с 01.01.1992 по 01.01.2025
Глазов, Удмуртская республика, Россия
УДК 372.853 физики
УДК 37 Образование. Воспитание. Обучение. Организация досуга
Статья посвящена проблеме определения семантической близости между ключевыми идеями и понятиями в учебных текстах по физике микромира, и выявления особенностей их семантического пространства. Для анализа выбраны тексты вузовских учебников и статьи из Википедии, собранные в од-ном файле. Применяются методы квантитативной лингвистики, заключающие-ся в подсчете числа употреблений терминов и слов-маркеров, соответствующих важнейшим идеям, а также в сравнении распределений понятий в текстах учебников физики. Используются специальные компьютерные программы, написанные на ABCPascal, которые из текста удаляют знаки препинания, стоп-слова, а затем определяют число упоминаний различных терминов, вычисляют косинусную меру близости и семантические расстояния между понятиями. В результате: 1) выявлены ключевые физические понятия, часто используемые при изучении физики микромира; 2) перечислены важнейшие идеи физики микромира: идея квантования физических характеристик микрообъектов, идея корпускулярно-волнового дуализма, принцип неопределенности Гейзенберга; 3) построены облако понятий и круговая диаграмма, показывающая долю каждого из них в тексте; 4) получены матрица близости понятий и матрица семантических расстояний между ними; 5) построены графы, моделирующие существенную часть семантического пространства учебных текстов по физике микромира и показывающие наиболее тесные связи между ключевыми понятиями и идеями.
дидактика, микромир, понятие, семантическое пространство, компьютерные методы, учебник, физика
1. Андриевская, Н.К. Гибридная интеллектуальная мера оценки семанти-ческой близости // Проблемы искусственного интеллекта. – 2021. № 1.– С. 4-17. EDN: https://elibrary.ru/ZDZKGK
2. Анисимов, А.В. Метод вычисления семантической близости-связности между словами естественного языка / А.В. Анисимов, А.А. Марченко, В.К. Кисенко // Кибернетика и системный анализ. – 2011. № 4. – С. 18-27.
3. Бородащенко, А.Ю. Анализ текстов на семантическое сходство на ос-нове аппарата теории графов // Известия ОрелГТУ. Серия: Информационные системы и технологии. – 2008. № 1-2. – С. 46-52.
4. Ванюшкин, А.С. Методы и алгоритмы извлечения ключевых слов / А.С. Ванюшкин, Л.А. Гращенко // Новые информационные технологии в автоматизированных системах. – 2016. № 19. – С. 85-93. EDN: https://elibrary.ru/VTZOBJ
5. Крюков, К.В., Панкова, Л.А., Пронина, В.А. Меры семантической близости в онтологии // Проблемы управления. – 2010. – № 5. – С. 2-14. EDN: https://elibrary.ru/MUVNSP
6. Кузнецов, С.И. Курс физики с примерами решения задач: учебное пособие. Часть III. Геометрическая и волновая оптика. Элементы атомной и ядерной физики. Основы физики элементарных частиц. – Томск: Изд-во Томского политехнического университета, 2015. – 302 с. EDN: https://elibrary.ru/TXPKGV
7. Майер, Р.В. Сложность учебных понятий и текстов: монография. – Глазов: ГИПУ, 2024. – 132 с. EDN: https://elibrary.ru/XWDTOK
8. Монахов, С.И. Анализ терминологии в современных школьных учебниках методами компьютерной лингвистики // С.И. Монахов, В.В. Турчаненко, Е.А. Федюкова, Д.Н. Чердаков / Информатизация образования и методика электронного обучения. – С. 209 – 215.
9. Морозова, Ю.И. Построение семантических векторных пространств раз-личных предметных областей // Информатика и ее применения. − 2013. Т. 7. Вып. 1. − С. 90-93. EDN: https://elibrary.ru/QCJCPZ
10. Трофимова, Т.И. Курс физики: Учеб. пособие для вузов. — М.: Высш. шк., 2001. — 542 с. EDN: https://elibrary.ru/SNPHVF
11. Шереметьева, С.О. Методы и модели автоматического извлечения ключевых слов / С.О. Шереметьева, П.Г. Осминин // Вестник ЮУрГУ. Серия: Лингвистика. – 2015. Т. 12. № 1. – С. 76-81. EDN: https://elibrary.ru/TKORYP
12. Manning, C.D. An Introduction to Information Retrieval / C.D. Manning, P. Raghavan, H. Schütze. – Cambridge University Press. 2008. DOI: https://doi.org/10.1017/CBO9780511809071
13. Turney, P.D. From frequency to meaning: Vector space models of seman-tics / P.D. Turney, P. Pantel // J. Artificial Intelligence Research. Menlo Park, Cali-fornia: AAAI Press, 2010. No. 37. – pp. 141–188.
14. White, M.D. Content analysis: A flexible methodology / M.D. White, E.E. Marsh // Library trends. – 2006. Vol. 55. № 1. – pp. 22 – 45. DOI: https://doi.org/10.1353/lib.2006.0053
15. Википедия: https://ru.wikipedia.org
