Проектирование траекторий вариативного обучения основам искусственного интеллекта в школьном курсе информатики с учетом возможностей проектно-исследовательской и внеурочной деятельности

Обложка

Цитировать

Полный текст

Аннотация

Постановка проблемы. Обязательное изучение основ искусственного интеллекта и анализа данных в общеобразовательном курсе информатики является существенным нововведением, требующим корректировки методической системы обучения информатике в школе. В статье представлены результаты исследования по проблеме проектирования траекторий вариативного обучения основам искусственного интеллекта и анализа данных в курсе информатики основного общего и среднего общего образования в соответствии с требованиями обновленного ФГОС общего образования на основе актуальных методологических подходов с учетом возможностей проектно-исследовательской и внеурочной деятельности. Методология. Использовались теоретические методы исследования: анализ научных публикаций по тематике искусственного интеллекта и анализа данных, анализ и сравнение материалов зарубежных образовательных стандартов различных уровней образования, обзор отечественных практик внедрения результатов педагогических исследований по методике обучения информатике с опорой на интегративный методологический подход. Результаты. На основе предложенных компонентов методики обуче ния основам искусственного интеллекта и анализа данных показаны возможности проектирования различных траекторий обучения в соответствии с персональными запросами участников образовательных отношений, а также для рационального использования ресурсов информационной образовательной среды организации при реализации основных образовательных программ общего образования. Заключение . Проектирование траекторий вариативного обучения основам искусственного интеллекта в школьном курсе информатики с учетом возможностей проектно-исследовательской и внеурочной деятельности позволяет оптимизировать потребности обучающихся и ресурсы образовательной организации.

Об авторах

Сергей Дмитриевич Каракозов

Московский педагогический государственный университет

Email: sd.karakozov@mpgu.su
ORCID iD: 0000-0001-8151-8108
SPIN-код: 7462-2637

доктор педагогических наук, профессор, директор Института математики и информатики

Российская Федерация, 119435, Москва, ул. Малая Пироговская, д. 1

Надежда Николаевна Самылкина

Московский педагогический государственный университет

Автор, ответственный за переписку.
Email: nsamylkina@yandex.ru
ORCID iD: 0000-0003-0797-5532
SPIN-код: 5599-8846

доктор педагогических наук, доцент, профессор кафедры теории и методики обучения информатике, Институт математики и информатики

Российская Федерация, 119435, Москва, ул. Малая Пироговская, д. 1

Список литературы

  1. Samylkina NN. Organization of advanced training in informatics on the basis of integrative approach: monograph. Moscow: Moscow Pedagogical State University; 2020. (In Russ.)
  2. Grigoriev SG, Kalinin IA, Samylkina NN. The task system for the first All-Russian Olympiad in artificial intelligence for schoolchildren. Informatics and Education. 2022;37(3):12–20. (In Russ.) https://doi.org/10.32517/0234-0453-2022-37-3-12-20
  3. Roy D, Dutta M. A systematic review and research perspective on recommender systems. Journal of Big Data. 2022;9. https://doi.org/10.1186/s40537-022-00592-5
  4. He Q, Li X, Cai B. Graph neural network recommendation algorithm based on improved dual tower model. Scientific Reports. 2024;14. https://doi.org/10.1038/s41598-024-54376-3
  5. Broussard M. Artificial intelligence: limits of the possible. Trans. from English by Arye E. Moscow: Alpina non-fiction; 2020. (In Russ.)
  6. Kornev MS. History of Big Data: dictionaries, scientific and business periodicals. Bulletin of Russian State University for Humanities. Series: History. Philology. Cultural Studies. Oriental Studies. 2018;1(34):81–85. (In Russ.) https://doi.org/10.28995/20736355-2018-1-81-85
  7. Salij VV, Kuharenko LV, Ishchenko OV. Digital transformation of the economy and implementation of big data storage in company infrastructure. Bulletin of the Academy of Knowledge. 2021;3(44):208–214. (In Russ.) https://doi.org/10.24412/2304-61392021-11240
  8. Menshchikov AA, Perfilyev VE, Fedosenko MYu, Fabziev IR. The main problems of using Big Data in modern information systems. Stolypin’s Bulletin. 2022;1:316–329. (In Russ.)
  9. Egorov VB. Some issues of software-defined datacenters. Systems and Means of Informatics. 2020;30(2):103–112. (In Russ.) https://doi.org/10.14357/08696527200210
  10. Samylkina NN, Salakhova AA. Teaching the basics of artificial intelligence and data analysis in the course of computer science at the level of secondary general education: monograph. Moscow: Moscow Pedagogical State University; 2022. (In Russ.) https://doi.org/10.31862/9785426310643
  11. Levchenko IV, Sadykova AR, Merenkova PA. A model of variant teaching for basic school students in the field of artificial intelligence. Informatics and Education. 2024;39(2):16–24. (In Russ.) https://doi.org/10.32517/0234-0453-2024-39-2-16-24
  12. Lee SJ, Kwon K. A systematic review of AI education in K-12 classrooms from 2018 to 2023. Topics, strategies, and learning outcomes. Computers and Education: Artificial Intelligence. 2024;6. https://doi.org/10.1016/j.caeai.2024.100211
  13. Hazzan O, Ragonis N, Lapidot T. Data science and computer science education. In: Guide to teaching computer science: An activity-based approach. 3rd ed. Springer; 2020. p. 95–117. https://doi.org/10.1007/978-3-030-39360-1_6
  14. Foundations of data science for students in grades K-12: Proceedings of a workshop. Washington: National Academies Press; 2023. https://doi.org/10.17226/26852
  15. Israel-Fishelson R, Moon PF, Tabak R, Weintrop D. Preparing students to meet their data: an evaluation of K-12 data science tools. Behaviour & Information Technology. 2023;1–20. https://doi.org/10.1080/0144929X.2023.2295956
  16. Tkach TV. Machine learning and Big Data processing in a modern school. Informatics in School. 2020;7(160):25–29. (In Russ.) https://doi.org/10.32517/2221-19932020-19-7-25-29

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).