Глазов, Удмуртская республика, Россия
УДК 37 Образование. Воспитание. Обучение. Организация досуга
Проанализирована проблема выявления ключевых понятий школьного курса астрономии и установления внутрипредметных связей между различными разделами курса. В результате контент-анализа школьного учебника астрономии выявлено 42 ключевых концепта, знание которых имеет прин-ципиальное значение для усвоения курса. С целью определения силы внутри-предметных связей, для каждого раздела курса астрономии получены списки ключевых слов с указанием количества их употреблений, которые фактически являются формализованными моделями сравниваемых текстов. С помощью специальных компьютерных программ, написанных на языке ABCPascal, вы-числены: 1) косинусоидальная мера близости между любыми двумя разделами; 2) мера Дайса, реагирующая на наличие слов в текстах и не учитывающая число словоупотреблений. Была учтена парадигматическая связь между различными терминами, например: Солнце – звезда, Сатурн – планета и т.д. Получены матрицы мер близости, на их основе построены: 1) граф, показывающий внутрипредметные связи между разделами учебника астрономии; 2) граф, учитывающий «расстояния» между разделами в многомерном семантическом пространстве. С целью оценки степени интегрированности различных разделов в курс астрономии вычислены средние коэффициенты семантической близости каждого раздела с другими разделами. Установлено, что их наибольшими значениями обладают разделы: 3 (Движение небесных тел), 5 (Методы исследования небесных тел) и 7 (Звезды). Они близки друг к другу и составляют ядро учебника астрономии.
астрономия, внутрипредметные связи, дидактика, концепт, мера близости, текст
1. Андриевская Н.К. Гибридная интеллектуальная мера оценки семантической близости // Проблемы искусственного интеллекта. – 2021. – № 1. – С. 4–17.
2. Бородащенко А.Ю. Анализ текстов на семантическое сходство на основе аппарата теории графов // Известия ОрелГТУ. Серия: Информационные системы и технологии. – 2008. – № 1-2. – С. 46–52.
3. Ванюшкин А.С., Гращенко Л.А. Методы и алгоритмы извлечения ключевых слов // Новые информационные технологии в автоматизированных системах. – 2016. – № 19. – С. 85–93.
4. Велихов П.Е. Меры семантической близости статей Википедии и их применение в обработке текстов // Информационные технологии и вычислительные системы. – 2009. – № 1. – С. 23–37.
5. Воронина И.Е. и др. Функциональный подход к выделению ключевых слов: методика и реализация / И.Е. Воронина, А.А. Кретов, И.В. Попова, Л.В. Дудкина // Вестник ВГУ. Серия: Системный анализ и информационные технологии. – 2009. – № 1. – С. 68–72.
6. Галузо И.В. Астрономия: учеб. для 11-го кл. учреждений общ. сред. образования с рус. яз. обучения / И.В. Галузо, В.А. Голубев, А. . Шимбалев. – Минск: Адукацыя і выхаванне, 2015. – 224 с.
7. Гнитецкая Т.Н., Шутко Ю.Е. Внутрипредметные связи в обучении физике: монография / Т.Н. Гнитецкая. Дальневост. федерал. ун-т. – Владивосток: Изд-во Дальневост. федерал. ун-та, 2023. – 208 с.
8. Ефимова Т.В. Анализ художественного текста с применением семантической сети // Вестник ВГУ. Серия: Лингвистика и межкультурная коммуникация. – 2003. – № 1. – С. 57–67.
9. Искандеров Н.Ф. Виды внутрипредметных связей в школьном курсе физики // Мир науки, культуры, образования. – 2012. – № 6. – С. 161–163.
10. Кузнецов Л.А., Кузнецова В.Ф. Технология автоматизированной оценки содержательной близости текстов // Программные продукты и системы. 2013. – № 1. – С. 34–42.
11. Майер Р.В. Сложность учебных понятий и текстов:монография. – Глазов: ГИПУ, 2024. – 132 с.
12. Нугуманова А.Б. и др. Обогащение модели bag-ofwords семантическими связями для повышения качества классификации текстов предметной области / А.Б. Нугуманова, И.А. Бессмертный, П. Пецина, Е.М. Байбурин // Программные продукты и системы. – 2016. – № 2 (114). – С. 89–99.
13. Попов К.А., Строчилов П.А. Концентрическая модель построения учебного курса, ориентированного на реализацию внутрипредметных связей // Известия ВГПУ. – 2014. – № 4. – С. 206–210.
14. Сулейманов А.Ш. Семантическая близость и семантические расстояния между текстами // Системні технології. – 2007. – № 10. – С. 132–136.
15. Турбина О.А., Савельева О.А. Принцип классификации текстовых связей // Вестник ЮУрГУ. – 2006. № 6. – С. 53–59.
16. Шереметьева С.О., Осминин П.Г. Методы и модели автоматического извлечения ключевых слов // Вестник ЮУрГУ. Серия: Лингвистика. – 2015. Т. 12. – № 1. – С. 76–81.
17. Barker K., Cornacchia N. Using Noun Phrase Heads to Extract Document Keyphrases // Advances in Artificial Intelligence. – 2000. Vol. 1822. – pp. 40–52.
