Теория полисортных графов знаний-обучения

Аннотация

Стремительные темпы развития цифровой экономики ставят новые вызовы перед системами образования, делая сверх актуальной задачу развертывания в сжатые сроки новых технологий и процессов, обеспечивающих своевременную подготовку востребованных экономикой цифровых навыков. Это в свою очередь обусловливает необходимость поиска новых эффективных образовательных технологий и решений.
В статье рассматриваются теоретические основы аппарата специального вида графов, состоящих из вершин и направленных ребер нескольких сортов и называемых полисортными. Такой аппарат предназначен для создания на его основе инструментария системы развития цифровых навыков, способствующего повышению эффективности разработки и реализации образовательных процессов. Достоинством предлагаемого инструментария является возможность его использования для разработки, описания, конфигурирования образовательного контента, а также для управления реализацией персонализированных образовательных процессов. В статье описывается алгебра полисортных графов, основные операции над такими графами, приведены примеры использования этого аппарата.

Сведения об авторах

Marina Sergeevna Polyanskaya, Московский государственный университет имени М.В. Ломоносова

магистрант, программист лаборатории открытых информационных технологий, факультет вычислительной математики и кибернетики

Vladimir Alexandrovich Sukhomlin, Московский государственный университет имени М.В. Ломоносова

заведующий лабораторией открытых информационных технологий, факультет вычислительной математики и кибернетики, доктор технических наук, профессор, Президент Фонда "Лига интернет-медиа"

Литература

[1] Sukhomlin V.A., Zubareva E.V., Yakushin A.V. Methodological Aspects of the Digital Skills Concept. Sovremennye informacionnye tehnologii i IT-obrazovanie = Modern Information Technologies and IT-Education. 2017; 13(2):146-152. (In Russ., abstract in Eng.) DOI: https://doi.org/10.25559/SITITO.2017.2.253
[2] Sukhomlin V.A., Zubareva E.V., Namiot D.E., Yakushin A.V. Sistema razvitija cifrovyh navykov VMK MGU & Bazal't SPO. Metodika klassifikacii i opisanija trebovanij k sotrudnikam i soderzhaniju obrazovatel'nyh programm v sfere informacionnyh tehnologij [Digital Skills Development System]. MAKS Press: Basealt Publ., Moscow; 2020. (In Russ.)
[3] Popov E.V., Fridman G.F. Algorithmicheskie osnovy intellektualnikh robotov i iskusstvennogo intellekta [Algorithmic Basics of Intelligent Robots and Artificial Intelligence]. Nauka Publ., Moscow; 1976. (In Russ.)
[4] Pospelov D.A. Logiko-lingvisticheskie modeli v sistemakh upravleniya [Logical-linguistic models in control systems]. Energoizdat Publ., Moscow; 1981. (In Russ.)
[5] Ceruzzi P.E. A History of Modern Computing. Second Edition. MIT Press, Cambridge, MA, USA; 2003. (In Eng.)
[6] Gurin V.S., Kostrov E.V., Gavrilenko Yu.Yu., Saada D.F., Ilyushin E.A., Chizhov I.V. Knowledge Graph Essentials and Key Technologies. Sovremennye informacionnye tehnologii i IT-obrazovanie = Modern Information Technologies and IT-Education. 2019; 15(4);932-944. (In Eng.) DOI: https://doi.org/10.25559/SITITO.15.201904.932-944
[7] Harmelen F., Lifschitz V., Porter B. Handbook of Knowledge Representation. 1st Edition, vol. 1. Elsevier Science; 2007. (In Eng.)
[8] Piletski I.I., Batura M.P., Volarava N.A. System for Complex Analysis of Data from Internet Sources. In: Bogush V.A. (ed.) Proceedings of the 7th International Conference on BIG DATA and Advanced Analytics. Bestprint, Minsk; 2021. p. 198-209. Available at: https://libeldoc.bsuir.by/handle/123456789/43904 (accessed 14.09.2020). (In Russ., abstract in Eng.)
[9] Harary F. Graph Theory. Addison-Wesley Publishing Company, Boston; 1969. (In Eng.)
[10] Sukhomlin V.A. Algoritmicheskaja sistema dlja opisanija processov transljacii [Algorithmic System for Describing Translation Processes]. Programmirovanie = Programming and Computer Software. 1975; (2):77-83. (In Russ.)
[11] Lightfoot J.M. A Graph-Theoretic Approach to Improved Curriculum Structure and Assessment Placement. Communications of the IIMA. 2010; 10(2):5. Available at: http://scholarworks.lib.csusb.edu/ciima/vol10/iss2/5 (accessed 14.09.2020). (In Eng.)
[12] Joint Task Force on Cybersecurity Education. Cybersecurity Curricula 2017: Curriculum Guidelines for Post-Secondary Degree Programs in Cybersecurity. Association for Computing Machinery, New York, NY, USA; 2018. (In Eng.) DOI: https://doi.org/10.1145/3184594
[13] Li Z., Liu H., Zhang Z., Liu T. Shu J. Recalibration convolutional networks for learning interaction knowledge graph embedding. Neurocomputing. 2021; 427:118-130. (In Eng.) DOI: https://doi.org/10.1016/j.neucom.2020.07.137
[14] Wang H., Zhang F., Wang J., Zhao M., Li W., Xie X., Guo M. Exploring High-Order User Preference on the Knowledge Graph for Recommender Systems. ACM Transactions on Information Systems. 2019; 37(3):32. (In Eng.) DOI: https://doi.org/10.1145/3312738
[15] Wang Q., Mao Z., Wang B., Guo L. Knowledge Graph Embedding: A Survey of Approaches and Applications. IEEE Transactions on Knowledge and Data Engineering. 2017; 29(12):2724-2743. (In Eng.) DOI: https://doi.org/10.1109/TKDE.2017.2754499
[16] Zhao Y., Zhang A., Feng H., Li Q., Gallinari P., Ren F. Knowledge graph entity typing via learning connecting embeddings. Knowledge-Based Systems. 2018; 196:105808. (In Eng.) DOI: https://doi.org/10.1016/j.knosys.2020.105808
[17] Le N.-T., Vo B., Nguyen L.B.Q., Fujita H., Le B. Mining weighted subgraphs in a single large graph. Information Sciences. 2020; 514:149-165. (In Eng.) DOI: https://doi.org/10.1016/j.ins.2019.12.010
[18] Suchanek F.M., Kasneci G., Weikum G. Yago: a core of semantic knowledge. In: Proceedings of the 16th international conference on World Wide Web (WWW '07). Association for Computing Machinery, New York, NY, USA; 2007. p. 697-706. (In Eng.) DOI: https://doi.org/10.1145/1242572.1242667
[19] Steinmetz N., Sack H. Semantic Multimedia Information Retrieval Based on Contextual Descriptions. In: Cimiano P., Corcho O., Presutti V., Hollink L., Rudolph S. (ed.) The Semantic Web: Semantics and Big Data. ESWC 2013. Lecture Notes in Computer Science. 2013; 7882:382-396. Springer, Berlin, Heidelberg. (In Eng.) DOI: https://doi.org/10.1007/978-3-642-38288-8_26
[20] Zhang M., Geng G., Zeng S., Jia H. Knowledge Graph Completion for the Chinese Text of Cultural Relics Based on Bidirectional Encoder Representations from Transformers with Entity-Type Information. Entropy. 2020; 22(10):1168. (In Eng.) DOI: https://doi.org/10.3390/e22101168
[21] Bhatt Ah., Zhao J., Sheth A., Shalin V. Grafy znanij kak sredstvo uluchshenija iskusstvennogo intellekta [Knowledge graphs as a means of improving artificial intelligence]. Open Systems.DBMS. 2020; (03):24-26. Available at: https://elibrary.ru/item.asp?id=43925226 (accessed 14.09.2020). (In Russ.)
[22] Pommellet T., Lécué F. Feeding Machine Learning with Knowledge Graphs for Explainable Object Detection? CEUR Workshop Proceedings. 2019; 2456:277-280. Available at: http://ceur-ws.org/Vol-2456/paper72.pdf (accessed 14.09.2020). (In Eng.)
[23] Berrendorf M., Faerman E., Melnychuk V., Tresp V., Seidl T. Knowledge Graph Entity Alignment with Graph Convolutional Networks: Lessons Learned. In: Jose J. et al. (ed.) Advances in Information Retrieval. ECIR 2020. Lecture Notes in Computer Science. 2020; 12036:3-11. Springer, Cham. (In Eng.) DOI: https://doi.org/10.1007/978-3-030-45442-5_1
[24] St-Hilaire F. et al. A Comparative Study of Learning Outcomes for Online Learning Platforms. In: Roll I., McNamara D., Sosnovsky S., Luckin R., Dimitrova V. (ed.) Artificial Intelligence in Education. AIED 2021. Lecture Notes in Computer Science. 2021; 12749:331-337. Springer, Cham. (In Eng.) DOI: https://doi.org/10.1007/978-3-030-78270-2_59
[25] Giabbanelli P.J., Tawfik A.A., Gupta V.K. Learning Analytics to Support Teachers’ Assessment of Problem Solving: A Novel Application for Machine Learning and Graph Algorithms. In: Ifenthaler D., Mah D.K., Yau J.K. (ed.) Utilizing Learning Analytics to Support Study Success. Springer, Cham; 2019. p. 175-199. (In Eng.) DOI: https://doi.org/10.1007/978-3-319-64792-0_11
Опубликована
2020-12-25
Как цитировать
POLYANSKAYA, Marina Sergeevna; SUKHOMLIN, Vladimir Alexandrovich. Теория полисортных графов знаний-обучения. Международный научный журнал «Современные информационные технологии и ИТ-образование», [S.l.], v. 16, n. 4, p. 940-950, dec. 2020. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/717>. Дата доступа: 18 oct. 2021 doi: https://doi.org/10.25559/SITITO.16.202004.940-950.
Раздел
ИТ-образование: методология, методическое обеспечение

Наиболее читаемые статьи этого автора (авторов)