Целью исследования является разработка методов оптимальной по критерию максимального правдоподобия оценки неизвестных неслучайных факторов, влияющих на качество производственного оборудования, а также случайных факторов по критерию минимума среднеквадратической ошибки на основе обработки информации, связанной с поступившими рекламациями с применением математической теории случайных точечных процессов и теории статистических решений.
Метод исследования состоит в применении известной гипотезы о распределении времени наработки на отказ технических систем в виде экспоненциального распределения, зависящего от функции интенсивности отказов. Использован тот факт, что соответствующее распределение числа отказов распределено по пуассоновскому закону с этой же функцией интенсивностей отказов. Сделано предположение о том, что функция интенсивностей зависит не только от времени, но и от совокупности неизвестных неслучайных параметров, или от случайных параметров. Подчеркивается, что такие факторы могут отражать обобщенное состояние технической системы, а информация об этом может быть заключена в фактах предъявления рекламаций на продукцию. Поставлена задача оптимальной оценки параметров, от которых зависит функция интенсивности отказов. Поскольку в данной постановке задачи обработке доступны только факты предъявления рекламаций, а также времена их предъявления, то для оптимальной оценки неслучайных параметров применен метод максимума функции правдоподобия, а для случайных – оптимальный фильтр Калмана. Рассмотрена задача оптимальной оценки неизвестных параметров с мультипликативно сепарабельной функции интенсивности отказов, т. е. такой, которая представима в виде произведения отдельно функции времени и функции вектора неизвестных параметров. Показано, что для такой функции задача оптимальной оценки сводится к задаче оценки одного скалярного параметра, масштабирующего функцию времени. Известный алгоритм Калмана для непрерывных параметров применен для случая наблюдаемого процесса в виде числа событий предъявления рекламация и времен их появления. Примеры оценки как неизвестного, так и случайного фактора, приведены для единых реальных данных о пороках ткани, и подтверждают работоспособность алгоритмов и их применимости для простейших оценок состояния производственного оборудования.
Новыми результатами исследования являются постановка задачи исследования функции интенсивности отказов, зависящей от совокупности неизвестных неслучайных или случайных параметров, применение методов максимального правдоподобия и алгоритма Калмана для оптимальной оценки этих параметров, а также доказательство утверждения о том, что для сепарабельной функции интенсивностей отказов оптимальная оценка неслучайных параметров сводится к оценке скалярной величины, масштабирующей зависящую от времени функцию интенсивности.
В заключении указывается, что примеры оценки факторов, влияющих на функцию интенсивности отказов, подтверждает работоспособность алгоритма и его применимости для простейших оценок состояния производственного оборудования. Отдельной задачей является разработка аналитических выражений для функции интенсивности отказов, зависящей от параметров, а также методов сравнения оценок, полученных различными методами. Решение этих задач позволит разработать методы уточнения состояния производственного оборудования.
Цель исследования. Цифровизация образования подразумевает масштабные преобразования, охватывающие внедрение цифровых технологий на каждом уровне общего и профессионального образования, дополнительного образования, а также изменения во взаимодействии всех участников учебного процесса. Одним из шести ключевых вызовов, на которые призвана ответить Стратегия развития образования до 2036 года, является стремительное распространение цифровых технологий и искусственного интеллекта. Цель исследования состоит в определении роли цифровых следов, формируемых в ходе реализации образовательного процесса, как одного из инструментов цифровой трансформации управления образовательным процессом, а также в демонстрации практической реализации обработки цифрового следа с использованием API социальной сети ВКонтакте и методов анализа данных (Educational Data Mining).
Материалы и методы. Теоретико-методологическую базу для исследования составили работы отечественных и зарубежных исследователей в области анализа цифровых данных, возникающих в ходе реализации образовательного процесса. В работе использованы методы обработки естественного языка, такие библиотеки для языка программирования Python, как pandas, numpy, mathplotlib и др. Эмпирическая часть исследования основывается на анализе цифрового следа в сообществах образовательной организации в социальной сети Вконтакте, представленного в виде неструктурированных текстов.
Результаты. Исследования показывают, что большой объем разнородных данных цифровых следов, в том числе представленных в виде слабоструктурируемых данных, неизбежно возникает в условиях цифровизации образования и обеспечения информационной открытости образовательных организаций и представляет интерес для получения образовательной аналитики, используемой для решения задач в области цифровой трансформации образовательного процесса, цифровой трансформации управления образовательным процессом, обеспечения преемственности и интеграции образовательных уровней. Цифровой след, формируемый в ходе взаимодействия с электронной информационно-образовательной средой и иными цифровыми ресурсами образовательных организаций в сети Интернет (сайт, страницы в социальных сетях, мессенджерах), открывает возможности для анализа данных об образовательном процессе и участниках образовательных отношений, однако требуется выработка системных подходов к его анализу и использованию в условиях цифровой трансформации образования, в том числе учитывающих требования законодательства к персональным данным, этические аспекты и аспекты безопасности. В статье рассмотрены перспективы анализа цифровых данных в сообществах образовательной организации в социальных сетях с использованием методов анализа данных и машинного обучения, а также представлен практический пример анализа данных в таких сообществах в социальной сети ВКонтакте с помощью API.
Заключение. Полученные результаты могут использоваться как в целях первичного изучения анализа цифрового следа, так и в качестве основы разработки системы формирования образовательной аналитики. Практическое применение результатов будет способствовать цифровой трансформации управления образовательным процессом.
Цель данного исследования - рассмотреть перспективы и проблемы применения больших данных в образовании. Материалы и методы. Методами исследования выступали анализ, систематизация и структурирование информации в области применения больших данных в образовании, а также моделирование и программная реализация тестовой модели обработки больших данных с использованием фреймворка Apache Spark. Результаты. В статье рассмотрены ключевые аспекты использования больших данных в образовании, в частности, их источники в виде цифрового следа обучения, методы анализа и направления применения больших данных. При этом были выделены следующие источники больших данных в образовании: электронная образовательная среда и электронная библиотека вуза; мобильные приложения для обучения; сайт вуза; социальные сети и форумы; данные обратной связи, обращений и опросов; персональные данные, включая психометрические характеристики обучающихся; данные научных smart лабораторий; данные видеонаблюдений и систем контроля управления доступом; данные о карьерном пути и успешности выпускников. Направления применения больших данных в образовании включают в себя следующие моменты: персонализация электронного обучения, выдача персонализированных рекомендаций; аналитика данных; оценка и обратная связь; прогнозирование успеха студентов; мониторинг качества образования; создание модели обучаемого; разработка учебных планов на основе запросов работодателей; разработка новых образовательных программ; появление новых моделей обучения; совершенствование процессов управления вузом; совершенствование работы приемной компании; модернизация программно-технических средств обучения; оптимизация педагогического состава. В качестве проблем применения больших данных в образовании рассматриваются проблемы защиты личных (персональных) данных, необходимость в новых методологиях и технологиях анализа больших данных, потребность в существенной модернизации имеющихся в системе образования технических средств, необходимость в квалифицированных кадрах. В статье также приведен тестовый пример анализа log-файла (журнала событий) электронного курса с помощью технологий обработки больших данных Spark SQL, показывающий потенциальную возможность и практическую применимость технологий обработки больших данных к задачам анализа цифрового следа обучения. Заключение. Большие данные в образовании способны предоставить уникальные возможности для анализа и оптимизации учебного процесса, помогая выявить тенденции, прогнозировать успехи студентов и адаптировать образовательные программы к индивидуальным потребностям учащихся. Но нельзя также забывать, что использование больших данных в сфере образования также несет с собой определенные риски и вызовы, связанные с этическими аспектами, защитой личных данных и необходимостью кадровой модернизации сложившейся системы образования. Для успешной интеграции аналитики данных в образовательную практику необходимо развивать не только технические ресурсы, но и уровень цифровой безопасности и этики в использовании персональных данных.