Агатова Ольга Александровна
Перспективные направления исследований
больших данных в сфере образования
Введение.
Перспективы больших данных в образовании и, соответственно, фронтиры исследований и разработок, основанных на работе с данными для образования, связаны с изменением типа информации и способов взаимодействия участников инфосферы. В связи с изменением антропологической природы данных и технологических возможностей их использования. А также в связи с стимулированием в рамках «цифровой повестки» институционального развития, где институты (школы, университеты) сами становятся генераторами больших данных и их пользователями (федеральные проекты «Цифровая образовательная среда», «Приоритет 2030» («Цифровые кафедры»). Федеральные проекты критериально обусловливают развитие в институтах цифровых сервисов, политики открытых данных, развитие электронных информационных образовательных сред (ЭИОС), обусловливающих связку данных портфолио студента (паспорта компетенций) с запросами на определенный тип данных под вакансию работодателей, или, например, данные о ЭИОС, применяемые педагогами для совершенствования методик преподавания, создания условий для реализации когнитивных стратегий обучающихся [1] [10].
Десятилетие, прошедшее под знаком преобразования аналоговых данных в цифровые услуги, уступит место эпохе данных как самостоятельной ценности.
Аналитическая компания IDC опубликовала доклад «Эпоха данных-2025», который прогнозирует, что объем данных вырастет до 163 зеттбайт[2] [25]. Но также изменится и способ взаимодействия участников инфосферы.
Изменение способов взаимодействия с данными связаны как с технологическим развитием интерфейсов и доступностью образовательных данных для рефлексии самого обучающегося, так и с развивающимися возможностями конвертации образовательных данных при переходе на следующий уровень образования, связи образовательных траекторий с профессиональными.
На фронтире исследований больших данных можно выделить структуру направлений.
Методы исследования:
Метод контент-анализа научных публикаций, проиндексированных в российской[3] (RSCI) и международных (Scopus, Web of Science[4] [29]) базах научного цитирования, на предмет анализа трендов, тенденций развития больших данных.
Методы системной интеграции и дифференциации научного знания – на предмете анализа результатов междисциплинарных исследований, поддержанных Российским фондом фундаментальных исследований по конкурсу «мк»[5] [16].
Метод экспертной оценки прогнозов научно-технологического развития, в том числе по приоритетным направлениям Стратегии научно-технологического развития [6] [21]– большие данные: на предмете анализа экспертиз прогнозов СНТР, размещенных в системе научно-технических экспертиз (РИНКЦЭ[7]).
Метод форсайт-сессий (Rapid-Foresight [8] [15]) в рамках ежегодной научно-практической конференции по большим данным в образовании (2020, 2021, 2022) [9][3] для выявления структуры перспективных направлений исследований больших данных в образовании.
Цель и задачи исследования:
- выявить перспективные направления развития больших данных в образовании,
- структурировать методологические основания развития науки о данных и ее прикладного значения для сферы образования,
- охарактеризовать возможную интеграцию развивающихся методологии и технологий больших данных в государственные программы и проекты развития образования, практики развития образования.
Методология и обзор литературы.
Методология науки о данных в настоящее время развивается на стыке важных методологических противоречий:
1.Дихотомия двух исследовательских подходов: question-driven (методология изучения анализа больших данных, идущая от исследовательских вопросов), и data-driven (методология изучения больших данных, идущая от анализа собственно данных). Дихотомия, связанная с эволюцией методов научного познания.
2. Дихотомия зависимости / независимости методологии анализа данных от имеющихся технологических инструментов, программных сервисов обработки данных.
Базовая методология науки о данных (рис.1), основанная на логике аналитики текущего состояния дел, стала причино-следствием развития программных сервисов и технологий операционного и ситуационного анализа. Однако, развитие футурологии как междисциплинарного направления в науке, поставило перед наукой о данных (Data Science) методологический и технологический вызов – методологическое обоснование и технологические разработки методологии и методов предикативной аналитики, прогностического анализа.
Основы такой методологии разработал доктор философии Дж. Б. Роллинс в научном издании «Почему нам нужна методология науки о данных» («Why we need a methodology for data science») [10] [28], а в последствии Т. Maydon в научном труде «4 типа аналитики: описательная-диагностическая-прогностическая-предписывающая» («4 Types Of Data Analytics») [11][27]. Методология предикативного анализа больших данных существенно изменяет логику работы с данными (представлена на рисунке 2), формируя модели функциональной прогностики.
Переход к прогностическим моделям аналитики повлечет за собой развитие data-mining, технологий предикативной аналитики, соответствующих программ машинного анализа, алгоритмов для стратегической аналитики развития образования в том числе.
3.Дихотомия ресурсно-институционального подхода (Resource and Institutional-Based View), характерного для аналитики данных во всех производственных отраслях, индустриях, и человеко-ориентированного подхода (Data-Anthropo[12] [4]), характерного для аналитики сферы образования как сферы развития человеческого капитала.
Data-Anthropo подход в аналитике образовательных данных человека и данных о системах образования (на уровне образовательной организации, муниципальном, региональном, федеральном уровне) – методология, основанная на применении методов data-анализа, выявляющих детерминанты и корреляции развития человека, профессионала и человеческих коллективов, профессиональных сообществ. В данной методологии используется не типовая система индикаторов анализа, как в ресурсно-институциональном подходе, а система индикаторов, включающая метрики развития человеческого потенциала (ценности развития, удовлетворенность предоставленными возможностями развития, условия самореализации, выбора, деятельности (учебной, исследовательской, проектной) человека).
В социально-ориентированных государствах и государственных программах развития изменяется методический и аналитический инструментарий анализа данных в контексте развития человеческого потенциала. Выстраиваются модели архитектур данных, мониторингов развития образования, инструментов оценки эффективности образования с ориентацией на аналитический data-anthropo подход.
В связи с этим в науке появляются новые области знания – информационная антропология, цифровая гуманитаристика.
Результаты исследования.
Методом контент-анализа научных публикаций, проиндексированных в российской[13] [8] (RSCI) и международных (Scopus, Web of Science[14] [29]) базах научного цитирования, на предмет анализа трендов, тенденций развития больших данных в сфере образования выявлена частота упоминаний в научном дискурсе тенденций исследований больших данных (рис.3) за период публикаций, размещенных с 2018 года по 2023 год включительно.
Методами системной интеграции и дифференциации научного знания – на предмете анализа результатов междисциплинарных исследований, поддержанных Российским фондом фундаментальных исследований [16] [16]. Поиск информации для исследования осуществлялся по отчетам [17] [17]. В основном, проекты, результаты которых соответствуют критической технологии «информационные, когнитивные технологии»; основному направлению технологической модернизации экономики России – «стратегические информационные технологии и разработка программного обеспечения»; направление Стратегии научно-технологического развития – «переход к передовым цифровым, интеллектуальным производственным технологиям, роботизированным системам». Число, поддержанных проектов, связанных с исследованиями больших данных в различных областях знаний: 2015г. – 20, 2016г. – 26, 2017г. – 25, 2018г. – 28, 2019г. – 30, 2020г. – 28. Основные перспективы, выделяемые исследователями:
а) стандартизация: разработка национальных стандартов (ГОСТ ИСО) «Информационные технологии. Большие данные»;
б) исследования и разработки систем предикативной аналитики: новые информационные технологии и программное обеспечение;
в) перспективные методы и алгоритмы для обработки и анализа больших данных: анализ временных рядов, сигналов, изображений и видеоданных, а также текстов и символьных последовательностей; г)методология исследования в области дискретного анализа, комбинаторики, теории графов, дискретной оптимизации, теории сложности кодирования, сжатия, защиты и передачи информации;
д) перспективная разработка новых видов системного и инфраструктурного программного обеспечения;
е)методология новых видов приложений (облачные среды, искусственный интеллект, интернет вещей и др.);
ж)генерация и анализ больших геномных и пост-геномных данных для построения перспективных систем персонализированной медицины и медицинского просвещения.
Следует отметить, что бо’льший эвристический потенциал присущ исследованиям, выполненным в логике междисциплинарности исследований больших данных. Новое знание в формирующейся «Науке о данных» («DataScience») разрабатывается на стыке предметных областей знания. Основная часть определяемых исследователями перспектив выявлена на стыке знания предметных наук (информатика и управление, информатика и дидактика, кибернетика и психометрика для анализа образовательных данных и т.п.).
Методы экспертной оценки прогнозов научно-технологического развития, в том числе по приоритетным направлениям Стратегии научно-технологического развития [18] [21] – большие данные: на предмете анализа экспертиз прогнозов СНТР, размещенных в системе научно-технических экспертиз (https://reestr.extech.ru/experty/index.php - РИНКЦЭ[19] [22]), выявили следующие перспективы развития больших данных:
1)универсальная методология анализа больших данных и ее прикладные аспекты в отношении к разным отраслям, в т.ч. к образованию;
2)развитие технологий предикативной аналитики для прогнозов научно-технологического развития;
3) интеграция подходов «data-driven» («доказательства на основе анализа больших данных») наряду с подходом «доказательства на основе исследований» в развитие науки и технологий.
4) развитие направления data-farming – изучение данных, выращенных в искусственных условиях, генерируемых машинами или людьми, или способом многоагентного моделирования.
Для выявления структуры направлений перспективного развития методологии анализа больших данных в образовании и исследований больших данных мы в течении трех лет проводили проектные сессии по методу фрсайт-сессий (Rapid-Foresight[20] [15]) в рамках ежегодной научно-практической конференции по большим данным в образовании (2020, 2021, 2022) [21] [3].
Структура направлений работы конференции-2023 года[22] [5] спроектирована нами с учетом выявленных направлений перспективного развития исследований и практик работы с большими данными.
Структурированы следующие направления:
1.Data-Science – Наука о данных.
2.Data-Tehnology – Технологии анализа данных.
3. Data-Anthropo – Методология антропо-ориентированного анализа больших данных и методик мониторингов системы образования.
4. Data-Competency – Квалификации и компетенции анализа данных в педагогических и управленческих видах трудовой деятельности.
5. Data-Culturе – Культура работы с данными, этика анализа данных.
6. Data Didactics – Дидактика работы с большими данными в организации познавательной деятельности обучающихся; Управление знаниями и обновление содержания образования на основе открытых реестров данных научно-технологического развития России.
Рассмотрим перспективы развития каждого из направлений.
1. Наука о данных (Data-Science).
Перспективная задача науки о данных – интегрировать в структуру методов научного познания (Философия и методология науки) методы анализа данных (data-driven) наряду с методами классического исследования (question-driven). Также важной перспективным направлением является разработка систем управления знаниями на основе анализа больших данных. Для сферы образования эта задача актуализируется в связи с новыми принципами федеральных государственных образовательных стандартов – обновление содержания образования на основе достижений научно-технологического развития [23] [14]. Перспективным направлением также является разработка методологии генерирования данных в образовании, стандартов архитектур образовательных данных и данных об образовании.
В рамках данной научной области актуализируется изучение и развитие направления data-farming (генерирование данных в процессе образования) – изучение данных, выращенных в искусственных условиях, генерируемых машинами или людьми, или способом многоагентного моделирования.
Для сферы образования генерирование данных связано не только со сбором данных по результатам оценки образовательных результатов, но создание условий для реализации обучающимся возможности выбора профиля, уровня сложности учебного задания, тематик исследовательской и проектной деятельности, одноклассников, с которыми обучающийся в команде желает проект реализовать; а также возможность изложения рефлексии своих собственных результатов и построения личных планов развития на основе анализа собственных данных.
Развитие методологии и новых областей знания Науки о данных связано с развитием технологий и сервисов анализа данных, программного обеспечения цифровой образовательной среды.
2. Технологии анализа данных (Data-Tehnology).
Перспективны разработки технологических решений, программных сервисов для учебной аналитики, аналитики управления образованием, предикативной аналитики для проектов развития образования, образовательной политики и стратегии развития образования.
Разработка прикладных технологий образовательной аналитики для оценки качества образования, их интеграции с внутришкольными системами оценки качества образования, национальной системы оценки качества образования.
В исследованиях Чэ Б. К. (Chae B. K.[24] [26]) представлена эволюция цифровых инноваций в образовании через технологии больших данных.
Участники форсайт-сессии также зафиксировали, что рост инноваций в образовании (методических, психолого-педагогических, организационных, коммуникационных, управленческих) для участников образовательных отношений и участников отношений в сфере образования будет связан в ближайшее время с технологиями.
3. Цифровая гуманитаристика больших данных (Data-Anthropo).
Развитие данного направления необходимо для построения аналитики сферы образования как сферы развития человеческого потенциала, профессионального капитала. Развитие методологии data-anthropo подхода, обоснованного в коллективном исследовании и публикациях [25] [4] [26] [20], продолжится в технологических разработках и разработках индикаторов, методик мониторингов образования, системы отраслевой аналитики образования для построения Национальной системы управления данными[27][9], для разработки систем образовательной аналитики в рамках федерального проекта по внедрению цифровой образовательной среды [28] [12]. Основной методологический вопрос, на который ответит данное направление перспективных разработок - как сфокусировать оценочную, мониторинговую и аналитическую оптику больших данных на ценностях и задачах человеческого развития?
Технологические разработки методологии data-anthropo будут важны для развития цифровых сервисов интеллектуального анализа данных при построении индивидуальных образовательных траекторий обучающихся. Также такого рода программные разработки будут важны для анализа когнитивных стратегий обучения в условиях цифровых образовательных сред, что существенно изменит классификацию методов классической дидактики, заложив в основу классификации методов обучения – типы когнитивных статегий. Система «цифровой когнитивный тьютор» («digital twin») - комплекс рекомендательных сервисов поддержки процесса индивидуализированного обучения на основе анализа данных.
Данный методологический подход (data-anthropo) становится основанием разработки новой области знания – информационная антропология. Данные, с которыми работает информационная антропология: log data (данные электронных журналов), werable sensors (данные носимых сенсорных устройств), probeware (данные датчиков), данные самоопределения (выбора курса, профиля, уровня сложности задачи, темы проектов и т.п.), embedded networked sensing (данные приобретения онлайн-курсов), данные о создаваемых человеком интеллектуальных продуктов (например, платформы «Школьный патент» и др.).
Информационная антропология в свою очередь тесно связана с современными и перспективными когнитивно-дидактическими исследованиями.
4. Квалификации и компетенции анализа больших данных (Data-Competency).
Развитие данного направления связано с перспективными исследованиями методологии предикативного анализа изменяющихся квалификаций в профессиях, усилением роли компетенции анализа данных в педагогической и управленческой деятельности. А также в связи с изменением трудовых функций профессионалов в условиях всеобщей цифровой трансформации, в том числе массового внедрения подхода «управление на основании данных», «педагогика, основанная на данных», «доказательная образовательная политика», «доказательное развитие образования».
Компетенции анализа больших данных будут составлять новые виды квалификаций в появляющихся новых профессиях «специалист по анализа больших данных», «дата-инженер цифровых образовательных сред», «методист по образовательной аналитике». Также компетенция анализа образовательных данных будет становится «сквозной» компетенций для всех групп уже существующих профессиональных стандартов: «руководитель образовательной организации», «педагог (педагогическая деятельность в сфере дошкольного, начального общего, основного общего, среднего общего образования)», «педагог дополнительного образования», «педагог высшего образования», «педагог профессионального обучения», «педагог-психолог».
Национальная рамка квалификаций будет изменяться: квалификационные требования к профессиям будут включать в структуре профстандартов трудовые действия по анализу данных. Данное изменение повлечет становление в науке о данных развитие новой области знания – «концепции квалификации и компетенции в области анализа данных» (в том числе образовательных данных).
Компетенция анализа данных станет всеобщей и актуальность начала ее формирования будет связана с детским возрастом. Data-грамотность, возможно, войдет в структуру видов функциональной грамотности. В русле методологии «продуктивного образования», «продуктивного действия»[29] [19]: установка на «продуктивность» предполагает не столько углубление технических навыков анализа данных, сколько массовое развитие «критической дата-грамотности» (critical data literacy) для оценки существующей общественной ситуации и оформления персональной гражданской позиции.
Прогнозируем, что будет обоснована закономерность: грамотность в обращении к данным преобразуется в соответствующий способ мышления, основанный на построении информационных моделей и на оперировании ими, чтоб обосновывает становление на основе работы с данными не просто устойчивого подхода к решению задач, но определенной картины мира – «взгляда на мир сквозь призму данных». Это один из аспектов новой методологии развития личности – «личности, расширенной цифровыми средствами»[30] [23].
5. Культура работы с данными, этика анализа данных (Data-Culturе).
Данное направление связано с перспективными разработками стандартов, протоколов работы с образовательными данными человека и данными о системе образования. Также будет развиваться прикладное направление сертификации организаций, оценки их репутации на предмет зрелости архитектур данных и соблюдения стандартов работы с данными, в том числе с большими данными оценки качества образования, качества образовательных результатов, профессиональной аттестации педагогов и руководителей образования.
В структуре областей знания науки о данных (Data-Science) специальное направление стандартизации практик работы с большими данными, включающее этические протоколы данных (Data-compliance).
В условиях развития в образовании сервисов «портфолио компетенций», «паспорт компетенций» и развития сервисов конвертации образовательных данных при переходе на следующий уровень образования (дошкольное – начальное – основное общее – среднее общее – высшее), а также обеспечения открытости данных портфолио компетенций для потенциальных работодателей в условиях новой правовой возможности: «отложенный трудовой договор» - стандарты и этические протоколы работы с образовательными данными будут иметь большое значение для практики межинституционального взаимодействия с одним источником данных.
6. Дидактика работы с большими данными (Data Didactics).
Два перспективных направления:
- дидактика работы с большими данными в организации познавательной деятельности обучающихся;
- управление знаниями и обновление содержания образования на основе открытых реестров данных научно-технологического развития России.
Эти перспективные направления дидактики будут набирать значимость по мере: а)формирования запросов обучающихся на новые способы организации познавательной деятельности субъекта образования в учебной, исследовательской, проектной деятельности; б)формирования педагогического запроса на поиск способов обновления содержания образования на основе достижений научно-технологического развития (согласно ФГОС НОО, ФГОС ООО).
Развиваются современные способы организации познавательной деятельности обучающихся как субъектов познания – это data-кейсы на основе открытых источников государственных данных: реестры данных по перспективным разработкам госкорпораций, например Роскосмоса, Роснано, Ростеха [31] [18] для включения в модули содержания образования программ «Физика», «Химия», «Технология». Например: технологии скегового типа судов на воздушной подушке (инновация Ростеха), технологии GL-14 нового российского двигателя в гражданской авиации, технологии нейроинтерфейсов. На примере данных об этих технологиях и научных разработках можно 34 рассматривать тематику законов физики на уроках физики, технологий и технологических разработок на уроках технологии. Открытые данные реестра открытых данных министерств OpenData[32] [7], например Министерства здравоохранения, в части данных государственного реестра лекарственных средств можно включить в модули содержания образования программ «Биология», «Химия» для изучения традиционных и новых средств лечения человека, химического состава лекарственного средства, связи заболевания с назначением лекарственного средства. Открытые данные Портала открытых данных России Data.Gov [33][11], могут быть применены на уроках и элективных курсах истории, обществознания, экономики, права, а также при организации проектной деятельности обучающихся.
Относительно применения реестров открытых данных учителем для обновления содержания образования мы разработали методику «Учитель, управляющий системами знаний»[34] [1].
В перспективе практики работы с данными изменят методологию классической дидактики, расширив арсенал дидактических методов организации познавательной активности обучающихся как субъектов собственного деятельностного образования.
Выводы.
Перспективы развития науки и практик работы с большими данными в сфере образования связаны не только со структурированными на основе конференционных форсайт-сессий направлениями:
1.Data-Science – Наука о данных;
2.Data-Tehnology – Технологии анализа данных;
3. Data-Anthropo – Методология антропо-ориентированного анализа больших данных и методик мониторингов системы образования;
4. Data-Competency – Квалификации и компетенции анализа данных в педагогических и управленческих видах трудовой деятельности;
5. Data-Culturе – Культура работы с данными, этика анализа данных;
6. Data Didactics – Дидактика работы с большими данными в организации познавательной деятельности обучающихся; Управление знаниями и обновление содержания образования на основе открытых реестров данных научно-технологического развития России;
но и с развитием частных методологий и практик работы с данными различного типа:
а) данные мониторингового типа - полученные в процессе мониторингов образования (аккредитационный мониторинг, мониторинг системы образования, мониторинг качества образования, мониторинг экономики образования, мониторинг цифровизации образования и др.);
б)открытые реестры данных государственных порталов: данные, используемые как средство организации познавательной деятельности, решения учебных, исследовательских, проектных задач обучающимися;
в)данные субъекта деятельности (data-антропо) в цифровых образовательных средах: данные личностного выбора профиля образования, уровня сложности учебного задания, данные мотивационного обоснования субъектом исследований, проектов, данные рефлексии субъектом собственных образовательных результатов в цифровом портфолио.
Перспективные направления исследования больших данных связаны с развитием фундаментальной науки на стыке междисциплинарности областей знаний, таких как: философия науки, антропология, кибернетика, когнитивная психология, информационные технологии, дидактика, менеджмент, педагогический дизайн и др.
Библиографический список:
[1] Плаформа экспертизы проектов цифровой трансформации участников Программы «Приоритет 2030» https://experts.sociocenter.info/auth https://experts.sociocenter.info/auth
[2] Data Age 2025: The Evolution of Data to Life-Critical – Don’t Focus on Big Data; Focus on the Data That’s Big // https://assets.ey.com/content/dam/ey-sites/ey-com/en_gl/topics/workforce/ey-seagate-wp-data-age-2025-march-2017.pdf
[3] Научная электронная библиотека // https://elibrary.ru/defaultx.asp?
[4] Web of Science // https://access.clarivate.com/
[5] Результаты проектов/ портал РФФИ// https://www.rfbr.ru/rffi/ru/best_projects
[6] Указ Президента Российской Федерации от 01.12.2016г. №643 «О Стратегии научно-технологического развития Российской Федерации»// http://www.kremlin.ru/acts/bank/41449
[7] Федеральный реестр экспертов научно-технической сферы / ФГБНУ НИИ РИНКЦЭ // https://reestr.extech.ru/experty/index.php
[8] Rapid методология Foresight : версия 0.4 / Агентство стратегических инициатив// https://files.asi.ru/iblock/9a2/9a28c0a2a83f95c34a65378924657fe0/Forsight_0.4_2017.pdf
[9] Международная научно-практическая конференция “Большие данные в образовании»// https://bigdata-edu.com/
[10] Rollins, J., Why we need a methodology for data science. 2015, AUGUST 24, IBM // http://www.ibmbigdatahub.com/blog/why-we-need-methodology-data-science.
[11] Maydon, T. 4 Types Of Data Analytics. 2017, January 19; Available from:
https://insights.principa.co.za/4-types-of-data-analytics-descriptive-diagnostic-predictive-
prescriptive.
[12] Большие данные в образовании: Data-Anthropo для политик и практик развития// Автор-составитель О.А. Агатова. – М.: Наука, 2022. – 199с.// https://bigdata-edu.com/docs/2022/data_anthropo.pdf
[13] Научная электронная библиотека // https://elibrary.ru/defaultx.asp?
[14] Web of Science // https://access.clarivate.com/
[15] Приказ Министерства науки и высшего образования Российской Федерации от 24 февраля 2021г. №118 «Об утверждении номенклатуры научных специальностей, по которым присуждаются ученые степени, и внесении изменения в Положение о совете по защите диссертаций на соискание ученой степени кандидата наук, на соискание ученой степени доктора наук, утвержденное приказом Министерства образования и науки Российской Федерации от 10 ноября 2017г. №1093.
[16] Результаты проектов/ портал РФФИ// https://www.rfbr.ru/rffi/ru/best_projects
[17] Российский центр научной информации (РФФИ)/ Поиск по отчетам // https://www.rfbr.ru/rffi/ru/rffi_contest_reports
[18] Указ Президента Российской Федерации от 01.12.2016г. №643 «О Стратегии научно-технологического развития Российской Федерации»// http://www.kremlin.ru/acts/bank/41449
[19] Федеральный реестр экспертов научно-технической сферы / ФГБНУ НИИ РИНКЦЭ // https://reestr.extech.ru/experty/index.php
[20]Rapidметодология Foresight : версия 0.4 / Агентство стратегических инициатив// https://files.asi.ru/iblock/9a2/9a28c0a2a83f95c34a65378924657fe0/Forsight_0.4_2017.pdf
[21] Международная научно-практическая конференция “Большие данные в образовании»// https://bigdata-edu.com/
[22] IV Международная научно-практическая конференция «Большие данные в образовании: от профильного образования до квалификации – аналитика траекторий и факторов развития» // https://bigdata-edu.com/conference-2023.php
[23] Приказ Министерства просвещения Российской Федерации от 31 мая 2021г. №287 «Об утверждении федерального государственного образовательного стандарта основного общего образования».
[24] Chae, B. K. (2019). A general framework for studying the evolution of the digital innovation ecosystem: The case of big data. International Journal of Information Management, 45, 83–94. https://doi.org/10.1016/j.ijinfomgt.2018.10.023.
[25] Большие данные в образовании: data-anthropo для политик и практик развития/ Автор-составитель О.А. Агатова. – М.: Наука, 2022. – 199с.
[26] Извлечь смысл: проблемы анализа данных в образовании // Образовательная политика. М.: РАНХиГС, 2021. №3 (87). С.60-66.
[27] Национальная система управления данными // https://nsud.gosuslugi.ru/
[28] Постановление Правительства Российской Федерации от 07.12.2020г. № 2040 «О проведении эксперимента по внедрению цифровой образовательной среды»// http://government.ru/docs/all/131381/
[29] Семенов А.Л. Результативное образование расширенной личности в прозрачном мире на цифровой платформе. Герценовские чтения: психологические исследования в образовании. С-Петербург: РГПУ им. А.И. Герцена, 2020. С.590-596. https://elibrary.ru/item.asp?id=44271329
[30] Хартия цифрового пути школы[Электронный ресурс]. — Режим доступа: https://rffi.1sept.ru/document/charter(дата обращения: 10.04.2023)
[31] Ростех. Инновации [Электронный ресурс]. — Режим доступа: https://rostec.ru/ innovations/#projects (дата обращения: 10.04.2023)
[32] Министерство здравоохранения Российской Федерации/ Открытое министерство [Электронный ресурс]. — Режим доступа: https://minzdrav.gov.ru/opendata (дата обращения: 10.04.2023)
[33] Портал открытых данных России [Электронный ресурс]. — Режим доступа: https:// data.gov.ru (дата обращения: 10.04.2023).
[34] Агатова О.А. Учитель, управляющий системами знаний / Лекция на Фестивале «Наука 0 +» //
http://pedagogika-rao.ru/subscription/
