电信和信息学报告10（2023）100051融合教育模式在智能学习环境Mikhail Deeva，Alexey Finogeevba俄罗斯奔萨国立大学多媒体技术和在线学习中心教育资源规划和管理系副主任b俄罗斯奔萨国立大学技术科学博士、CAD系教授aRT i cL e i nf o关键词：融合模式实施教育资源智能学习环境a b sTR a cT本文提出了一种科学和实用的方法来开发和实施融合学习的概念，在建立一个开放的教育平台，以管理培训专家的过程中的框架。提出的融合教育概念是基于智能学习环境中的教育计划、学习内容、能力矩阵、培训专家的方法和技术以及个性化学习轨迹的整合。实施该模式和趋同方法，关键是利用信息和教育环境，在区域劳动力市场分析的基础上支持趋同学习的机制，实施教育项目和资源，协调和同步其生命周期模型，自适应定制和个性化的专家培训计划。本文将教育项目和雇主职位空缺的收敛模型发展为一个加权图，以说明教育项目的能力要求向量和求职之间的关系。为了分离收敛模型组件并评估其收敛程度，基于Louvain方法的图聚类算法已经开发。本文提出了一种以电子学习资源的主题集和部分集为顶点的模糊加权图的教学内容收敛模型的综合方法。搜索和提取收敛教育内容部分已经通过用于提取模糊同构子图并评估其收敛程度的算法来实现。研究结果用于综合信息和教育环境与智能机制，以支持基于劳动力市场需求分析的学习过程，实现教育内容和培训计划，以及自适应定制和个性化的专业培训轨迹。教育环境的架构包括一套软件和工具，用于管理大学信息空间的组件，支持移动，云和混合学习技术。1. 介绍在人类生活的各个领域数字化和智能化的背景下，电子，移动，云，沉浸和混合学习的技术进步已经成为教育发展的趋势教育过程现代化的新途径备受关注，而融合教育的理念和模式就是其中之一。影响教育现代化和发展的若干因素如下：(a) 提供在线信息和教育资源，(b) 面向主题的开放式网络人与社区信息交互，∗ 通讯作者。电子邮件地址：miqz@yandex.ru（M. Deev）。https://doi.org/10.1016/j.teler.2023.100051(c) 学习和交流过程中的用户分布和匿名性，(d) 在学习过程中就教育方案提供任何咨询，(e) 聘请专家执行教育任务（实验室和实践任务，课程项目，论文等）的可能性，(f) 在线学习、测试和学员认证的潜力，(g) 将教育过程的视角从对真实物理对象和系统的实验性学习转变为通过虚拟和增强现实体验的学习，(h) 将学习的重点从通过语言刺激（书面材料）对信息的感知和表达转移到通过非语言刺激（图形和动画可视化）对信息的感知，接收日期：2022年10月20日;接收日期：2023年2月7日;接受日期：2023年3月1日2772-5030/© 2023作者。由Elsevier B. V.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表电信和信息学报告期刊主页：www.elsevier.com/locate/telerM. Deev和A. 菲诺盖耶夫电信和信息学报告10（2023）1000512(i) 在信息和教育环境中，从基于纸张的学习向电子学习资源过渡，(j) 在任何专业培训中使用信息和电信技术，(k) 通过计算机化实现教育过程的智能化;移动和计算机建模技术的使用;教育材料呈现的虚拟、扩展和超文本/超媒体格式等。信息和电信技术（数字化）在全球范围内渗透到生活的各个领域，远程和开放教育方法的引入，以及信息和教育资源（ER）的网络访问，都需要任何专家学习计算机数字化带来的教育变革已经成为教育数字化转型的系统形成因素[27]。数字化主要涉及教育服务的提供;电子学习资源（ELR）的合成;信息和教育环境的创建;远程学习和认证技术的使用;教育机构中教育、组织和管理活动的自动化;师生互动技术;确保教育过程科目的信息安全等。这是由于科学和技术的数字化转型的过程现代社会的知识进步和对知识职业的需求日益增长，需要引入和阐述基于交叉和相互影响的融合教育模式教育科学和数字技术。因此，教育环境中的融合过程是由于教育和人类生活其他领域的数字化，同时考虑到上述因素的影响。因此，发展教育融合方法的方法论和教学基础是基于数字化和信息化方面的现代教育模式的实施[24]。如今，从我们的角度来看，开发工具以实施融合教育概念的实际方面应该走到前列。融合教育模式涉及三个主要过程的实施：(a) 根据现代劳动力市场的要求，实现教育计划和资源的现代化，(b) 协调和同步不同领域培训专家的教育方案和资源的过程，(c) 使培训方法和手段适应国家标准和雇主不断变化的要求，以及根据企业的具体要求使专业人员的培训和再培训轨迹个性化的过程。融合教育模式基于教育计划和能力矩阵、电子教育资源、用于培训专家的方法和技术、个性化学习轨迹的融合（收敛）。只有在知识教育环境中，才有可能在融合过程的支持下实施该模型，该环境的工具旨在同步教育组件的生命周期，使其适应并与不断变化的专业和教育标准以及区域劳动力市场中的雇主的要求相协调。在这样的环境中，人工智能技术是一种在融合模型中对教育过程进行自适应管理的机制。环境的智能组件支持管理教育计划和资源的生命周期的过程，以适应区域劳动力市场的要求以及现代数字和创新经济的条件。在人类生活的各个领域引入人工智能技术是社会发展的现代趋势因此，我们认为，新一代的教育系统也不能不使用这些技术[1，17，22]。教育环境中的智能组件用于各种目的，例如，组织和支持开放和无处不在的学习技术，与互联网上的电子教育内容（EEC）一起工作，其中包括各种各样的可用电子学习资源（ELR），用于在学生的训练水平和个人学习轨迹的选择上自适应定制教育程序，用于管理教育过程等。在我们的项目中，智力成分主要用于实施一种机制，对区域劳动力市场中需求专家的培训过程进行主动管理。主动管理的主要任务是收集、整合和智能分析雇主对专家的要求，预测其变化趋势并进行预测中期和长期的适当资格的专家数量，教育计划（EP）和EEC的必要实施，其模式的协调和同步。在教育轨迹的适应性定制和个性化过程中的生命周期。在[2]中，介绍了在开发奔萨州立大学正在实施ILE计算生态系统包括用于收集、处理和智能分析大数据的模块化工具（因特网上的雇主空缺文本），学习过程管理系统，EEC实现和现代化系统，用于个性化学习轨迹的合成和设置的模块，用于实现、协调和同步教育计划的系统，用于评估专家培训质量的系统、信息安全管理系统、云存储和多个辅助子系统。由于水平可扩展性和自治模块的集成，生态系统的能力各不相同，功能由软件代理提供。ILE的基本组成部分是：1. 学习管理系统（LMS）。2. EEC管理和发布系统。3. 学习活动管理系统（LAMS）。4. 一个在因特网上搜索、收集和智力分析雇主对开放资源需求的系统5. 用于管理和存储教育过程中的参与者的个人信息和云存储中的电子教育内容的系统以及用于提供安全访问的系统。6. 辅助模块化工具，用于支持ILE组件的操作。生态系统组件与大量的数字化教育计划和电子教育资源一起工作，用于现代化培训计划和教育内容，并实施奔萨国立大学（俄罗斯）的教育过程。分析雇主需求的工具确保了教育系统对区域经济不断变化的需求的响应，并代表了加强培训需求专家过程由于以下因素，智能技术为提高学习过程效率提供了机会1. 利用移动设备和网络技术，以互动方式广泛获取教育资源2. 使用云存储进行教育内容托管;3. 监测教育和专业标准的要求，以及区域劳动力市场上雇主对教育方案、资源和教学方法的适应性配置和实施的可能性;4. 在高级课程中实施个性化学习技术，并考虑到具体雇主的能力要求，有可能综合教育轨迹;M. Deev和A. 菲诺盖耶夫电信和信息学报告10（2023）10005135. 利用远程技术和开放式教育资源、咨询和在线测试开发自学技术;6. 使用基于虚拟和增强现实的沉浸式学习技术等。在研究过程的早期，教育的趋同模型的层次结构包括五个层次，这取决于应用范围[7]：(a) 教育和技术水平，使学习技术和教学方法同步;(b) 教育和方法层面，使教育方案与教育和方法内容同步;(c) 在专业层面，协调不同专业的能力模式;(d) 在组织层面，在单一信息空间中同步教育过程管理系统;(e) 社会认知水平，使认知技术和社会技术同步，以激发和激励学生在开放的教育环境中自主学习2. 趋同教育研究的理论述评教育向融合模式的转变源于科学的进步，与信息化、智能化和数字化技术在生活的各个方面的引入有关，这给教育系统带来了许多机遇和挑战Robert [25，26]介绍了教育数字化转型的积极和消极结果。本文介绍了数字化转型时期教育发展的价值论观点，并对数字化转型时期教育信息化的发展方向进行了思考。Katalin和Karoly[18]提出了基于数字游戏和移动技术的创新方法，这些方法被整合到传统教育环境中，在传统教育中的适用性方面既有优点也有缺点。由于信息革命、课程改革和创新经济的要求，教师和学生之间的代沟迫使出现新的替代方法。关键的学习因素是学生的阅读和理解能力，完成任务的容忍度，集中注意力，注意力和动机。具有虚拟和移动学习需求的新一代学生这是对现行教育制度的挑战，迫使引进新的有效的教育方法和形式。一个提供智能和交互式控制的程序设计教学系统，帐篷、个性化选项、自适应功能和学习分析作为参与学习复杂认知技能的用户的支持，由Vesin等人考虑。[29]。研究表明，学生发现适应性学习系统在监控进度、促进反应性实践和接收反馈以更好地理解他们的行动和学习策略方面非常有用。美国国家科学基金会将融合定义为来自多个领域的知识、技术和专业知识的深度整合，以形成新的和扩展的框架来应对科学和社会的挑战和机遇。一些作者[28]指出，所谓的第三次医学革命主要与生命科学、物理科学、数学和工程学的融合有关。根据Dzau和Balatbat[12]的观点，从融合的角度来改善人口健康至关重要。作者表明，人口健康的进步不能依赖于单一部门，需要对教育、社会服务、经济发展、环境、营养和食品营销、城市设计和健康有科学的理解。成功将取决于各部门之间有效的伙伴关系。大学和学术健康科学中心必须创造文化、生态系统和激励措施，将相关部门聚集在一起，并建立整合多学科提供新的机制来激励大众健康领域的融合研究。融合研究进展迅速，给教育带来了许多挑战和机遇。根据Herr等人的研究[16]，美国国家科学基金会、经济合作与发展组织、美国国家科学院、工程院和医学院等组织了一次全球参与的研讨会，探讨促进教育趋同的行动。与国外相比，很少有出版物专门讨论俄罗斯联邦教育环境组成部分的融合。研究成果多是针对具体的实际问题，收敛的概念多是一般的理论概念。此外，缺乏一个统一的定义收敛教育的概念强调了研究的相关性和重要性，在这一领域。罗伯特[24]认为，影响融合教育发展的因素是现代社会的成就、挑战和风险。 在充分认识现代教育特征的基础上，论证和提出了衔接教育形成和发展的理论基础、方法基础、科学基础和教育学基础。这些确定了其中发生的基本变化，这些变化部分地和自发地实施，但没有积极的科学成果。 融合教育的定义是从科学和教育学的角度来证实和制定的。描述并提出了发展融合教育的方法论、科学和方法论、教学和技术基础，以及实施融合教育的有前途的基础研究。总体而言，跨学科被认为是一个方法论基础，教育中的趋同方法，以及在不同学科交叉点解决的科学和实践问题。跨学科性是以克服对象/主题/方法将不同科学分开的障碍的形式来理解的。融合教育模式被定义为基于自然科学、纳米技术、生物技术、信息技术和认知科学（NBIC）的一般发展模式，将科学知识和技术成果相结合的复杂学术学科的综合。在日常生活的许多方面，教育系统的融合日益成为一种必要。普通教育和职业教育应努力在传统的不同学科之间寻求有效的融合方式。以系统思想为基础的环境保护协调，模糊了传统上不同学科和专业领域之间的界限。教育的融合被视为[9，14，15]整合不同学科以实现培养不同学科领域专家的创新目标的过程。融合过程在劳动力市场、专业研究和发展组织以及大学一级都是现实。提出了差异融合的概念，包括在任何教育环境中实施教育的五种主要融合模式。通过理论和实践标准确定的模式的特点是：(a) 多学科性是指同一学科领域内的多个学科之间的融合，形成了一个学科特有的ER复合体;(b) 多学科性是相关学科之间相互融合的结果;(c) 交叉学科性是指来自不同领域的多个学科的综合融合，具有两个或多个学科所特有的类似ER的复合体 使用;(d) 跨学科性源于不同学科和学习方法所特有的ER复合体的聚合;M. Deev和A. 菲诺盖耶夫电信和信息学报告10（2023）1000514(e) 跨学科性是不同学科所特有的ER复合体在同一教育空间内的聚合。在尝试实施基于模型的科学教育趋同方法后，作者强调了其优势，并挑选出协调模型内不同学科的工具。所提出的系统工具提供了模型的收敛 以及开发协调的EP和使用教育材料的方法。3. 教育过程衔接的材料和方法3.1. 教育中的趋同过程概念教育的融合过程主要被定义为用于培养各学科领域专家的教育计划、资源、社会和认知技术的融合。 认知技术和社会技术是提高学生解决实际问题的认知能力的方法体系。专业和教育标准的统一保证了不同专业的教育方案和教材的统一。举例来说，不同专业均要求具备资讯、电讯及电脑科技方面的能力。教育课程的趋同必然导致学科工作计划、评估工具的资金以及教育和方法论内容的转变。针对不同的专业，增加了共同的部分和主题，使用了相似的教学方法和学习技术。 因此，就教育过程而言，融合方法决定了能力矩阵、获得的知识、技能和能力的融合程度，同时考虑到实际经济部门的需要和雇主的要求。根据国家高等教育学术标准，研究生课程，学生普遍和一般的专业和专业能力形成。专业能力分为强制性和推荐性，并根据毕业生的劳动力市场能力，以专业国家标准为基础。这些要求是在综合专业经验和与雇主或雇主协会协商的基础上综合而成的。尽管在编队中发生了重大事故，在制定国家教育标准的能力中，固定标准能力与创新经济的当前市场现实之间存在差距随着新材料、新技术、新设备等的出现，新的能力要求也在不断发展。寻找新的雇主需求，并进行选择和分析新能力的培养应在操作模式上进行，并在专业人才培养的教育计划上进行全面的现代化和实施。因此，我们认为，国家学术标准应该只规定普遍和一般的专业能力，而不是专业能力。融合教育模式基于系统搜索和对区域劳动力市场雇主需求的分析而不是从迅速过时的专业标准中选择，来概念化专业能力。此外，还应考虑到许多影响所需专业能力的因素，例如，新技术、新设备、新材料的出现，劳动力职能的变化，新专业的出现，老企业的现代化改造等，实际上，不断实现区域劳动力市场的能力要求势在必行。获得实现的能力导致教育计划和资源的实现，以确定其生命周期。因此，要发展一个融合的教育模式，需要一套方法来管理能力要求，教育计划和教育资源的生命周期。这些都是针对syn-记录和协调融合过程，实现和个性化的专业培训专家和硕士课程。在教育标准和雇主的能力要求的生命周期内，专家在自己的技能水平范围内获得的必要知识、技能和能力是趋同的。对多个联邦州教育标准（FSES）的分析证实了教育计划（EP）的趋同，因为类似能力的数量每年都在增长。最近，生命周期雇主能力要求的变化对教育计划在其生命周期内的融合和实施产生了越来越大的影响。作为融合方法的一部分，该计划根据雇主能力要求（包括知识和技能）的固定变化而实现。此外，环境保护的实施还受到以下因素的影响：(1) 新技术、新材料、新设备等的出现，(2) 新兴产业和企业的出现和淘汰，(3) 新的职业和工作的出现以及奇怪的职业和工作的消失，(4) 特定区域行业的专业供过于求或短缺，(5) 根据地区特点，找出现有教育方案的缺点和不足等。为了获得所需的能力，专家通常必须在自己的/相关的/不同的专业中掌握额外的教育课程。例如，治疗师必须掌握远程患者监测的信息和电信能力。相应地，附加项目应与基础专业同步、协调，并根据专业培训水平和用人单位的要求进行 为了同步和协调这些教育计划，已经实施了以下方法[4，6]（图10）。①的人。3.2. 教育计划与雇主空缺趋同模型强调了教育机构提供的学习计划与现有雇主对区域劳动力市场专家的需求之间的关系。为了确定关系和确定培训需求专家的机会，开发了在线空缺搜索和分析工具，以实现和个性化教育计划[10]。搜索机器人用于处理求职网站，劳动力交易所，公司和公司，公告板，工作数据库，社交网络和即时通讯中的相关群体，求职论坛等。为了合成收敛模型，从职位描述中提取所需能力的信息，并将其转换为关键词向量模型[11]。向量模型通过一组语义相关的关键词来表示能力。Deev等人。[4]考虑一种合成矢量模的方法，基于修改后的Word2Vec算法，计算在预测和优化学习模型期间的采样逻辑损失函数。时间和地理空间标签用于设置地理位置，用于在矢量表示形成期间选择待分析的空缺的校准区域和时间范围。所选地理区域与区域抢手专家的能力分布有关，并允许确定满足雇主要求的区域教育机构的教育计划，或确认其缺乏。考虑到区域劳动力市场对专家的预测需求，时间框架分析对于评估在选定区域创建新的所开发的方法和工具用于从区域教育机构的网站上发布的教育计划中提取关于计算机的数据。现成的能力在M. Deev和A. 菲诺盖耶夫电信和信息学报告10（2023）1000515图1.一、教 育 方案的同步和协调方法。所研究学科的教育和工作计划，这是由FSES推荐。然而，与雇主空缺职位中所列的能力相比，分析表明，大多数能力具有一般性和非特定性，或与计划的内容不完全对应。因此，为了EP能力向量模型的完整性，分析EP框架中学科的工作计划内容并提取关键词的过程已经实施。进一步地，从教育计划的能力要求获得的词向量与受追捧的专家的空缺之间的关系可以表示为具有两个子图G=（V1，V2，E）的加权图，其中：V1是表示EP能力要求的词向量; V 2是雇主的词向量;���= {<���（������，������）scin（������，������）>}是具有���∈ [0.5; 1]权重的边的集合（图10）。2）的情况。在合成图时，权重小于0.5的边被排除在外，因为在初始阶段，我们不考虑在所选地区培养低需求能力专家的教育计划。但是，这些程序可能在新搜索期间需要，同时为另一个地区选择空缺，或删除新EP。边权重表示从能力要求获得的关键词向量的收敛程度的归一化估计。V1子图顶点子集是通过从EP和专业标准中提取能力描述，并从学科EP工作计划的主题和章节内容中提取关键词集而形成的。这是紧迫的，因为EP中添加的能力描述取自联邦州标准，没有具体说明。至于劳动力市场的空缺，所需的能力通常被描述得更详细和更明确，这不允许在广义EP之间建立必要的对应关系。能力和一个抢手的专家的能力。然而，这可以通过分析工作计划的内容和指定教育机构专家获得的知识，技能和能力来实现。为了综合教育过程的收敛模型，有必要对图进行变换，以突出区域劳动力市场中类似的（收敛的）教育计划和类似的空缺。重要的是要建立和评估拟议的教育机构和所需的空缺之间的关系。此外，在关系密切的情况下，应该继续推荐选择现有的教育计划、选择教育资源和综合个性化的培训路径，以培养受欢迎的专家。在没有区域EP的情况下，扩大搜索范围以寻找能够为教育机构做好准备的教育机构至关重要。一个专家所需的空缺，或着手发展根据雇主的要求提供新的额外EP。为了实现第一阶段的目标，必须执行图聚类算法根据这个问题，一个表示为邻接矩阵X的图，其中元素是边权重，将被视为输入和输出数据。一个相似性准则，一个度量空间，和一个度量函数的每对图顶点指定的顶点聚类。图聚类算法表示函数“n∶n→n”，其将子图V1i和V2i的顶点与簇V'1边权重将被视为顶点之间的距离���聚类结果是图G���从数学的角度来看，合并到聚类中的折点应具有最小平均聚类内和最大平均聚类内M. Deev和A. 菲诺盖耶夫电信和信息学报告10（2023）1000516��� −���=12个月，2������������2002年，中国，中国，（1）���������图二. 加权词向量图。类间距离在我们的例子中，由于具有关键词向量的最高相似度的顶点被组合成一个聚类，所以用于最小化/最大化距离的过程包括选择边缘ei的μ权重的阈值。其中，具有大于阈值的权重的边将联合相同簇的顶点总的来说，顶点可以同时属于几个聚类，因为不同的教育计划可以具有相似的能力向量。该算法是基于确定和优化的顶点聚类模块化系数。原始算法中的模块性系数是在[-1，1]范围内的簇内边缘的密度与簇间边缘的数量的关系。实际上，模度是关联到簇内顶点的边的权重之和减去与其他簇中的顶点相关联的顶点边的权重之和。在我们的例子中，当确定模块化系数时，只考虑大于指定阈值的边的权重。具有较小权重的边不被考虑用于聚类。在这种情况下，阈值是选择迭代，取决于集群的大小。最初，设置值0.75，并且如果获得更大数量的退化聚类（具有一个顶点的那些），则阈值减小0.05。相反，如果将所有折点分组到一个聚类中，则会增加0.05，并重复聚类过程。算法结束时，确定非退化簇的最佳数目模块化系数计算如下：对聚类数进行符号化，计算聚类的模块度。2. 选择一个任意的簇，其顶点依次移动到相邻的簇中.在顶点位移之前和之后计算修改的模块化系数ΔM选择具有固定位移顶点的最大模块化变化Δmax Δmax> 0的集群如果没有任何位移增加模块度，则顶点保持在同一簇中。重复该阶段，直到系数变化保持不变。3. 一个具有簇的图被转换成一个重图。将聚类的顶点合并为一个顶点，并将其之间的边变换为循环，并将所得顶点之间的多条边替换为一条边。 循环和边的新权重被重新计算为先前边的权重的算术平均值。4. 重复阶段2和3，直到达到最佳值的模量系数（当没有发生变化的模块化）。在我们的情况下，鲁汶算法被用来作为一个优化功能，以确定收敛的能力矩阵的教育计划和雇主在区域劳动力市场。结合图的顶点的数学过程演示了不同专业和现有变量的教育计划∑[∑∑]���������在劳动力市场的癌症，这使得快速监测名单，其中M是模块性;r是具有比给定阈值p更大的权重的子图边（r>p）的权重之和;���m是组合到聚类中的顶点i和j之间的边的权重（m���，m>p）;Tors不是预先严格确定的，并且可以在聚类过程期间改变。在我们的例子中，限制是边权重的值，它可以变化，从而改变转换器的数量���������and���������（是与i和j顶点关联的ei和ej边的权重EP和雇主空缺。������������������������是具有i和j个顶点的聚类;���������������������������Kronecker delta，作为聚类相等性的指示符（如果ci=cj，则���������������（单个集群的模块化系数定义为：3.3. 对教育过程的融合模式进行积极管理∑���������（∑（+））2���在研究过程中，ILE软件和工具正在开发中。������ 为���=1个��� −=��� 1个������2���、（二）制定并实施了融合教育模式智能复合体-其中，Mc是集群模块化度;Mc是集群间的权重tual tools是用来分析和选择教育专业的，边缘大于阈值（μ������教育机构的gram和电子教育资源>p）;μ是大于阈值（μ>p）的簇内边缘的权重;n是簇间边缘的数量;k是与所有簇顶点关联的边缘的总数。���以下是算法的关键阶段1.在第一阶段，执行具有最佳模块化函数值的最小局部聚类的搜索。每个顶点都是-在选定的地理区域（地区）培训专家 适当的资格，以及评估在大学形成的能力与抢手的专家的能力要求矩阵的趋同程度，这是综合的基础上，在区域劳动力市场的雇主的要求的结果收集和分析。下面是工具包的结构（图。（3）：受欢迎的专业和专家资格。其中，EP能力向量和空位能力向量的簇的M. Deev和A. 菲诺盖耶夫电信和信息学报告10（2023）1000517图三. 教育趋同模式的智力工具结构。图四、教育 过程趋同模式的积极管理阶段。智力手段是解决问题所必需的• 图聚类为了识别雇主的相似（收敛）能力要求和在特定教育计划的培训• 根据对劳动力市场空缺的分析，专业和教育标准的要求，• 自动形成一组针对该地区需求的特定专业的实际EP，这些EP对应于与所需专家的能力矩阵的收敛程度的给定整体评估，• 自动生成为实际EP选择的一组现实化ELR，其具有与所需专家的能力矩阵列出的任务在教育融合模式的主动管理方法中得到解决，该方法包括以下步骤（图1）。 4）、1. 分析所选专业的教育和专业标准中的能力要求。将能力的文本描述转换为文字的向量模型，并形成形式化的能力矩阵。2. 设置/扩大研究区域的地理区域，以选择教育机构提供的教育课程，搜索和收集所需专业人员的空缺。3. EP分析由教育机构在给定的领域，提取描述的能力（知识，技能和能力），转化为关键词的矢量模型和合成的正式能力矩阵的培训专家。4. 收集和分析特定领域的雇主招聘的专家职位空缺，并从空缺文本中提取能力描述（知识、技能和能力）。将描述转换为关键词的向量模型，并合成一个受欢迎的专家的正式能力矩阵5. 加权能力图的合成。关键字向量被表示为图的顶点，边模拟顶点之间的强联系。在计算权重的情况下，能力向量中的关键字重合度至少为50%（词向量的归一化收敛度在0.5到1的范围内）。该操作允许减少图的维数6. 图中两个顶点子集的识别：子图的EP能力向量的顶点和顶点的子图雇主能力向量。每个子图中的顶点的聚类通过改进的Louvain方法来执行。在我们的例子中，模块性表征了簇内边的总密度，边的密度描述了给定的最大权重。作为M. Deev和A. 菲诺盖耶夫电信和信息学报告10（2023）1000518结果，形成了教育机构中最趋同的EP（根据建议的能力）和雇主的趋同需求专业（根据所需的能力）的集群集合。7. 图形合并方式：a）两个子图中的每一个中的簇顶点和连接的顶点之间的边的组合（用新的子图顶点进行簇替换）; b）排除每个子图的顶点之间的边。形式的两个子图顶点间剩余边权的计算的集成估计的收敛度（权重连接边）之间的集群的EP能力和雇主能力的向量。两个子图顶点对按给定收敛度的排序和选择。检查所确定的估计与所需估计的相关性。如果是，则传递到选择和形成收敛一套教育资源，用于培训专家（步骤8）;其他方面，返回步骤2，扩大地理区域，选择其他教育机构与EP，回应所需的空缺。如果没有机构，所需的EP，则需要新的EP合成，对应于- 与所获得的所寻求的专家的能力矩阵进行比较（步骤6）。8. 通过整合学科、专题和工作方案部分，以及综合最能满足选定区域内所需专家能力要求的综合能力矩阵（EP融合过程），将EP整合为一个集群。9. 整合综合EP的可用教育资源（内容）和技术，并根据开发的方法评估其聚合度[5]。在缺乏必要资源的情况下，需要搜索或开发教育内容和技术。3.4. 为EP综合教育内容ELR和学习技术是智能教育环境中EP发展的主要因素每个ELR都要经历开发、设计、运行、演变和淘汰的生命周期。ELR包括电子形式的教育和方法材料，许多虚拟实验室和模拟器等。在开发和实施各种ELR时，应考虑所有的能力由教师选择或创建的一组ELR，由学生使用，以在其选择的教育计划的框架内形成必要的能力，形成其电子教育内容（EEC），其与专家的能力矩阵直接互连因此，当根据所需专家的综合能力矩阵实施EP时，重要的是实施自动化的EEC实施过程。在融合教育计划中进行EEC选择和巩固的初始数据如下：- 关于合并（趋同）环境政策内容的信息- 电子学习资源和根据欧洲议会现有的方法学材料纳入收敛欧洲议会，- 一个受欢迎的专家的综合能力矩阵- EEC的内容和功能要求，包括其合成和操作，- 评估工具的资金，用于评估EEC的有效性，同时掌握抢手的专家的能力，作为决定其内容的实现和现代化- 学习技术（方法，技术，技术和软件学习工具，包括虚拟和增强现实工具和技术），基于教育机构提供的所选EEC。输出数据是综合的EEC和成熟的技术与电子学习资源，评估工具，支持和内容管理工具的更新资金。经过设计，开发，测试，验证和发布，内容用于特定的EP。在实施能力矩阵和EP时，根据以下方案[3]进行内容同步和协调（图3）。（5）：在EEC形成的第一阶段，教师创建集合电子教育资源可用于学习按照他们教的学科的工作计划。它还搜索互联网上的新ELR。将检查所选资源的部件的完整标识或语义标识。的过程自动化在这一步，反剽窃系统被使用，这有助于发现 在互联网上的一组具有相同文本片段的ELR，并收集一组用于学习的开放资源。 已付费和已关闭的资源将被排除在进一步考虑之外。 这一步使得将来在合成合并的EEC时可以排除重复的文本片段。 删除重复的ELR被发送到模块，用于分析和确定ELR片段的语义对应性。为了解决这个问题，提出了一种聚类方法，在词向量的图模型中生成模糊同构子图，提出了每个ELR的收敛模型可以表示为一个模糊加权图，其中的顶点是关键字向量的集合。为同一专业签发的不同ELR通常具有相同或相似内容的组成部分。用模糊系数给出部件的相似度，并利用相似向量集，可以表示为模糊同构子图。事实上，EEC同构显示了其ELR中包含的部分的同一性。同时，教育机构可以在同一专业的不同学科和不同专业的同一学科中学习相同的英语学习资源。分析表明，语境相似的文本之间可能存在差异。建议将它们表示为由具有权重的边连接的顶点，该权重以范围[0，1]内的模糊隶属函数的形式表示，该模糊隶属函数反映片段的相似度。在这种情况下，完全相同的片段具有等于1的退化隶属函数。由于ELR的完全相同或部分相同的片段应该进一步组合，那么识别模糊同构子图的问题也应该通过Louvain方法归结为图聚类的问题，就像识别能力要求的聚类一样。为了降低维度，从图模型中排除权重小于0.5的边，即相似度小于50%的片段不相同。算法运行如下：相似的片段位于一个簇中，计算模块性系数的变化，选择最大变化，并进一步组合。在选择同构子图的同时，进行相似片段的整合和教育资源的聚合度评估，从而合成新的EEC。因此，确定模糊同构子图或相似ELR片段的聚类是一种形式化的方法。在信息和教育方面，综合融合成一个统一的EEC，自然环境。4. 结果在科学研究的过程中，分析了教育计划，资源和内容。基于所开发的模型、方法和技术，对所使用的EP和ELR进行了智能分析和审计，以确定收敛和实现的程度。在将智能教育环境的组成部分引入大学教育过程时，基于对教育过程相关大数据的研究获得了分析数据，包括不同学科、课程和资源的融合使用数据。M. Deev和A. 菲诺盖耶夫电信和信息学报告10（2023）1000519图五. EP和EEC合并和协调示意图。在第一阶段，分析了在不同学科领域应用学术学科的可能性的数据。表1提供了所收集的一般数据的一个例子。总共分析了：学科- 42085，EP - 847。绘制了一个BOX图，显示了学科收敛程度的分布（图6）。应该指出，大多数学科在多个科学领域的应用能力较低。BOX图的统计数据见表2。根据所获得的值，绘制了饼图，按学科数量和不同学科领域描述学科分布（图1和图2）。 7和 8）。 一般 非核心 学科 在最初的培训课程中所教授的有很大的趋同潜力。在他们的情况下，使用收敛的方法将大大减轻教师在准备教育方面的负担M. Deev和A. 菲诺盖耶夫电信和信息学报告10（2023）10005110表1关于趋同学科的数据。专业名称收敛程度学科领域外语（英语）0,558人道主义知识外语（德语）0,429人道主义知识生命安全0,396技术知识哲学0,278人道主义知识体育0,257一般科学领域判例0,248人道主义知识经济0,227知识经济领域数学0,215自然科学知识现代信息技术0,215技术知识见图6。 BoXplot.在为学生组织培训方面，分析表明，41%的学科在不同领域有应用的可能性（图9）。请注意，考虑到显示转换程度的学科-表2BoX图统计。特征名称值上须0.073四分位数0.04中值0.021四分位数0.01下须0.01Nr.数据点478.00是说0.040.01以上的值（在实践中，这意味着在十个不同的EP中应用的最小可能收敛对与学科相关的EP进行了研究，以确定在不同领域，专业和主题的教育过程中使用的趋同组件。分析采用了趋同程度最高的学科。所得结果见表3。 为了识别，平均发现收敛学科的数量在EP中使用（超过30%）。见图7。 已发现的趋同学科的分布。M. Deev和A. 菲诺盖耶夫电信和信息学报告10（2023）10005111图8.第八条。按知识领域划分的已发现的趋同学科的分布。见图9。根据融合的特性进行学科分布。M. Deev和A. 菲诺盖耶夫电信和信息学报告10（2023）10005112图10个。根据收敛性 分布学科。表3学科分布数据EP主题趋同学科人道主义知识4557自然科学知识2700医学知识433技术知识3005知识经济领域852表4关于融合ELR的数据。科学分支收敛ELR的数量人道主义知识1695自然科学知识1274医学知识452一般科学领域1215技术知识3783知识经济领域700根据所获得的数据，对教育方案进行了分析，并确定了各学科领域和科学的分布情况（图1）。 10）。在分析融合学科时，我们还搜索和收集了相关领域可能使用的电子教育资源数据。分析的ELR数量为9119。根据拟议的模型和方法，收集了关于可用ELR的信息，见表4。收集到的关于收敛ELR集的数据用于生成EP，以便最充分地整合、同步和实现教育计划和内容，并分析了它们在科学领域的分布情况（图1）。 11）。部分ELR集进行了分析，使用开发的算法的基础上选择的模糊同构部分。分析结果见表5。表5关于教育内容的提取的模糊同构部分的数据科学分支教育内容人道主义知识70自然科学知识40医学知识15一般科学领域44技术知识85知识经济领域14对来自所述科学领域的对照样品进行了分析。可视化显示了算法获得的结果相对于受试者区域的分布（图10）。 12）。所获得的结果表明了所开发的模型、方法和算法的应用的正确性，这些模型、方法和算法用于在教育数字化和第四次工业革命快速变化的条件下支持融合和实现智能教育环境的教育组件。5. 讨论通过对融合教育模式的发展与实施的研究成果进行分析，可以得出以下结论。基本上，研究者从哲学和概念的角度考虑教育融合的过程，但也有一部分研究着眼于实践方面我们的情况就是这样。例如，在[23]中，作者提出了一种理论概念化的学习方法，通过一个融合的模型，结合了知识的性质和 STEM的四个学科（科学，技术，工程和数学）的研究实践的性质。M. Deev和A. 菲诺盖耶夫电信和信息学报告10（2023）10005113图十一岁按 科学领域分列的综合教育资源的数量。在实践中，融合方法被认为是：a）在准备一个多才多艺的专家，不同内容的几个教育计划的整合，b）综合的综合培训计划，结合新的专业框架内的两个或多个学科的内容，c）创建一个教育环境，以实施融合的培训计划。第一个方向的一个例子是[19]作者进行的研究。目标是研究确保通过在残疾人继续教育过程中整合几个方案，实现专业融合。因此，在本发明中， 事实证明，掌握几项趋同资格对于全面支持终身学习过程非常重要。作为收敛模型的第二个实际应用的例子，我们注意到[21]的工作。以下是分析结果综合复杂的融合教育计划对研究人工智能技术的有效性。为此，开发了一个全面的教育计划，为学校学生研究机器学习方法。作者证明了聚合学习的有效性取决于对人工智能技术的态度、科学偏好和“技术素养”的存在。第三个方向与概念的应用有关 研究或教育环境的综合。在[30]中，研究了跨多学科融合的实际问题，以创建健康研究中的研究环境，这对于在软件和数据科学的发展中建立学术科学家，医学从业者和行业专家之间的密切联系是必要的。在创造一个融合的教育环境领域的另一个例子是[20]中的研究，该研究与通过将四所大学的专业领域整合到本科系统中，以四所大学的教
我的内容管理
展开
