Author Archives: admin

При подготовке учителя информатики для обучения учащихся в условиях использования информационных технологий очень важен характер взаимодействия между участниками образовательного процесса при освоении нового содержания обучения, новых тем и понятий. На основании рассмотрения обновлённое содержание школьного курса информатики в Республике Беларусь, проведенного семантического анализа основных понятий учебного предмета «Информатика», систематизации методических подходов к обучению учащихся понятиям считаем целесообразным формировать у будущих учителе информатикипредставление о трех возможных классификациях понятий:1) по содержательным линиям учебного предмета; 2) по логико-структурным взаимосвязям и взаимодействиям понятий; 3) по этимологии иноязычных и переводных слов в определении понятия.

1. Классификация понятий информатики в средней школе по содержательным линиям.

При классификации понятий информатики по содержательным линиям нами выделяются межсодержательные и внутрисодержательные понятия. В курсе школьной информатики в Республике Беларусь выделяется шесть содержательных линий: информация и информационные процессы, аппаратное и программное обеспечение компьютеров, основы алгоритмизации и программирования, компьютерные информационные технологии, информационное моделирование.

Межсодержательные понятия – это понятия, которые используются при рассмотрении учебного материала в нескольких (от двух и более) содержательных линиях учебного предмета «Информатика» в школе. Примерами таких понятий являются: «информация», «данные», «компьютер», «алгоритм», «информационная модель» и др.

Внутрисодержательные понятия – это понятия, которые используются при рассмотрении учебного материала только в одной содержательной линии учебного предмета «Информатика» в школе.К внутрисодержательным понятиям относяться: «байт», «адабтер», «алгоритмическая конструкция следование», «среда программирования», «компьютерный видеомонтаж», «интернет», «сетевая модель».

2. Классификация понятий информатики в средней школе по логико-структурным взаимосвязям и взаимодействиям понятий.

При классификации понятий учебного предмета «Информатика» по логико-структурным взаимосвязям и взаимодействиям понятий нами выделяются стабильные (устойчивые) и расширяющиеся понятия, ключевые (основные) и вспомогательные понятия.

Стабильные (устойчивые) понятия – это понятия, которые с момента их введения используются в неизменном виде на протяжении всего времени изучения учебного предмета «Информатика» в школе.Примером такого понятия является понятие «информационный процесс». Оно вводиться в 7 классе и рассматривается как «любая деятельность человека, связанная с информацией».

Расширяющиеся понятия – это понятия, которые на протяжении изучения учебного предмета «Информатика» в школе масштабируются (укрупняются, уточняются, развиваются) за счет рассмотрения компонентов нового учебного материала – новых объектов, процессов, свойств, типов данных, видов информации и т.д., при этом доступность для понимания понятия не снижается. Например, понятие «процессор»:

• в 6 классе: это «одно из самых важных устройств компьютера, расположенное в системном блоке и предназначенное для обработки информации»;
• в 7 классе: это «важнейшее устройство компьютера, его мозг. Он обрабатывает информацию, выполняя вычисления»;
• в 10 классе: это «устройство, обеспечивающее преобразование данных и управление другими устройствами компьютера».

Ключевые (основные) понятия – это понятия, которые наиболее часто используются в содержании учебного материала при изучении различных тем учебного предмета «Информатика» в школе. Например, для вышеуказанного понятия «информационные процессы» ключевыми понятиями являются понятия «хранение информации», «передача информации», «обработка информации», «поиск информации».

Вспомогательные понятия – это понятия, которые вводятся с целью предоставления дополнительного уточнения характеристик, свойств, признаков для лучшего понимания отдельных стабильных и расширяющихся понятий. Для понятия «информационные процессы» вспомогательными будут понятия «оперативная память», «долговременная память», «компьютерные носители информации», «источник информации», «приемник информации», «канал связи», «редактирование информации», «форматирование информации».

3. Классификация понятий информатики в средней школепо этимологии иноязычных и переводных слов в определении понятия.

Информатика содержит большое число иноязычных понятий. В связи с тем, что компьютерные, цифровые, сетевые, мобильный, интернет и др. технологии стремительно развиваются, то количество таких понятий быстро возрастает. Поэтому для учителей информатики проблема обоснованной, равноценной и целесообразной терминологии, передающей сущность понятий с учетом иноязычности происхождения, специфики русского и белорусского языков остается актуальной.На основании анализа значений и этимологии иноязычных слов и их переводных эквивалентов, систематизации аналогов русскоязычных понятий в английском языке и выявлении сущности понятий учебного предмета проведенадифференциация понятий на основе этимологии по частям речи – понятия-существительные, понятия-глаголы, понятия-прилагательные и понятия-комбинации частей речи. Оценка степени соответствия между частями речи понятий учебного предмета «Информатика» и иноязычными и переводнымиэквивалентами позволяют вносить коррективы в методическую работу учителя при подготовке к обучению понятиям информатики учащихся.

Например, понятие курса информатики «буфер (обмена)» – существительное, а иноязычный эквивалент происходит от слов«buffer¬buff(англ)– смягчать удар» – глагол. В 6 классе, оно вводиться как «специальная область памяти компьютера для временного хранения информации при выполнении операций Вырезать и Копировать».

Подготовка будущих учителей информатики к использованию вышерассмотренных классификаций при обучении учащихся на основе деятельностно-семантического подхода, как показал педагогический эксперимент во время практики студентов в школе, способствует формированию у учащихся осознанного восприятия изучаемых понятий и облегчает освоение программного материала.

ЛИТЕРАТУРА:

1. Зенько, С. И. Деятельностно-семантический подход как условие повышения эффективности методической подготовки будущего учителя информатики / С. И. Зенько // Весці БДПУ. Серыя 3. Фізіка. Матэматыка. Інфарма-тыка. Біялогія. Геаграфія. – 2017.– С.49–56.
2. Зенько, С. И. Методические аспекты подготовки будущего учителя информатики к работе с понятиями содержательной линии «Аппаратное и программное обеспечение компьютеров» на основе деятельностно-семантического подхода / С. И. Зенько // Вестник Полоцкого государственного уни-верситета. Серия Е. Педагогические науки. – 2017.– С. 58–62.

В современных условиях происходят довольно быстрые изменения во многих областях деятельности человечества. Особо выделяется такая многогранная активность, которая «обеспечивает отношения, возникающие между людьми при передаче духовно-практического опыта», т.е. педагогическая деятельность согласно [3]. Другими словами, с информационной точки зрения имеются как передающий такой опыт (культуру) источник, так и получающий его потребитель. Государство или общество в качестве источника уполномочивает специального своего представителя или педагога. Он является обычно социально образованным человеком, имеющим педагогическое (профессиональное) образование. Также отметим, что выделяют обычно базовый обязательный компонент, который считают свойством культурного человека данного общества, в силу бесконечности всего духовно-практического опыта. В качестве его получателя будем определять целевую аудиторию.

В педагогической деятельности детализируют ее два вида: научный и практический. Первый предназначен для открытия закономерностей в процессе передачи духовно-практического опыта, для получения нового знания в педагогике. Практический вид педагогической деятельности представляется двумя процессами — обучение и воспитание. Источник необходимой информации в них обозначается соответственно терминами — учитель и воспитатель, а целевая аудитория — ученик и воспитанник. Если сначала между данными субъектами педагогической деятельности не было посредников, то далее постепенно начал появляться дополнительный вспомогательный инструментарий. Отметим, что с точки зрения ученика данный процесс ведет к уменьшению роли учителя, хотя последний бы трактовал появление своих новых помощников в образовательном процессе как возможность новых вариантов решения своих педагогических задач при той же или большей интенсивности работы с целевой аудиторией.

Постепенно тематическая и предметная фрагментарность дополнительного вспомогательного инструментария была преодолена в таком интегрирующем объекте как информационная образовательная среда (ИОС). Напомним ее определение согласно Концепции создания и развития единой системы дистанционного образования в России, утверждённой постановлением ГК РФ по высшему образованию 31 мая 1995 года:ИОС —  это «системно-организованная совокупность средств передачи данных, информационных ресурсов, протоколов взаимодействия, аппаратно-программного и организационно-методического обеспечения, ориентированная на удовлетворение образовательных потребностей пользователей» [2]. Её структура, а также многокомпонентность и многоуровневость или иерархичность не будут сейчас обсуждаться. Подчеркнем только особо, что интегрирующий эффект ИОС ведет с необходимостью к рассмотрению учителем такой формы работы с целевой аудиторией как проектная деятельность. В данном случае проект выступает как практическое решение конкретной проблемы при использовании всей совокупности необходимых компетенций ученика в данном предмете или, даже возможно, в ряде предметов, т.е. как определенный интегральный контрольный инструмент. С другой стороны, проект предполагает в общем случае в качестве целевой аудитории фактически коллектив учеников. Это, в свою очередь, логически ведет к организации коллективной или командной работы в проекте. Точный анализ имеющихся человеческих и материальных ресурсов и выверенная по объему помощь учителя в обоих случаях является достаточно сложной педагогической задачей, требующей для своего решения его высокий уровень компетенции. Однако, не менее важной, а может быть и самой главной проблемой здесь для учителя выступает организация этой всей педагогической деятельности. Приведем крайние варианты ее реализации. В одном случае педагог жестко не только указывает на все характеристики процесса, но и требует конкретных, определенных детерминированных им действий для достижения своего запрограммированного результата. В противоположном случае целевая аудитория при косвенной фокусировке учителем на ряде имеющихся проблем сама формулирует цель и задачи проекта, определяет необходимые ресурсы и сроки достижения нужного результата. Таким образом, в итоге будем получать соответственно:а) «протестный» или ведомый контингент; б) лидерский или с активной жизненной позицией контингент.

В конце данного короткого доклада хотелось бы указать следующее.Хотя его название обозначено в рамках логической связки педагог и ИОС (т.е. в рамках процесса образования), однако вышесказанное имеет место и в общем случае педагогической деятельности. Здесь как для процесса воспитания, так и научной деятельности можно уже найти некие определенные аналоги ИОС (например, в [1]), но они не имеют такой проработанности как для процесса обучения.

ЛИТЕРАТУРА:

В современном технологичном мире неоценима роль искусственного интеллекта и интеллектуальной обработки больших массивов данных.  Вручную человек уже не способен справляться с постоянно растущим количеством поступающей информации. Кроме того, скорость обработки данных и получения новых зависимостей человеком значительно уступает возможностям искусственного интеллекта. Стоит отметить, что искусственный интеллект в некоторых областях давно превосходит человека (например, нейронные сети с 2015 года в распознавании образов). Также существует тенденция математизации образования, влекущая применение новых инструментов и средств в образовательном процессе и его сопровождении, и многие подходы и технологии получили свои образовательные аналоги. Например, методология гибкой разработки из ИТ-сектора перешла в образование с некоторым изменением (адаптацией) положений манифеста как EduAgile (и как конкретная методология eduScrum).

Искусственный интеллект в образовании (AIEd) можно разбить на две больших категории по сфере и принципу его применения:

1. сопровождение учебного процесса и досуговой деятельности:
   • оценивание результатов тестирования, составление эмоциональных карт обучающихся, прогнозирование результатов, и прочее, относящееся к внешнему контролю со стороны преподавателей и психологов (на всех ступенях);
   • интеллектуальные помощники и тьюторы при дистанционном обучении, интеллектуальные компаньоны (в основном, чатботы) для имитации групповой деятельности, напрямую взаимодействующие с обучающимися (начиная с НОО и на ООО).
2. изучение основ искусственного интеллекта (на ступени СОО):
   • введение в науку об искусственном интеллекте:
     • изучениезадач искусственного интеллекта[2],
     • рассмотрение основных подходов и школ;
   • робототехника: переход от систем автоматизации к настоящей робототехнике (как одной из задач искусственного интеллекта), включающей применение алгоритмов компьютерного зрения и обработки больших массивов данных[5];
   • изучение интеллектуальных алгоритмов, применяемых в экономике, социологии и других областях, введение TextMining и DataMining:
     • применение готовых решений (пакетов и библиотек) с графическим интерфейсом;
     • изучение с составлением алгоритмов на языках Python, C++ и других (углублённый уровень курса информатики на ступени СОО);
   • экспертные системы:
     • применение экспертных систем, создание онтологий;
     • написание собственных систем (углублённый уровень курса информатики);
   • нейронные сети:
     • изучение принципа работы нейронных сетей с применением готовых решений (например, CNTKили MicrosoftAzure);
     • написание простых реализаций персептрона, многослойной сети (например, на Pythonс применением библиотеки keras[3]).

Для изучения возможно использование так называемых классических алгоритмов, решающих различные задачи DataMining (интеллектуального (глубинного) анализа данных).Стоит отметить, что классические алгоритмы занимают лидирующие позиции в топах применяемых алгоритмов [14] как раз из-за возможности их достаточно простого объяснения и реализации. Кроме того, их широкое распространение обеспечивает наличие готовых модулей, библиотек или даже решений с графическим интерфейсом, что делает алгоритмы доступными для понимания обучающимися с любым уровнем подготовки (и составление индивидуальных траекторий изучения темы с акцентированием внимания на различные стороны применения алгоритма).

Рассмотрим в качестве примера задачу кластеризации. Кластерный анализ (кластеризация, англ. DataClustering или ClusterAnalysis) — это задача разбиения заданной выборки объектов, обладающих свойствами, на кластеры [10]. Алгоритмы кластеризации применяются в самых передовых областях развития техники и технологий (в том числе когнитивные сервисы и робототехника). Самый распространённый неиерархический алгоритм кластеризации  – это метод K-Means (K-средних, метод динамических ядер). Также он является вторым по популярности алгоритмом DataMining[14]. Идея алгоритма динамических ядер заключается в разбиении конечного (дискретного) множества 

кластеров таким образом, чтобы элементы одного кластера были максимально похожи (минимизация изменчивости внутри кластеров), а различных – максимально отличались (максимизация изменчивости между кластерами), причём кластеры не пересекаются и не совпадают[10]. Задача алгоритма заключается в минимизации сумм квадратов расстояний от каждой точки кластера до его центра (центра масс кластера), то есть может быть представлена как решение следующей задачи оптимизации, где d– функция расстояния (чаще – Евклидово расстояние, однако более рациональным является выбор расстояния Махаланобиса [12], учитывающее корреляцию между признаками):

 где c – обновляемый центр кластера С, x – вектор-объект из множества всех объектов X [6].

Особое внимание следует уделить стандартизации данных (приведению данных к одному типу) и их нормализации(приведению их к одинаковому масштабу) [1] и, если это требуется, изменению размерности для наглядности [4]. В качестве входных данных чаще всего выступает признаковое описание объектов, где под признаком понимается характеристика объекта (его конкретное свойство) в виде непрерывных значений (например, количественные числовые значения) или дискретных значений (ранговые или номинальные признаки).Состав кортежа описаний влияет на выбор метрики. Для визуализации результатов и дальнейшей демонстрации принципа кластеризации обучающимся желательно приведение данных к двумерному виду для дальнейшего отображения на плоскости в виде цветных точек.

Для демонстрации возможно использование следующих готовых решений и компонентов, которые обучающимся предлагается объединить (например, в ходе лабораторной работы на уроке информатики): модуль K-MeansClustering для MicrosoftAzureMLStudio[11], пакеты cluster и factoextra для R-Studio (доступен в CoCalc), библиотекиScikit-learn [13], nymby [9] и pandas [8]для Python (например, в облачной среде CoCalc). Все перечисленные варианты доступны для любого преподавателя и ребёнка, поскольку облачные решения не требуют установки и доступны с любого гаджета средствами браузера. Продукт от Microsoftпредусматривает использование образовательной лицензии, предоставляющей бесплатный доступ к виртуальной лаборатории машинного обучения. Кроме того, для стандартизации данных и предварительной работы по их подготовке возможно использование СУБД MySQL и языка SQL соответственно, что позволяет интегрировать тему с модулем, посвящённым базам данных.

Модификации алгоритма могут быть продемонстрированы с помощью пакетов или готовых решений, написанных на языке Python. Многие из них можно найти в свободном доступе в репозиториях на GitHub, SouseForgeили в обсуждениях наStackOverflow.

Искусственный интеллект в школе сегодня – это междисциплинарный инструмент, а не только тема. Изучаемые алгоритмы для закрепления понимания могут быть использованы в качестве инструментов для обработки данных в ходе проектной или операционной деятельности на различных предметах. Например, на уроке обществознания или при подготовке исследования по лингвистическим особенностям литературных источников –MN итеративный алгоритм K-медиан (одна из модификаций K-Means) был изначально разработан для анализа частоты встречаемости определённых сочетаний букв в текстах [7]. При предварительной обработке текстовых данных также появляется возможность продемонстрировать математизацию этой гуманитарной сферы путём применения специальных редакторских расстояний (например, метрики Хэмминга или расстоянийДжаро-Винклераили Дамерау-Левенштейна).

Данный алгоритм и его модификации могут быть использованы также для сопровождения учебного процесса, а именно для:

• анализа предпочтений и успеваемости для деления на подгруппы приреализации проектной деятельности обучающихся;
• деления на максимально продуктивные группы (в том числе в урочнойдеятельности);
• анализа абитуриентов по городам, округам и баллам;
• выделения групп, близких по важным критериям и адресам длявзаимодействия;
• анализа карт интересов и академической успеваемости обучающихся;
• анализа эмоционального климата школы, выделения признаков особыхгрупп обучающихся, требующих дополнительного внимания.

Искусственный интеллект в образовании (AIEd), обладая рядом примечательных особенностей, является новой, но перспективной технологией в современной школе, поскольку он способен удовлетворить большое количество потребностей, возникающих у педагогов и обучающихся в образовательном процессе.

ЛИТЕРАТУРА:

1. Воронцов К.В.Лекции по алгоритмам кластеризации и многомерного шкалирования [Электронный ресурс]. – Режим доступа : http://www.cs.ru/voron/download/Clustering.pdf, свободный. – Загл. с экрана.
2. Калинин И.А., Самылкина Н.Н. Информатика. Углублённый уровень: учебник для 11 класса. М.: БИНОМ, 2013. — 4 Гл.
3. Морозова А.Н. «Использование библиотеки Keras дляизучения нейронных сетей в углублённом курсе информатики.» Материалы научной сессии студентов МПГУ 2018.
4. Павел Нестеров. Визуализация двумерного гауссиана на плоскости [Электронный ресурс]. – Режим доступа : https://habrahabr.ru/post/199060/, свободный. – Загл. с экрана.
5. Самылкина Н.Н. Материалы выступления на Всероссийском Педагогическом Марафоне предметов, День Информатики, 9.04.2018.
6. Шибзухов, З. М. Кластеризация на основе поиска центров и усредняющие агрегирующие функции / З. М. Шибзухов. // Вестник КРАУНЦ. Физ.-мат. науки. – 2017. – № 3(19). – С. 70-77.
7. Benjamin, J. Anderson. Adapting K-Medians to Generate Normalized Cluster Centers / J. Anderson. Benjamin. идр. // Proceedings of the Sixth SIAM International Conference on Data Mining. – 2006. – [Электронныйресурс]. – Режимдоступа :http://www.siam.org/meetings/sdm06/proceedings/015andersonb.pdf
8. Data Science — Visualizing Data And Exploring Models (Alison Courses) [Электронныйресурс]. – Режимдоступа : https://alison.com/course/data-science-visualizing-data-and-exploring-models, свободный. – Загл. сэкрана.
9. Implementing the k-means algorithm with numpy [Электронныйресурс]. – Режимдоступа : https://flothesof.github.io/k-means-numpy.html, свободный. – Загл. сэкрана.
10. , MacQueen. Some Methods for Classification and Analysis of Multivariate Observations / MacQueen. J. // Proc. Fifth Berkeley Symp. Math. Stat. and Probab. – 1967. – Vol. 1. – pp. 281-297.
11. K-Means Clustering. Azure Machine Learning Studio Module Reference [Электронныйресурс]. – Режимдоступа : https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/k-means-clustering, свободный. – Загл. сэкрана.
12. Mahalanobis, PrasantaChandra. On the generalised distance in statistics / PrasantaChandra. Mahalanobis. // Proceedings of the National Institute of Sciences of India. – 1936. – 2(1). [Электронныйресурс]. – Режим доступа:http://bayes.acs.unt.edu:8083/BayesContent/class/Jon/MiscDocs/1936_Mahalanobis.pdf
13. scikit-learn. K-meansClustering [Электронный ресурс]. – Режим доступа : http://scikit-learn.org/stable/auto_examples/cluster/plot_cluster_iris.html#sphx-glr-auto-examples-cluster-plot-cluster-iris-py, свободный. – Загл. с экрана.
14. TopAlgorithmsandMethodsUsedbyDataScientists [Электронный ресурс]. – Режим доступа : https://www.kdnuggets.com/2016/09/poll-algorithms-used-data-scientists.html, свободный. – Загл. с экрана.

Кафедра теории и методики обучения информатики традиционно представила для учителей информатики самые актуальные темы в лекционном формате:

1. «Вслед за Пойа, или Как решить задачи по информатике»,
2. «Робототехника – от модного тренда до образовательной технологии! Что дальше?»

Одними из личностных требований к выпускникам основной и средней школы являются требования, включающие готовность и способность обучающихся к саморазвитию, сформированность их мотивации к обучению и целенаправленной познавательной деятельности. Возможными средствами достижения данных результатов при обучении математике могут служить интерактивные динамические системы, например: 1С: Математический конструктор, GeoGebra, Cabri 3D.    

Возможностям систем, уровням интерактивности, методическим подходам к их использованию посвящены работы В.А. Булычева, В.А. Далингера, В.Н. Дубровского, С.А. Жданова, А.В. Пантуева  и др., позволяющие говорить о целесообразности применения данных систем при обучении математике в школе. [1-5]

Вместе с тем, изучение обучающимися работы с соответствующим средством не должно быть основной целью на уроках математики, и, следовательно, необходимо таким образом включать выбранное программное обеспечение, чтобы время на его изучение не отвлекало от основного содержания и не мешало, а способствовало, достижению запланированных результатов по предмету.

С нашей точки зрения являются оправданными следующие этапы включения  динамических систем в процесс обучения математике (на примере уроков геометрии):

1 ЭТАП. Использование возможностей программы учителем.

Это могут быть: заранее подготовленные учителем геометрические модели: позволяющие повысить наглядность изучаемого материала, которые он использует в презентациях к уроку (статичное изображение);  для демонстрации свойств изучаемого объекта (интерактивный  объект); как основа для дальнейших построений.

1. Например, подготовка изображений при изучении измерения углов (статичное изображение).
2. После введения понятия вертикальных углов, учитель может подготовить интерактивную модель, позволяющую обратить внимание обучающихся на свойства этих углов, проведя эксперимент, а потом предложить им доказать данное свойство. Использование соответствующих моделей будет способствовать формированию познавательной потребности и повышению мотивации обучающихся.
   

В дальнейшем демонстрационные материалы будут представлять интерес, в том числе и при решении многовариантных геометрических задач, стереометрических задач и др.

2 ЭТАП. Работа обучающихся с ЭОР с ограниченным набором инструментов, разработанным учителем в динамической системе или из готовой коллекции ресурсов.

Использование учителем программы на первом этапе позволит познакомить обучающихся с интерфейсом программы, не выделяя на это отдельное время, и подготовит обучающихся к самостоятельной работе с ресурсами как на уроке, так и при выполнении домашних заданий.
В данном случае учитель может:

1. Самостоятельно подготовить необходимые материалы для ученика (ЭОР), например, для проведения эксперимента с интерактивной моделью и формулировки обучающимися гипотезы о зависимости величины вписанного угла от величины центрального, опирающегося на ту же дугу. При этом стоит обратить внимание ребят на наличие возможной погрешности, и, что проведенная работа, позволяет сформулировать лишь гипотезу, которую необходимо доказать.
   
2. Воспользоваться имеющимися коллекциями, например[*], в предложенных ниже заданиях обучающийся, используя ограниченное количество инструментов, выполняет поставленные перед ним задачи и, кликнув по кнопке «Проверить ответ», узнает о верности выполненных им построений.

Данные задания могут быть предложены ребятам для самостоятельного выполнения дома. Возможность посмотреть указания, ограничение инструментов, наличие проверки – будет способствовать верному выполнению задания и развитию самостоятельной учебной деятельности.

3 ЭТАП. Работа обучающихся в интерактивной динамической среде.

Организация работы обучающихся с системой на 1 и 2 этапах позволит им освоить основные инструменты и подготовиться к проектной деятельности, в рамках которой, с нашей точки зрения, для обучающихся интерес могут представлять проекты по созданию как статичных, так и динамических моделей. Например, 

• на основе вращающегося куба создать свои многогранники;
• реализовать проекты, подобные представленным в примерах к программе Cabri 3D и разработанные K.Mackrell («Авиатор») и L.Mackrell и K.Mackrell («Тень»).

ЛИТЕРАТУРА:

1. Булычев В.А. Случайный эксперимент и его реализация в «1С: Математический конструктор 6.0» // Применение технологий «1С» для повышения эффективности деятельности организаций образования: Сборник научных трудов Четырнадцатой Межд. научно-практ. конф. – М.: 2014.- С. 213-215.
2. Далингер В.А. Интерактивная динамическая геометрия с «Математическим конструктором»// Актуальные направления научных исследований XXI века: теория и практика. – 2015. – Том.3. — №8-4. – С. 484-488.
3. Дубровский В.Н. Динамическая геометрия с «Математическим конструктором»// Математика. – 2011. — №10 – С.25-27.
4. Жданов С.А. Математический конструктор как компонент информационной образовательной среды при обучении математике и информатике.// Профессиональное развитие педагогических и управленческих кадров в Московском Мегаполисе: Сборник материалов Пятой международной научно-практической конференции. — 2014. — С. 15-18.
5. Пантуев А.В. Синтез заданий и декомпозиция динамической учебной модели.// Материалы XXVI Международной конференции «Применение новых технологий в образовании», 24 – 25 июня — 2015 – С.: 107

[*] Примеры взяты из коллекции интерактивных моделей «1C: Математический конструктор»

90е годы оказались тяжелым периодом для Грузии, в том числе и для системы образования. Результатом экономического кризиса, в котором оказалась страна, стало понижение качества образовательного процесса, проблемы с оснащением школ учебниками и другими средствами обучения, понижение оплаты учителям, повышение текучести педагогов, понижение количества обучающихся в целом, при этом повышение их количества в классах.

В 2000х  ситуация меняется. Начинается пересмотр имеющихся стандартов и образовательных программ, уделяется внимание повышению квалификации учителей, совершенствованию системы оценивания, информатизации образовательных организаций.

В 2004г. выходит документ «Национальные цели общего образования», на основе которого начинают разрабатываться Национальные учебные планы (НУП), охватывающие для каждой из ступеней общего образования распределение часов, условий и предложений по реализации учебных планов,  обязательной нагрузке обучающихся, перечень планируемых образовательных результатов и способов их достижения. В настоящее время разрабатываются новые учебные планы, для начальной ступени он уже утвержден, для базовой ступени имеется проект.

В новом НУП говорится, что обучение должно быть личностно-ориентированным и опираться на 5 основных принципов, среди которых, например, принцип: обучение должно охватывать три категории знаний: декларативные (что знаю?), процедурные (как сделать/получить?), ситуационные (когда и/или зачем я буду использовать эти знания?).

С точки зрения предметов, в новом НУП выделено восемь 8 групп: государственный язык; математика; иностранные языки; общественные науки; естественные науки; технологии; эстетическое воспитание; спорт.

Так, в группе «технологии», обязательным оказывается обучение информационным и коммуникационным технологиям на начальной и базовой ступенях, что будет способствовать развитию медиа- и цифровой грамотности обучающихся, умения использовать специальные средства ИТ в различных областях. Обучение ИКТ может быть как интегрировано в другие предметы, так и реализовываться самостоятельно. Для 10-12 классов, например, предлагаются предметы по выбору, такие как: компьютерные науки (2 семестра), мультимедиа и дизайн (2 семестра), практический курс музыкальных компьютерных программ (от 1 семестра), и шахматы — специальное электронное приложение для 2-3 классов.

В общей части программы ИКТ говорится о важности их активного использования в образовательном процессе не только для приобретения технических  умений и навыков, но и для создания благоприятных условий для формирования свободной личности, носителя национальных и общечеловеческих ценностей.

Основной целью изучения ИКТ является воспитание законопослушной и высокоморальной личности, обладающей навыками эффективного применения ИТ; личности, которая будет способна найти, оценить, проанализировать, переработать информацию и на основе этого принять самостоятельное решение.

В стандарте для 5-6 классов по предмету говорится о необходимости достижения к концу обучения на начальной ступени пяти основных компетенций:

• обучающийся должен соблюдать правовые, этические нормы и нормы безопасности во время применения ИКТ;
• обучающийся должен уметь эффективно и безопасно применять ИКТ;
• обучающийся должен уметь подбирать и использовать различные цифровые средства для поиска информации и исследований;
• обучающийся должен уметь подбирать и использовать различные цифровые средства для создания цифровых ресурсов;
• обучающийся должен уметь подбирать и использовать различные цифровые средства для коммуникации и сотрудничества.

В стандарте для 7-9 классов (проект), на данный момент, выделяют результаты по двум направлениям:

• цифровое общество (рассматривающее вопросы эффективного, безопасного, ответственного применения ИКТ с соблюдением этических норм, а также понимание позитивного и негативного влияния ИКТ на общество);
• алгоритмическое мышление (рассматривающее вопросы алгоритмизации и программирования).

По первому направлению обучающийся должен:  в цифровом обществе понимать и отстаивать свои и чужие права; подбирать и использовать различные цифровые средства для коммуникации и сотрудничества и ответственно их использовать с соблюдением норм безопасности.

По второму направлению обучающийся должен: суметь построить алгоритм, составить программу; в компьютерной программе/игре суметь создать игровой мир; подойти творчески к созданию программы/игры. Для 7 класса рассматриваются визуальные среды программирования, такие как: Scratch, Blockly, Alice, Kodu. В 8м классе предлагается продолжить изучение программирования в выбранной среде или на одном из языков программирования, например: Java, Python, C# и др.

Основные понятия 7-9 класса: интеллектуальная собственность, этические нормы, киберпреступление, онлайн коммуникация и кибербезопасность, алгоритм, программный код, программная реализация.

ЛИТЕРАТУРА:

1. Национальный учебный план 2018-2024 начальной ступени общего образования – URL:
   http://ncp.ge/ge/curriculum/satesto-seqtsia/akhali-sastsavlo-gegmebi-2018-2024/datskebiti-safekhuri-i-vi-klasebi-damtkitsda-2016-tsels (дата обращения 24.04.2018, на грузинском языке)
2. Национальный учебный план 2018-2024 базовой ступени общего образования (проект для общественного обсуждения)– URL: http://ncp.ge/ge/curriculum/satesto-seqtsia/akhali-sastsavlo-gegmebi-2018-2024/sabazo-safekhuri-vi-ix-klasebi-proeqti-sadjaro-gankhilvistvis (дата обращения 24.04.2018, на грузинском языке)

Сегодня, роботехнические кружки прочно вошли в жизнь современной школы. Учащиеся развивают свое «инженерное», наглядно-образное, пространственное и логическое мышление, мелкую моторику, приобретают знания по основам механики и программированию. Это совершенно новый вид занятий, позволяющий по-настоящему вдохновить ребенка вне школы на образовательную деятельность путем конструирования и программирования.

Существует большой ряд роботехнических конструкторов, созданных для работы в рамках образовательной деятельности. Выделим VEX IQ – это серия конструкторов, созданных для самых маленьких учеников. Датчики VEX IQ, включают в себя датчики света, гироскоп, датчик расстояния, помогают ребенку создать более продвинутых роботов, реагирующих на состояние внешней среды и дают больше возможностей для обучения Мозговой центр робота использует технологии с широкими функциональными возможностями и упрощает их до уровня пользователя, сохраняя высокий уровень. Кроме портов для подключения датчиков мозговой центр обладает LCD дисплеем. Дисплей позволяет отображать информацию не только служебного характера определенную разработчиком, но программируемую пользователем. Дисплей работает в двух режимах: в текстовом режиме отображает символы на одной из 6 возможных текстовых строк (0 – верхняя строка, 5 нижняя строка); в графическом режиме отображение объекта происходит по координатам: 48 вертикальных пиксел (Y – yPos от 0 до 47)  и 128 горизонтальных пиксел (X – xPos от 0 до 127), начало отсчета правый нижний угол.

Рассмотрим, возможности дисплея робота в примерах по программированию на языке RobotC стандартной модели Clawbot IQ With Sensors.

Пример 1. При приближении робота к объекту красного цвета, необходимо вывести на экран сообщении «Hello Red».

Решение:
setMultipleMotors(20, leftMotor, rightMotor);
waitUntil(getColorName(port3)==colorRed);
string printMe=»Hello»;
// вывод увеличенного текста по координатам
displayBigStringAt(10, 21, «%s «, printMe);

Пример 2. При движении робота выражение «I am go» двигается вертикально по строчкам монитора. Движение робота останавливается при приближении к объекту зеленого цвета.

Решение:
string printMe=»I am go»;
int NumberLine=0;
while ((getColorValue(colorDetector) <51) ||
(getColorValue(colorDetector) > 130))
{ setMultipleMotors(20, leftMotor, rightMotor); wait1Msec(1000); 
displayClearTextLine(NumberLine); // очистка строки 
NumberLine++; if (NumberLine==7) NumberLine=0;
// вывод текста по центру 
displayCenteredTextLine(NumberLine, «%s», printMe);}

Комментарий к примеру: Используется функция датчика цвета getColorHue. Цветовой датчик VEX IQ возвращает оттенок, как значение 0-255. Становится возможным, использовать следующие диапазоны для определения цвета: красный: от 0 до 50/220 до 255; зеленый: от 51 до 130; синий от 131 до 219.

Пример 3. Нарисуйте роботу глаза.

Решение:
drawEllipse(1, 46, 63, 1); fillCircle(31, 23, 10);
drawEllipse(64, 46, 126, 1); fillCircle(95, 23, 10);

Пример 4. Простейшая анимация. Робот закрывает глаза, когда видит объект очень темного цвета. Дополнительно, выведите значение датчика «серого цвета».

int er=1;
while(true){
            if(getColorGrayscale(port3) < 10)
           {
                       if (er==0)  {er=1;
                       fillEllipse(1, 46, 63, 8); fillEllipse(64, 46, 126, 8);}}
            else
            {if (er==1)  {eraseDisplay();er=0;
                        drawEllipse(1, 46, 63, 8); fillCircle(31, 23, 10);
                        drawEllipse(64, 46, 126, 8); fillCircle(95, 23, 10);}}
             drawUserText(1, 7, «ColorGrayscale : %d», getColorGrayscale(port3));}

Комментарий:

Для определения черного цвета используем функцию getColorGrayscale (в режиме «grayscale mode») которая возвращает значение датчика цвета, в режиме «оттенки серого». Значения, возвращаемые цветовым датчиком, обычно находятся в диапазоне от 0 до 400. Темные объекты возвращают более низкие значения. Светлые объекты возвращают более высокие значения. Возвращенные значения будут различаться в зависимости от обнаруженной поверхности, внешнего освещения и других факторов окружающей среды (например, более яркий окружающий свет может привести к тому, что датчик вернется к более высоким средним значениям, чем обычно). В коде используется дополнительная переменна er – являющаяся флагом для избежание повторных прорисовок.

Пример 5. Простейшая анимация. Если робот смотрит на менее насыщенный объект его зрачки увеличиваются, иначе уменьшаются.    

 float radius=10;
drawEllipse(1, 46, 63, 9); drawEllipse(64, 46, 126, 9);   
while (1){ if (getColorSaturation(port3)<60)
         {radius=radius+0.001; if (radius>16) radius=16;}
         else
         { eraseCircle(31, 28, radius); eraseCircle(95, 28, radius);
             radius=radius-0.001; if (radius<3) radius=3;}
         fillCircle(31, 28, radius); fillCircle(95, 28, radius);
         drawUserText(1, 7, «ColorSat : %d %d», getColorSaturation(port3), radius);}

Комментарий.

Используется функция для определения насыщенности getColorSaturation («Hue» and «Color» modes). Возвращенные значения варьируются от 0 (низкая насыщенность) до 255 (высокая насыщенность). Насыщенность представляет собой воспринимаемая датчиком интенсивность цвета.

Таким образом, сочетаясь с функциями датчиков, дисплей может быть использован как часть механизма реакции робота на определенные события, протекающие вокруг него. Дисплей робота превращается в простейший монитор, с которым ребенок может проводить базовые манипуляции. На дисплее могут быть выведены так же данные рассчитанные по протекающей ситуации.

Программируя роботов, ребенок изучает основные алгоритмические конструкции, сразу наблюдая их практическое применение. Именно «сиюминутная практическая реализация» позволяет повысить мотивацию ребенка и интерес к получению более высоких результатов. Доступная, понятная и в то же время масштабная система VEX IQ позволяет включить изучения робототехники уже в младших классах на совершенно новом уровне.

ЛИТЕРАТУРА:

1. Филиппов С.А. Основы робототехники на базе конструктора Lego Mindstorm NXT. Занятие 6. Ориентация на местности: объезжаем стены // Компьютерные инструменты в школе. — № 6. 2010. – С. 43 – 50.
2. Горнов О.А. Основы робототехники и программирования с Vex EDR. — М: Издательство «Экзамен», 2016. – 160 с.