ellibsЭлектронные библиотекиRussian Digital Libraries Journal1562-5419Казанский (Приволжский) федеральный университет10.26907/1562-5419-2023-26-5-697-717ellibs-395Research ArticleСтатьиРазработка методов и программных инструментов формирования цифрового портрета учащихсяDevelopment of Methods and Software Tools for the Formation of a Digital Portrait of StudentsСолнцевМ. А.SolntsevM. A.mrt.solncev@gmail.comАбрамскийМ. М.AbramskiyM. M.mabramsk@kpfu.ruКазанский (Приволжский) Федеральный университетKazan (Volga region) Federal University202328102023265697717Copyright © Солнцев М.А., Абрамский М.М., 20232023Солнцев М.А., Абрамский М.М.Solntsev M.A., Abramskiy M.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ellibs.elpub.ru/jour/article/view/395

Рассмотрены вопросы возможности использования данных об обучающихся, представленных в электронном виде, для построения цифрового портрета. Предложен набор характеристик, необходимых для его построения, обозначена модель данных. Реализованы инструменты сбора данных об обучающихся из социальных сетей и других интернет-ресурсов. Предложены алгоритмы построения цифрового портрета. Проиллюстрировано применение алгоритмов машинного обучения для этих задач. Приведены примеры использования цифрового портрета в образовании.

This paper considers the questions about the possibility of using data about the students presented in electronic form to build their digital portraits.  A set of characteristics necessary for its construction is proposed, a data model is designated. Implemented tools for collecting data about students from social networks and other Internet resources. Algorithms for constructing a digital portrait are proposed. The application of machine learning algorithms for these tasks is illustrated. Examples of the use of digital portraits in education are given.

социальные сетисбор данныхпортрет пользователяобразованиеsocial networksdata retrievalpersonal portrait of usereducationReferencesПостановление Правительства Российской Федерации от 07.12.2020 № 2040 «О проведении эксперимента по внедрению цифровой образовательной среды». URL: https://open.edu.gov.ru/files/faq/subjects.pdf (дата обращения: 28.10.2023).Постановление Правительства Российской Федерации от 07.12.2020 № 2040 «О проведении эксперимента по внедрению цифровой образовательной среды». URL: https://open.edu.gov.ru/files/faq/subjects.pdf (дата обращения: 28.10.2023).Pepper.ninja [Электронный ресурс]. URL: https://pepper.ninja/ (дата обращения: 28.10.2023).Pepper.ninja [Электронный ресурс]. URL: https://pepper.ninja/ (дата обращения: 28.10.2023).Segmento Target [Электронный ресурс]. URL: https://segmento-target.ru/ (дата обращения: 28.10.2023).Segmento Target [Электронный ресурс]. URL: https://segmento-target.ru/ (дата обращения: 28.10.2023).TargetHunter [Электронный ресурс]. URL: https://targethunter.ru (дата обращения: 28.10.2023).TargetHunter [Электронный ресурс]. URL: https://targethunter.ru (дата обращения: 28.10.2023).Церебро Таргет [Электронный ресурс]. URL: https://церебро.рф (дата обращения: 28.10.2023).Церебро Таргет [Электронный ресурс]. URL: https://церебро.рф (дата обращения: 28.10.2023).Top 50 open-source web crawlers for data mining [Электронный ресурс]. URL: https://bigdata-madesimple.com/top-50-open-source-web-crawlers-for-data-mining (дата обращения: 28.10.2023).Top 50 open-source web crawlers for data mining [Электронный ресурс]. URL: https://bigdata-madesimple.com/top-50-open-source-web-crawlers-for-data-mining (дата обращения: 28.10.2023).Best Web Scraping Tools [Электронный ресурс]. URL: https://hevodata.com/learn/8-best-web-scraping-tools/ (дата обращения: 28.10.2023).Best Web Scraping Tools [Электронный ресурс]. URL: https://hevodata.com/learn/8-best-web-scraping-tools/ (дата обращения: 28.10.2023).Обзор алгоритмов Data Mining [Электронный ресурс]. URL: https://www.intuit.ru/studies/courses/6/6/info (дата обращения: 28.10.2023).Обзор алгоритмов Data Mining [Электронный ресурс]. URL: https://www.intuit.ru/studies/courses/6/6/info (дата обращения: 28.10.2023).Статистический портал «Statista» [Электронный ресурс]. URL: https://www.statista.com/statistics/867549/top-active-social-media-platforms-in-russia/ (дата обращения: 28.10.2023).Статистический портал «Statista» [Электронный ресурс]. URL: https://www.statista.com/statistics/867549/top-active-social-media-platforms-in-russia/ (дата обращения: 28.10.2023).VK API [Электронный ресурс]. URL: https://vk.com/apiclub (дата обращения: 28.10.2023).VK API [Электронный ресурс]. URL: https://vk.com/apiclub (дата обращения: 28.10.2023).VK Java SDK [Электронный ресурс]. URL: https://vk.com/dev/Java_SDK (дата обращения: 28.10.2023).VK Java SDK [Электронный ресурс]. URL: https://vk.com/dev/Java_SDK (дата обращения: 28.10.2023).ScribeJava. Simple OAuth library for Java [Электронный ресурс]. URL: https://github.com/scribejava/scribejava (дата обращения: 28.10.2023).ScribeJava. Simple OAuth library for Java [Электронный ресурс]. URL: https://github.com/scribejava/scribejava (дата обращения: 28.10.2023).OAuth authorization framework [Электронный ресурс]. URL: https://oauth.net (дата обращения: 28.10.2023).OAuth authorization framework [Электронный ресурс]. URL: https://oauth.net (дата обращения: 28.10.2023).REST. Representational State Transfer [Электронный ресурс]. URL: https://restfulapi.net/ (дата обращения: 28.10.2023).REST. Representational State Transfer [Электронный ресурс]. URL: https://restfulapi.net/ (дата обращения: 28.10.2023).JSON. JavaScript Object Notation [Электронный ресурс]. URL: https://www.json.org/ (дата обращения: 28.10.2023).JSON. JavaScript Object Notation [Электронный ресурс]. URL: https://www.json.org/ (дата обращения: 28.10.2023).Черезов Д.С., Тюкачев Н.А. Обзор основных методов классификации и кластеризации данных // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2009. №. 2. С. 25–29.Черезов Д.С., Тюкачев Н.А. Обзор основных методов классификации и кластеризации данных // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2009. №. 2. С. 25–29.Scikit-Learn. Machine Learning in Python [Электронный ресурс]. URL: https://scikit-learn.org/stable (дата обращения: 28.10.2023).Scikit-Learn. Machine Learning in Python [Электронный ресурс]. URL: https://scikit-learn.org/stable (дата обращения: 28.10.2023).Numpy. The fundamental package for scientific computing with Python [Электронный ресурс]. URL: https://numpy.org/ (дата обращения: 28.10.2023).Numpy. The fundamental package for scientific computing with Python [Электронный ресурс]. URL: https://numpy.org/ (дата обращения: 28.10.2023).Keras. Python deep learning API [Электронный ресурс]. URL: https://keras.io/ (дата обращения: 28.10.2023).Keras. Python deep learning API [Электронный ресурс]. URL: https://keras.io/ (дата обращения: 28.10.2023).Kaggle. the world's largest data science community [Электронный ресурс]. URL: https://keras.io/ (дата обращения: 28.10.2023).Kaggle. the world's largest data science community [Электронный ресурс]. URL: https://keras.io/ (дата обращения: 28.10.2023).Dostoevsky. Sentiment analysis library for Russian language [Электронный ресурс]. URL: https://github.com/bureaucratic-labs/dostoevsky (дата обращения: 28.10.2023).Dostoevsky. Sentiment analysis library for Russian language [Электронный ресурс]. URL: https://github.com/bureaucratic-labs/dostoevsky (дата обращения: 28.10.2023).Selenium. Automates browsers [Электронный ресурс]. URL: https://www.selenium.dev/ (дата обращения: 28.10.2023).Selenium. Automates browsers [Электронный ресурс]. URL: https://www.selenium.dev/ (дата обращения: 28.10.2023).Jsoup. Java HTML Parser [Электронный ресурс]. URL: https://jsoup.org/ (дата обращения: 28.10.2023).Jsoup. Java HTML Parser [Электронный ресурс]. URL: https://jsoup.org/ (дата обращения: 28.10.2023).Apache POI. Java API for Microsoft Documents [Электронный ресурс]. URL: https://poi.apache.org/ (дата обращения: 28.10.2023).Apache POI. Java API for Microsoft Documents [Электронный ресурс]. URL: https://poi.apache.org/ (дата обращения: 28.10.2023).Печенкин В.В., Ярская-Смирнова Е.Р. Сетевые подходы в анализе социальной сплоченности // Вестник Саратовского государственного технического университета. 2014. Т. 4. № 1 (77).Печенкин В.В., Ярская-Смирнова Е.Р. Сетевые подходы в анализе социальной сплоченности // Вестник Саратовского государственного технического университета. 2014. Т. 4. № 1 (77).

The authors declare that there are no conflicts of interest present.