Такой подход широко применяется в случаях небольшого более-менее постоянного ассортимента объектов, когда проще каждому товару подобрать сопутствующий чем строить сложные рекомендации, основываясь на многих факторах. К примеру, если пользователь будет просматривать товар «стол», то система должна предложить ему «подумать о стульях» и тому подобное. Но данный подход неприменим, когда связи между объектами сложны или их становится слишком много.
1.1.4 Контентная фильтрация
Пользователю предоставляются рекомендации, основанные на критериях и свойствах предметов, которые ему понравились. То есть если пользователь оценил фильм, то система предложит ему наиболее схожий вариант по некоторым критериям (например, жанр, актёры, режиссёр и тому подобное). Таким образом, в системе формируются предпочтения пользователя, и рекомендации строятся по принципу минимизации различий.
1.1.5 Коллаборативная фильтрация
Самый распространённый подход в современных системах. В отличии от контентной фильтрации, коллаборативная - строит рекомендации как на основе оценок самого пользователя, так и на основе оценок других пользователей. Данный подход реализуют множество алгоритмов, но самые распространённые из них следующие:
· User/User (User-based)
· Item/Item (Item-based)
· SVD (Singular Value Decomposition)
Главная проблема рекомендательных систем такого типа - так называемый «холодный старт»:
· Система ничего не знает о новых пользователях, и как следствие, не может предлагать им рекомендации. Решение: собирать некоторую информацию при регистрации.
· Система ничего не знает о новых объектах, и как следствие, они никому не рекомендуются. Решение: анализировать объект при добавлении и выявлять характеристики и особенности.
1.1.6 Гибридная фильтрация
Алгоритм гибридной фильтрации помогает частично избежать проблемы «холодного старта». Данный подход основан на объединении алгоритмов контентной и коллаборативной фильтрации для улучшения качества предоставления рекомендаций.
Алгоритмов гибридной фильтрации так же существует несколько, но самый простой - основанный на весах:
- вес для алгоритма
Например, можно построить рекомендательный сервис, который будет использовать два алгоритма:
Победители конкурса «Netflix Prize» - команда «BellKor's Pragmatic Chaos» в 2008 году использовали гибридную фильтрацию из 27ми алгоритмов [5].
Правильно подобранные веса и алгоритмы позволяют серьёзно улучшить качество рекомендаций. Так же, веса желательно задавать в виде функций , где - набор некоторых параметров. Это позволяет сделать алгоритм более адаптивным и достичь большей точности.
Таким образом, существует множество подходов к построению рекомендательного сервиса. Каждый из них реализует свои конкретные задачи и цели, и при выборе определённого подхода надо отталкиваться именно от них. Гибридная фильтрация, объединяя в себе несколько рекомендательных алгоритмов, позволяет добиться наилучших результатов предсказаний, однако это возможно только при правильно подобранных весовых коэффициентах.
1.2 Дистанционное обучение
История дистанционного обучения начинается с исследований и работ [6] известного психолога и профессора Гарвардского университета Б.Ф. Скиннера, создателя «обучающей машины», который в 1958 году предложил концепцию программируемого обучения. Основная идея заключалась в том, чтобы предоставить студентам возможности обучаться самостоятельно, без учителя, с помощью некоторых заранее подготовленных материалов. Считается, что некоторые элементы программированного обучения встречаются даже в работах Сократа и Платона.
Процесс обучения студента проходит по некоторой программе, а преподаватель только отслеживает степень усвоения материала слушателем и иногда может корректировать обучающую программу. Во время обучения студент получает положительную стимуляцию в качестве награды за правильные ответы.
Исследования первого российского Нобелевского лауреата И.П. Павлова, занимавшегося исследованиями рефлексов выработки желудочного сока у собак при предупреждающем стимуле - звуковом сигнале, заинтересовали Скиннера. Он начал изучать поведение всего организма в ответ на стимулирующую реакцию, а не отдельных органов. Учёный создал так называемый «ящик Скиннера» [7], смысл работы которого заключался в следующем: подопытная крыса получала еду, когда она опустит на рычаг. Таким образом, учёный изучал поведение животных после какого-то совершённого действия, поощряемого получением пищи. Скиннер установил, что крысы способны довольно быстро научиться добывать пищу, основываясь на прежнем опыте (после нескольких случайных нажатий на рычаг). Более того, исследования учёного показали, что при нерегулярном поощрении рефлекс гораздо тяжелее разрушить, чем при регулярном.
Существует несколько алгоритмов программированного обучения:
· Линейный - алгоритм Скиннера. Основные принципы подхода:
o Принцип дозирования: Учебный материал должен быть разделён на небольшие порции
o Уровень трудности каждой порции должен быть достаточно низкий, чтобы студент отвечал правильно на большинство вопросов (не менее 95% согласно Скиннеру), тем самым получая положительную стимуляцию при работе с обучающим материалом
o Каждый учащийся работает в собственном темпе
o Принцип обратной связи: Все учащиеся в результате должны получить одни и те же знания, независимо от способностей и интересов учащегося. Различия между ними заключается лишь в том, сколько времени каждый затратит на обучение.
o Принцип операционности: Вопросы следует делать открытыми (без выбора из нескольких вариантов), чтобы студент сам вписывал правильный ответ.
· Разветвлённый - алгоритм Кроудера. Отличается от линейного тем, что в процессе обучения учебный материал предоставляется системой, основываясь на ответах студента. Таким образом, каждый учащийся идёт по собственному образовательному пути. Основные принципы подхода:
o Материал должен быть разделён на уровни в зависимости от сложности: более глубокий уровень - проще материал.
o Вопросы следует делать закрытыми (выбор одного правильного ответа). Если студент отвечает неправильно, то система переводит его на более глубокий уровень с более простым материалом.
o Все ответы (правильные и неправильные) должны быть разъяснены, и только после этого студент переходит к следующей порции ученого материала
· Адаптивный алгоритм. В последнее время такой подход быстро набирает популярность из-за развития технологий искусственного интеллекта [8]. Основной принцип заключается в том, что система не просто подстраивает сложность контента, основываясь на неправильных ответах, а сама адаптирует материал под каждого конкретного студента. Например, если по результатам теста видно, что обучаемый плохо освоил какую-то тему, то система подстроит будущий материал, включив в него дополнительные темы (даже косвенно связанные с проблемными).
В результате, благодаря работам Скиннера, стало появляться всё больше программ и машин для обучения, призванных облегчить работу учителей. В дальнейшем, с развитием доступности компьютерных технологий и, в частности, интернета концепция дистанционного обучения (e-learning) начала резко набирать популярность. Основой для современных LMS (Learning Management Systems) и онлайн-платформ послужили именно теория Скиннера и программированные обучающие машины.
Главные преимущества дистанционного обучения над традиционным [9]:
· Независимость от места и времени обучения. Любой желающий может свободно получить доступ к учебным материалам в любое удобное время. Единственное условие - наличие компьютера, подключённого к сети. Таким образом, e-learning даёт возможность получить качественное образование в любой точке планеты (без ущерба работе/учёбе).
· Студент сам подбирает время и необходимый ему объём материала. Тем самым обеспечивается гибкость в обучении.
· Нет необходимости в аренде помещений для занятий.
· Можно одновременно обучать огромные потоки студентов, когда традиционной обучение в этом сильно ограниченно.
1.2.1 Классификация систем e-learning
Современную индустрию дистанционного обучения можно разделить на 2 крупных сегмента:
· B2C - business to customers - имеет самую большую долю рынка и предназначен для конечных потребителей - студентов:
o MOOCs для любых слушателей
o Видео-уроки (Самое большое количество на YouTube)
o Skype-обучение (например, иностранные языки)
· B2B - business to business - включает в себя:
o Корпоративные MOOCs (В последнее время быстро набирают популярность)
o Индивидуальные решения
Мной были изучены несколько популярных платформ e-learning и выявлена следующая классификация:
· Платные/Бесплатные:
o Бесплатные (Non-profit). Главной целью бесплатных платформ является пополнение общего хранилища мировых знаний и повышение уровня образования всех людей в целом. К ним относятся: Khan Academy, edX, Stanford Online, Codecademy и другие. Многие компании-добровольцы инвестируют в развитие образования. Например, Gold-спонсорами платформы Stepic являются JetBrains, SAP, Intel, Сбербанк Технологии, а также их спонсируют Kaspersky Lab, Oracle, IBM, EMC2 и многие другие.
o Платные (Commercial). Основные способы заработка:
§ продажа сертификата (сам курс - бесплатный): Coursera
§ продажа подписки на какой-то период: LinguoLeo
§ продажа некоторого дополнительного контента: HTMLAcademy
§ продажа некоторых дополнительных услуг (например, проверка работы, обучение репетитором): Интуит
· Приватные/Общедоступные.
· Потоковые/Непрерывного обучения. Потоковые платформы отличаются тем, что студенту надо заранее записаться на курс, и обучение организованно по определённым срокам с промежуточными отсечками (Deadlines). Пример: Coursera. Особенности непрерывного обучения в том, что материал доступен постоянно: в любое время любому студенту.
· Общеобразовательные/Специализированные. В последнее время функционал e-learning сильно развился. Общеобразовательные системы спроектированы для обучения любому материалу, без выделения конкретных особенностей. В то время, как на HTMLAcademy реализована достаточно узкоспециализированная возможность - верстка сайта прямо в окне браузера.
1.2.2 Анализ нескольких популярных онлайн-платформ
Coursera:
Одна из самых популярных платформ во всём мире с числом пользователей более 7ми миллионов и более 650ти курсов. Инвестиции в компанию составляют более 65 миллионов долларов, а основная прибыль идёт с платных сертификатов. Курсы на Coursera потоковые, таким образом студенты записываются на сессии (дата начала - дата окончания), а сам образовательный процесс разделён на недели (Week). Многие университеты засчитывают сертификаты, полученные за успешное прохождение курсов на Coursera, в качестве оценок в дипломе о высшем образовании.
Coursera RESTful APIs:
В настоящий момент программный интерфейс для работы с платформой находится в разработки (beta-тестирование) [11]. Серьезное ограничение на работу с материалами Coursera накладывает лицензионное соглашение платформы. Основные инвесторы - более 100 университетов США, Европы и Азии. Именно им принадлежат права на весь образовательный контент, который они предоставляют. Таким образом, с помощью Coursera API можно получить только небольшую общую информацию о курсах. И к тому же, надо быть аккуратным, чтобы случайно не нарушить условия лицензионного соглашения.
Codecademy:
Крупная платформа, нацеленная главным образом на студентов, интересующихся Web-разработкой. Все курсы на Codecademy разделены на следующие большие блоки:
· Web Developer Skills: большой блок, который включает в себя самые разные курсы, связанные с созданием сайтов и серверной разработкой.
· Language Skills: общие курсы по языкам программирования для веб, например, JavaScript, PHP, Ruby, Python и другие.
· Goals: небольшие проекты для отработки своих навыков веб-разработки.
· Learn APIs: курсы по использованию интерфейсов прикладного программирования таких платформ, как Twitter и YouTube.
Все курсы бесплатные, но есть подписка (Codecademy Pro), расширяющая возможности платформы: дополнительные материалы, персональный план обучения, помощь преподавателей.
Структура:
Курс состоит из юнитов (Unit), которые в свою очередь состоят из нескольких уроков (Lesson). Каждый урок реализован в виде нескольких самостоятельных шагов, включающих в себя небольшой лекционный материал в текстовом формате и небольшое практическое задание по нему. Обычно студент на протяжении всего урока (а иногда и юнита) реализует одно задание и в результате получает небольшой относительно целостный проект, который он может дорабатывать уже самостоятельно.
1.2.3 Структура курсов на платформе Stepic.org
Одой из самых популярных онлайн платформ в России является Stepic.org, которая насчитывает уже более 35 тысяч активных студентов и около 45 тысяч самых разных задач. Это общедоступная, полностью бесплатная онлайн платформа, основной девиз которой - «Stepic.org открыт для знаний». Любой зарегистрированный пользователь может создать курс, а любые материалы можно свободно использовать в очном обучении или на других онлайн-ресурсах. Платформа предоставляет удобные функции для просмотра статистики по отдельным урокам или курсу в целом, чтобы преподаватель мог проанализировать и доработать некоторые моменты. Большая часть курсов - потоковые, но в последнее время всё чаще стали появляться курсы без дедлайнов.
Открытая лицензия Creative Commons BY-SA 4.0 [12], под которой распространяются все материалы платформы, позволяет:
· обмениваться любой информацией в любом формате и на любом носителе;
· адаптировать или создавать новые курсы, опираясь на существующие.
Необходимо соблюсти следующие два главных условия:
1. «Атрибуция». Необходимо указать авторство (предоставить соответствующую ссылку на лицензию), а также указать все расхождения (изменения, добавления) с исходным материалом, если они существуют.
2. «На тех же условиях». Необходимо распространять используемый контент на условиях той же лицензии, на которых распространяется и оригинальный.
Рисунок 1. Структура курса платформы Stepic.org
Общая структура курсов платформы представлена на рисунке 1. Самой маленькой единицей платформы является степ. Все степы можно разделить на два больших блока:
· Теория. Может быть двух типов:
o Видеоролик. Лекция, записанная с помощью специального оборудования в офисе компании Stepic, на которой преподаватель объясняет материал на фоне презентации.
o Текстовый материал. Обычно содержит справочную информацию: ссылки на литературу, презентацию или пояснения к выполнению заданий - то есть то, что в любом случае удобнее воспринимать в печатном виде.
· Задача. В свою очередь такие степы бывают следующих типов, при чём с развитием платформы их разнообразие постоянно растёт:
o Задание с выбором одного или нескольких ответов
o Задание на сортировку: расположить в правильном порядке
o Задание с вводом ответа: текстовый/числовой
o Задание на программирование: в данный момент платформа поддерживает более 20ти самых популярных языков программирования и интерпретаторов (C/C++, Python, Java, JavaScript, Assembler, R, Shell и другие) с безопасным исполнением пользовательского кода (Code Challenge)
o Задание, требующее выполнение на встроенном веб-терминале (Linux Challenge)
o Задание с генерацией случайных наборов данных по некоторым заданным параметрам. Такие задачи позволяют создать индивидуальные тесты для каждого студента.
В свою очередь, степы объединяются в уроки в среднем по 8-10 штук. Уроки объединяются в модули - самые крупные части курса. Обычно один модуль состоит из 4х уроков. Количество модулей, уроков и степов в курсе не ограничено, и определяется обширностью темы и глубиной материала, а также стилем преподавания.
1.2.4 Stepic REST API
Платформа Stepic задумана как «инструмент для распространения знаний», и в связи с этим разработчики предоставляют REST API - прикладной программный интерфейс (Application Programming Interface), основанный на HTTP-запросах к серверу, который возвращает данные в удобном для обрабатывания формате JSON.
Пример пары GET запросов [13]:
· /api/courses/{pk} - по ключу pk (номер курса) сервер возвращает информацию о курсе: номер, название, формат курса, целевая аудитория, наличие сертификата, номер автора в системе, требования к студенту, описание курса, номера входящих модулей, дедлайны, количество уроков и множество другой информации.
· /api/steps/{pk} - по номеру pk возвращает информацию о типе степа (например, choice, match, string, code и тому подобное), количество успешно сдавших задание студентов и так далее.
Таким образом, преимущества и недостатки платформы представлены в таблице 1.
Таблица 1. Преимущества и недостатки платформы Stepic.org
|
Плюсы |
Минусы |
||
|
Материал |
На данный момент на платформе представлены курсы по программированию (Java, C/C++, Python, R и другие), базам данных, графике, биологии, космонавтики, самолётостроению, web-разработке, археологии, линейной алгебре, а также по многим другим предметам. |
Большая часть курсов специализированные - в основном технические, хотя другие области тоже набирают популярность |
|
|
Контент |
Все материалы находятся в свободном доступе. |
||
|
Высокий темп развития платформы |
Только за последние полгода появилось и перезапустилось более десятка новых курсов более чем по пяти предметным областям. Разработчики постоянно совершенствуют платформу, добавляя возможности для удобного создания курсов: новые типы заданий, автоматическая рассылка уведомлений, удобная статистика. |
На данный момент платформа Stepic далеко не так популярна, как гиганты - Coursera, Udemy и другие. |
|
|
API |
Для разработчиков предоставляется довольно богатый программный интерфейс. |
В то же время, возможности работы с платформой сильно ограничены, но есть хорошие перспективы для развития. |
|
|
Формат учебных материалов |
Большинство контента платформы представлено в виде видео-лекций: очень удобно для студентов. |
Трудно программным образом анализировать видеоматериалы. |
Сфера e-learning чрезвычайно быстро развивается, и за последние 10 лет дистанционное обучение совершило огромный скачок, обусловленный в первую очередь развитием информационных технологий. Рынок e-learning очень высоко конкурентный: на данный момент существует несколько десятков популярнейших онлайн платформ, а число курсов перевалило за десятки тысяч.
В результате, в последнее время агрегаторы курсов начали резко набирать популярность, и возникла острая потребность в рекомендательных сервисах онлайн-курсов.
1.3 Рекомендательные сервисы e-learning
Конечно же, огромная популярность дистанционного обучения породила колоссальное количество онлайн-курсов. Безусловно многие из них не только пересекаются по содержанию, но и полностью повторяют друг друга, а отличаться могут стилем преподавания и возможностями самой платформы.
На сегодняшний день существуют следующие самые популярные рекомендательные сервисы, специализирующиеся на онлайн-курсах:
· MOOC List. Справочник онлайн-курсов. Данный сервис агрегирует информацию от 89 провайдеров, которые предоставляют курсы примерно от 950ти университетов и компаний.
Поиск по курсам гибко настраивается следующими параметрами:
o University/Entity - создатель курса (около 950ти университетов и компаний);
o Categories - предметная область (34 варианта);
o Length - протяжённость курса;
o Estimated Effort - примерное затрачиваемое время в неделю на освоение курса;
o Language - язык (31 вариант);
o Subtitles - наличие субтитров + язык (31 вариант);
o Country - страна (56 вариантов);
o Peer Assessments - «оценка коллег»
o Team Projects - наличие командных проектов;
o Exam - наличие экзамена и/или финального проекта;
o Certificate - выдача сертификата при успешном прохождении курса;
o Audio Lectures - аудио-лекции;
o Video Lectures - видео-лекции;
o Start Date - дата начала;
o Tags - более 6000 ключевых слов для поиска (6245 вариантов).
Сортировка:
o по рейтингу
o по дате начала
MOOC List собирает оценки пользователей по каждому курсу в отдельности и на основании них строит рейтинг. На самом деле, MOOC List не предлагает рекомендации по выбору курсов. Сервис лишь агрегирует информацию и помогает студенту найти учебный материал по некоторым заданным параметрам.
· CourseTalk. В отличии от MOOC List, создатели платформы позиционируют её именно как рекомендательный сервис. CourseTalk заметно превосходит агрегаторов курсов по наполнению и функциональности. Платформа работает со следующими провайдерами, среди которых Coursera, EdX, Future Learn, Treehouse, Udemy, Udacity, Stanford online и 59 других, а также около 650ти школ и университетов, среди которых Harvard University, Massachusetts Institute of Technology (MIT), Stanford University и University of London.
В рамках платформы существует возможность регистрации для того, чтобы студент мог оценивать курсы и провайдеров, а также оставлять отзывы. CourseTalk насчитывает более 75 тысяч активных студентов, которые постоянно оставляют отзывы (review) на пройденные курсы.
Более того, главное отличие CourseTalk от MOOC List (и других агрегаторов) в том, что платформа отслеживает активность пользователя: интересуемые предметные области, оценки курсов и онлайн-платформ, и строит персонализированные рекомендации на основании этих агрегируемых данных. Чем больше студент оценивает курсы, тем лучше составляется для него подборка. Также, функция платформы Course Tracker помогает пользователям в обучении, напоминая о датах и сроках сдачи работ, пройденных и открывающихся в ближайшее время курсах.
· Eclass. Это молодая платформа основана и разработана кандидатом технических наук, выпускником МИЭМ 2002 года, Григорием Сапуновым. Eclass представляет из себя нечто среднее между MOOC List и Course Talk. С одной стороны, Eclass - это каталог курсов с возможностью настройки поиска (не такой гибкой, как у MOOC List):
o Категория: предметная область - 16 вариантов;
o Язык: 42 варианта;
o Источник: 51 вариант, среди которых, кроме иностранных онлайн-платформ, присутствуют Российские курсы от Yandex, МФТИ, ИТМО, Интуит.
o Сертификат: есть/нет/не важно;
o Стоимость: платный/бесплатный/не важно;
o Формат: MOOC/Видео-лекции/Аудио-лекции/E-mail курс.
С другой стороны, пользователь Eclass имеет возможность зарегистрироваться и составлять так называемые «подборки» - это несколько курсов, тематически организованные в коллекцию. Например, Big Data, Базы данных или Machine Learning. «Подборки» служат для того, чтоб либо объединять тематически одинаковые курсы вместе (например, подборка «Технологии программирования» для студентов 3 курса), либо создавать индивидуальные программы обучения, просматривать их в личном кабинете и делиться с другими пользователями.
Также, Eclass имеет функцию отслеживания скидок на разных онлайн-платформах.
1.3.1 Анализ рекомендательных подходов
Принцип работы MOOC List и Eclass очень похожи: они выступают в роли справочников, каталогов, агрегаторов курсов. По сути они не строят рекомендации, не отслеживают предпочтения студента. Их основная задача - собрать в одном месте как можно больше информации с разных платформ, тем самым обеспечить пользователям возможность удобного поиска курса не на платформе конкретного провайдера (которых на сегодняшний день уже насчитывают сотни), а в одном общем месте.
Каждому студенту предоставляются одинаковые рекомендации, основанные на глобальном рейтинге и системе оценок всех курсов. Безусловно, чем больше пользователей платформы поставит оценку, тем точнее платформа будет отображать действительную картину. В то же время, предпочтения студентов могут очень сильно разниться: если одному обучаемому курс понравился, заинтересовал его и был полезен, то у другого могут быть абсолютно противоположные впечатления. Таким образом, подход, основанный на рейтинговых системах, широко распространён, но далеко не в полной мере отображает реальную картину.
Платформа CourseTalk использует подход коллаборативной фильтрации: рекомендации строятся как на основании оценок самого пользователя, так и других студентов. Безусловно, такой подход более действенен: чем больше активности проявляет студент в рамках платформы (записывается на курсы, составляет своё расписание, оставляет отзывы, оценивает пройденный материал и пишет review), тем более качественно CourseTalk предлагает рекомендации, которые теоретически могут понравится и заинтересовать студента.
Платформа собирает данные обо всех действиях пользователя, тем самым анализируя, какие предметные области его интересуют. Далее рекомендации строятся по принципу, что если одному студенту понравился некоторый набор курсов S и курс C, а другому тоже понравился этот же набор курсов S, то есть высокая вероятность, что второму студенту также понравится курс C. При чём, чем больше мощность множества S и чем меньше различаются оценки пользователей, тем больше вероятность, что курс C будет полезен второму студенту.
Безусловно, каждая система использует свои рекомендательные алгоритмы и выполняет конкретные задачи. Но все они обладают одним большим недостатком - существующие рекомендательные подходы либо слабо учитывают предпочтения студента в обучении, либо совсем их не учитывают, строя рекомендации, основываясь на глобальном рейтинге онлайн-платформ и курсов.
На данный момент CourseTalk ближе всех подошёл к решению проблемы персонализации контента. Создателям удалось, хоть и совсем немного, но допиться именно персонализированных рекомендаций, основанных на предпочтениях студента, а не простому агрегированию онлайн-курсов с возможностью гибкой навигации по ним.
Всё же, CourseTalk не в полной мере решает проблему. Платформа лишь косвенно собирает информацию о студентах, а новым пользователям предлагаются рекомендации, просто основанные на рейтинге курсов. Действующий алгоритм коллаборативной фильтрации хорошо выполняет свои задачи, но степень персонализации может быть увеличена с помощью построения когнитивного профиля студента.
1.4 Психологическая модель стилей обучения
Ни для кого не секрет, что каждый студент имеет свои персональные предпочтения в обучении, которые зависят от многих факторов. Кроме широко распространённого «склада ума» - гуманитарного или технического, - можно выделить такие особенности обучения студентов, как время (в день/в неделю), затрачиваемое на учёбу, работа в группе или в одиночку, предпочитаемый формат лекций и многие другие психологические факторы.
Безусловно, преподаватель, знающий предпочтения студентов своей группы, получает ряд преимуществ, позволяющие ему:
· более успешно адаптировать курс, опираясь на сильные и слабые стороны каждого учащегося, и тем самым добиться лучших результатов;
· использовать индивидуальный подход к каждому студенту, объединять несколько учащихся в группы и давать задания, которые позволят каждому обучаемому лучше проявить себя и одновременно усвоить новый материал;
· перестроить стратегию подачи материала, в случаях, когда методика преподавания сильно расходится с предпочтениями большинства студентов.
В результате, многие учёные-психологи заинтересовались проблемой стилей обучения. Для дифференциации онлайн-курсов на основании предпочтений студентов была использована готовая психологическая модель стилей обучения Фелдера-Сильверман.
1.4.1 Психологическая модель Фелдера-Сильверман
Психологическая модель стилей обучения Фелдера-Сильверман была предложена в 1988 году. Главным образом исследование направлено на преподавателей традиционного обучения инженерных курсов, которые отмечают проблемы с посещаемостью своих лекций или снижением успеваемости у студентов.
Фелдер и Сильверман [14, 15] предлагают дифференцировать предпочтения студента по 4ём шкалам и дают рекомендации преподавателям, как правильно формировать учебные курсы, чтобы успешно обучать студентов с противоположными предпочтениями по каждой из шкал.
Таким образом, модель Фелдера-Сильверман предназначена для того, чтобы помочь преподавателям унифицировать свои курсы, чтобы сделать их более полезными для любого обучаемого. Данный подход превосходно подходит для традиционного образования, когда студенты всех психологических типов обучаются вместе (потоками, без дифференциации на группы). Но возможности e-learning позволяют персонализировать образование для каждого студента или обучать вместе студентов с одинаковыми предпочтениями.
Таким образом, главная задача состоит в том, чтобы использовать модель не для того, чтобы создавать учебные материалы, подходящие любому типу студентов, а наоборот, дифференцировать существующие онлайн-курсы так, чтобы предлагать обучаемому именно тот материал, который ему больше всего подходит и будет лучше усвоен.
Модель Фелдера-Сильверман состоит из 4ёх шкал (измерений) стилей обучения:
· Сенсорно - интуитивная (Sensing/Intuiting)
· Визуально - вербальная (Visual/Verbal)
· Активно - размышляющая (Active/Reflective)
· Последовательно - глобальная (Sequential/Global)
Дистанционное обучение (или e-learning) чрезвычайно быстро развивающаяся область, подтверждением чему служит тот факт, что за последние 10 лет количество онлайн-платформ возросло в десятки раз. Если темп роста числа провайдеров в последнее время снизился и стабилизировался и выделились крупные платформы-гиганты, такие как Coursera, то количество онлайн-курсов продолжает расти с бешеной скоростью. Из-за этого в последние 3-5 лет возникла острая необходимость в рекомендательных сервисах, которые бы позволили удобно находить учебные материалы среди всего огромного множества курсов.
На сегодняшний день есть около десятка подобных рекомендательных платформ, старающихся удовлетворить потребности пользователей. Однако большинство таких систем - ни что иное как обыкновенные справочники или агрегаторы онлайн-курсов. Самый большой прорыв в данной области сделали разработчики платформы CourseTalk, которая не просто собирает информацию от разных провайдеров в одном месте, но и строит рекомендации, основываясь на отзывах пользователей. Но в то же время, CourseTalk советует курсы, опираясь на глобальный рейтинг, и никак не учитывает предпочитаемый стиль обучения самого студента. Психологическая модель Фелдера-Сильверман может стать решением данной проблемы и расширить возможности современных рекомендательных платформ.
2. Теоретическая часть
2.1 Анализ модели стилей обучения Фелдера-Сильверман
В этом разделе будет рассмотрена каждая из шкал модели и выявлены принципиальные различия в предпочтениях студента по каждой из них. И как следствие, будут определены характеристики курсов, необходимые для их дифференцирования.
2.1.1 Сенсорно-интуитивная шкала
Сенсорно-интуитивная шкала отображает предпочтения студента в типе информации, которую он получает (теоретическая, фактическая). Существует два основных направления в восприятии мира человеком: сенсорный и интуитивный.
В таблице 2 приведены основные различия в предпочтениях студентов, предпочитающих сенсорный и интуитивный стили обучения.
Таблица 2. Сравнение предпочтений студентов по сенсорно-интуитивной шкале
|
Сенсоры |
Интуиты |
|
|
Факты, данные, эксперименты, реализации |
Теории, гипотезы, принципы |
|
|
Любят решать задачи стандартными (шаблонными) методами, не любят «сюрпризов» |
Не любят повторения, любят инновации: строить теории, предположения. Любят сложные и необычные задачи |
|
|
Осторожны (следовательно, медлительны) в решении задач |
Быстры, но неосторожны |
|
|
Тяжело воспринимают смысловое значение написанного |
Легко понимают печатный текст и быстро его визуализируют (ассоциируют с реальностью) |
|
|
Не сразу понимают смысл вопросов текста, и как следствие, им требуется больше времени на решение заданий |
Из-за невнимательности могут неправильно понимать вопросы теста |
|
|
Большинство студентов - сенсоры |
Большинство преподавателей - интуиты |
Для успешного курса традиционного обучения материал должен быть одновременно и конкретный (для сенсоров), и абстрактный (для интуитов). Преподаватель должен объединять факты, данные и теории, модели вместе, чтобы обеспечить вовлеченность всех студентов.
Размышления и выводы по шкале
Сенсорам надо давать задания на повторение, на усвоение материала сразу после лекций. Им требуется больше времени на выполнение тестов, а в задания необходимо включать визуальные материалы: графики, таблицы, рисунки. Надо на каждую тему давать прикладные задания (посчитать, решить, запрограммировать и тому подобное).
Интуитам следует давать много теории подряд, чтобы они могли строить гипотезы, делать собственные выводы, и в конце - практика, желательно абстрактная (построить модель, доказать теорему, подумать над решением и тому подобное).
Для построения рекомендательного сервиса надо понять какой курс будет хорошо усвоен сенсором, а какой интуитом.
Курс, нацеленный на сенсоров:
· Небольшие лекции (5 - 15 минут видео-лекции или 4 - 6 страниц печатного текста).
· Задания сразу же после лекций по только что пройденному материалу: тесты на усвоение, задачи на программирование.
· Необходимо чередовать лекции и задания: 1 - 2 небольшие лекции, пара простых заданий; далее снова 1 - 2 лекции и снова несложные задания. В конец урока/модуля желательно включить большое задание/тест по большей часть пройденного материала.
· Конкретные, узкоспециализированные курсы. Например, «Алгоритмы и структуры данных». То есть курсы, требующие дополнительных знаний (некоторый background), чтобы можно было заниматься конкретными, практическими вещами, например, программировать или как-то применять теоретический материал на практике.
· Задания по большей части шаблонные, требующие аккуратности, желательно, чтобы был рассмотрел пример в лекции.
Курс, нацеленный на интуитов:
· Абстрактные лекции (об общих вещах - например, введение в какой-нибудь предмет или новую область).
· Много теории и принципов, в конце - абстрактные задания (нешаблонные: например, доказать теорему или, если требуется что-то реализовать, то надо самому разработать алгоритм).
· Хорошо подойдут курсы по теории (математический анализ, линейная алгебра, общие курсы по программированию, требующие минимальной подготовки).
Вывод по шкале
Трудно анализировать контент: для того, чтобы оценить на сколько материал абстрактный и общий могут потребоваться технологии искусственного интеллекта и когнитивного программирования. Либо необходимо собирать отзывы, данные с самих студентов (пользователей, которые ранее прослушали курс).
Можно анализировать структуру:
1. Строить «карту курса», начиная с элементарных частей - заданий, лекций и т.д. - и заканчивая модулями.
2. Включать в иерархическую «карту» длительности лекций, и на основании них высчитывать примерную длительность модуля и курса.
3. На основании сроков (дедлайнов) высчитывать примерное количество времени в день, необходимое для успешного прохождения курса.
4. Анализировать последовательность лекций - заданий по «карте курса».
2.1.2 Визуально-вербальная
Показывает, как люди предпочитают получать информацию:
· Визуально
· Аудиторно
· Кинестетически - вкусы, запахи, касания и так далее.
В рамках обучения значимы только первые два способа. Исследования показывают, что большинство людей более эффективно обучаются только с помощью одного метода получения информации и игнорируют остальные.
В таблице 3 приведены основные различия в предпочтениях студентов, предпочитающих визуальный и вербальный стили обучения.
Таблица 3. Сравнение предпочтений студентов по визуально-вербальной шкале
|
Визуалы |
Вербалы |
|
|
Предпочитают получать информацию в виде картинок, диаграмм, схем, фильмов, презентаций. |
Хорошо запоминают то, что слышат, а ещё лучше, когда слышат и повторяют. |
|
|
Могут забывать то, что им говорят, если это не подкреплено визуальными изображениями! ... |
Подобные документы
Анализ разработки информационных систем для деятельности учебных курсов. Поиск и анализ языков программирования для реализации разработки. Разработка модели web-ресурса "Агрегатор учебных курсов". Создания основных функциональных назначений web-ресурса.
отчет по практике [558,9 K], добавлен 25.05.2023Обзор веб-приложений для реализации онлайн фитнес-системы поддержания физической формы человека. Диаграммы вариантов использования. Построение логической модели данных. Способы идентификации классов анализа. Разработка сценариев и макетов экранных форм.
дипломная работа [1,2 M], добавлен 02.08.2016Хранение успеваемости студентов в цифровом виде. Разработка серверной части дневника студента в сети Интернет, его преимущества по сравнению с обычным дневником. Обзор технологий создания веб-приложений. Руководство по установке и сопровождению.
дипломная работа [2,2 M], добавлен 16.06.2017Виды организации контроля знаний и умений учащегося. Формирование независимой и объективной информации о результатах учебного процесса для обучаемого и обучающего. Обоснование выбора программы тестирования знаний студентов младших курсов по информатике.
курсовая работа [488,8 K], добавлен 03.09.2016Разработка сайта, обеспечивающего функции по приему и обработке онлайн-заказов обоев. Перечень бизнес-процессов, включенных в разработку информационной системы. Инфраструктура разрабатываемой информационной системы. Тестирование программного обеспечения.
курсовая работа [74,3 K], добавлен 25.05.2015Базовые принципы дистанционного обучения. Система управления базами данных Oracle. Технология Java. Принципы построения клиент-серверных систем. Даталогическое проектирование, таблицы и связи между ними. Разработка учебных курсов и процесс обучения.
дипломная работа [11,4 M], добавлен 22.04.2009Достоинства и недостатки дистанционного обучения, его оснащение программным обеспечением. Определение педагогического дизайна мультимедийных курсов. Экономическое обоснование выбора технических и программных средств и расчет затрат на их разработку.
дипломная работа [6,2 M], добавлен 18.05.2009Создание онлайн-приложения, которое позволит пользователям создавать тесты, подписываться на аудиторию и просматривать результаты тестов. Проект реализован с использованием фреймворка React.JS и MS SQL Server на локальной машине под управлением Windows.
дипломная работа [936,4 K], добавлен 23.08.2017Разработка тематических "онлайн-магазинов". Обоснование выбора информационных технологий. Архитектурное решение проекта. Разработка модели базы данных магазина. Схема базы данных на языке SQL. Интернет-магазины "ebay.com", "onliner.by", "eda.by".
курсовая работа [1,1 M], добавлен 24.06.2013Технологии дистанционного обучения, сравнительный анализ их характеристик, организационно-методические, организационно-технологические модели. Разработка программного продукта, руководство к использованию. Расчет затрат на создание электронного ресурса.
дипломная работа [2,3 M], добавлен 20.05.2013Современные системы дистанционного обучения и анализ требований, предъявляемых при создании сетевых курсов и виртуальных университетов. Архитектура и ценообразование СДО для повышения квалификации и переподготовки специалистов транспортной отрасли РФ.
курсовая работа [1,2 M], добавлен 28.07.2011Основы проектирования дистанционных курсов. Педагогические особенности организации дистанционного обучения в информационно-образовательной среде открытого образования. Концептуальные положения технологии модульного обучения. Состав и структура модуля.
реферат [62,1 K], добавлен 28.05.2010Знакомство с особенностями и основными этапами разработки онлайн-сервиса, облегчающего потребителям процесс подбора спортивного снаряжения. Анализ оборудования для вейкбординга. Общая характеристика клиент-серверной архитектуры реализации веб-приложения.
дипломная работа [4,1 M], добавлен 30.09.2016Обзор известных онлайн-переводчиков. Общая характеристика, принцип действия и возможности переводчиков текстов Translate.ru от Promt, Google и META. Электронные словари и мобильные переводчики. Отправка вопросов в техподдержку и отзывов о переводе.
реферат [153,8 K], добавлен 14.07.2010Разработка сайта "Библиотека онлайн": создание режима ведения системного каталога книг (по внутреннему номеру, наименованию), картотеки читателей (фамилия, адрес, телефон), поиск разными методами и просмотр информации, формирование посетителем заказа.
курсовая работа [43,2 K], добавлен 14.06.2010Проектирование системы, с помощью которой люди смогут следить за спортивными событиями различных видов спорта онлайн, не отходя от компьютера. Описание логической и физической модели данных. Частичная реализация проектируемой системы спортивного сайта.
курсовая работа [1,8 M], добавлен 31.05.2016Анализ предметной области, выбор и обоснование среды разработки. Построение принципиальных электрических схем онлайн. Технология Silverlight и возможности ElectricSchemeBuilder. Волновой алгоритм трассировки, его задачи и этапы. Состав модулей программы.
дипломная работа [4,0 M], добавлен 24.05.2012Сбор и анализ информации, используемой в ФОМС. Анализ программных и аппаратных средств, которые используются при обработке и хранении информации. Изучение проблем, которые имеют место в ФОМС, построение функциональной модели. Оценка экологичности проекта.
дипломная работа [112,9 K], добавлен 25.11.2009Анализ современных концепций построения сайтов онлайн-тестирования. Разработка автоматизированного тестирующего комплекса – обучающего Web-приложения, позволяющего проводить контроль уровня знаний математики с применением языка программирования Php.
дипломная работа [865,8 K], добавлен 24.06.2013Создание простой в использовании онлайн записной книжки, позволяющей вести записи, хранить файлы и создавать напоминания. Характеристика пользователей. Требования к системе. Проектная команда, система управления проектом. Реализация логики работы системы.
курсовая работа [391,8 K], добавлен 16.02.2016
