Авторы
- Патаракин Евгений Дмитриевич доктор педагогических наук, доцент
- Буров Василий Владимирович
Аннотация
В работе анализируется взаимодействие учителей внутри проекта «Московская электронная школа» (МЭШ). Для анализа используется теоретическая рамка концепции «незримый колледж». Цель исследования: изучение структуры связей, формирующихся между учителями МЭШ на основании анализа цифровых
следов. Задачи исследования: выделить сети наиболее влиятельных работ в области командной науки и аналитики сотрудничества; выявить методами сетевого анализа группы учителей, объединенных взаимными копированиями сценариев уроков МЭШ; предложить объяснение наблюдаемым внутри МЭШ сетевым феноменам, подкрепленное результатами моделирования поведения учителей в искусственном сообществе. Ведущими методами исследования были методы организационного сетевого анализа и агентного моделирования. Картирование групп участников позволило установить, что более 75 % участников, объединенных связями взаимного копирования сценариев уроков, входят в состав одной гигантской компоненты. Эксперименты с вариантами моделей Team Assembly позволили обосновать предположение, что новые участники с вероятностью более 60 % склонны выбирать для совместной деятельности опытных участников.
Как ссылаться
Патаракин, Е. Д. & Буров, В. В. (2022). «НЕЗРИМЫЙ КОЛЛЕДЖ» МЭШ , 2022, №2 (60), 38. https://doi.org/10.25688/2072-9014.2022.60.2.04
Список литературы
1.
1. De Solla Price, D. J., & Beaver, D. (1966). Collaboration in an invisible college. American Psychologist, 11 (21), 1011–1018. https://doi.org/10.1037/h0024051
2.
2. Morehouse, J., & Saffer, A. J. (2019). Illuminating the invisible college: An analysis of foundational and prominent publications of engagement research in public relations. Public Relations Review, 5 (45), 101836. https://doi.org/10.1016/j.pubrev.2019.101836
3.
3. Goyanes, M., & Marcos, L. de. (2020). Academic influence and invisible colleges through editorial board interlocking in communication sciences: a social network analysis of leading journals. Scientometrics, 2 (123), 791–811. https://doi.org/10.1007/s11192-020-03401-z
4.
4. Sedita, S. R., Caloffi, A., & Lazzeretti, L. (2020). The invisible college of cluster research: a bibliometric core–periphery analysis of the literature. Industry and Innovation, 5 (27), 562–584. https://doi.org/10.1080/13662716.2018.1538872
5.
5. Vélez-Cuartas, G. (2018). Invisible Colleges 2.0. Eponymy as a Scientometric Tool, 3 (7), 5.
6.
6. García-Peña, C., Gutiérrez-Robledo, L. M., Cabrera-Becerril, A., & Fajardo-Ortiz, D. (2019). Team Assembly Mechanisms and the Knowledge Produced in the Mexico’s National Institute of Geriatrics: A Network Analysis and Agent-Based Modeling Approach. Scientifica, e9127657. https://doi.org/10.1155/2019/9127657
7.
7. Gómez-Zará, D., DeChurch, L. A., & Contractor, N. S. (2020). A Taxonomy of Team-Assembly Systems: Understanding How People Use Technologies to Form Teams. Proceedings of the ACM on Human-Computer Interaction, 4 (CSCW2), Article 181, 36 p. https://doi.org/10.1145/3415252
8.
8. Nardi, B. A., & Engeström, Y. (1999). A Web on the Wind: The Structure of Invisible Work. Comput. Supported Coop. Work, 1-2 (8), 1–8. https://doi.org/10.1023/A:1008694621289
9.
9. Börner, K., & Record, E. (2017). Macroscopes for Making Sense of Science. PEARC17. New York, NY, USA: ACM. Article 64, 2 p. https://doi.org/10.1145/3093338.3106387
10.
10. Galley, R., Conole, G., & Alevizou, P. (2014). Community indicators: a framework for observing and supporting community activity on Cloudworks. Interactive Learning Environments, 3 (22), 373–395.
11.
11. Eck, N. J. van, & Waltman, L. (2009). Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics, 2 (84), 523–538. https://doi.org/10.1007/s11192-009-0146-3
12.
12. Polley, D. E. (2015). Visualizing the topical coverage of an institutional repository using VOSviewer. In Data Visualization: A Guide to Visual Storytelling for Librarians. Rowman & Littlefield.
13.
13. Patarakin, E. D. (2017). Wikigrams-Based Social Inquiry. In Digital Tools and Solutions for Inquiry-Based STEM Learning (pp. 112–138). IGI Global.
14.
14. Vachkova, S., Petryaeva, E., & Patarakin, E. (2021). Typology of schools operating in the Moscow Electronic School system based on the analysis of network indicators. In SHS Web of Conferences, (98), 03001. https://doi.org/10.1051/shsconf/20219803001
15.
15. Patarakin, E., Vachkova, S., & Burov, V. (2021). Agent-based modeling of teacher interaction within a repository of digital objects. In SHS Web of Conferences, (98), 05013. https://doi.org/10.1051/shsconf/20219805013
16.
16. Patarakin, Y. D., & Yarmakhov, B. B. (2021). Data farming for virtual school laboratories. RUDN Journal of Informatization in Education, 4 (18), 347–359. https://doi.org/10.22363/2312-8631-2021-18-4-347-359
17.
17. De Caux, R. (2017). An agent-based approach to modelling long-term systemic risk in networks of interacting banks. Thesis for the degree of Doctor of Philosophy. University of Southampton.
18.
18. Sayama, H., Cramer, C., Sheetz, L., & Uzzo, S. (2017). NetSciEd: Network Science and Education for the Interconnected World. ArXiv:1706.00115 [physics].
19.
19. Secchi, D., & Neumann, M. (Es) (2016). Agent-Based Simulation of Organizational Behavior. Cham: Springer International Publishing. 348 p.
20.
20. Rakić, K., Rosić, M., & Boljat, I. (2020). A Survey of Agent-Based Modelling and Simulation Tools for Educational Purpose. Tehnički vjesnik, 3 (27), 1014–1020. https://doi.org/10.17559/TV-20190517110455
21.
21. Guimera, R., Uzzi, B., Spiro, J., & Amaral, L. A. N. (2005). Team assembly mechanisms determine collaboration network structure and team performance. Science, 5722 (308), 697–702.
22.
22. Zu, C., Zeng, H., & Zhou, X. (2019). Computational Simulation of Team Creativity: The Benefit of Member Flow. Frontiers in Psychology, (10). https://doi.org/10.3389/fpsyg.2019.00188
23.
23. Railsback, S. F., & vGrimm, V. (2019). Agent-Based and Individual-Based Modeling. A Practical Introduction (Second Edition). Princeton University Press. 359 p.
24.
24. Gmür, M. (2003). Co-citation analysis and the search for invisible colleges: A methodological evaluation. Scientometrics, 1 (57). https://doi.org/10.1023/A:1023619503005
25.
25. Nardi, B. A., & Engeström, Y. (1999). A Web on the Wind: The Structure of Invisible Work. Comput. Supported Coop. Work, 1-2 (8), 1–8. https://doi.org/10.1023/A:1008694621289
26.
26. Palacios-Núñez, G., Vélez-Cuartas, G., & Botero, J. D. (2018). Developmental tendencies in the academic field of intellectual property through the identification of invisible colleges. Scientometrics, 3 (115), 1561–1574. https://doi.org/10.1007/s11192-018-2648-3
27.
27. Yang, D. (2019). Computational Social Roles. Carnegie Mellon University.
28.
28. Henderson, K., Gallagher, B., Eliassi-Rad, T., Tong, H., Basu, S., Akoglu, L., Koutra, D., Faloutsos, C., & Li, L. (2012). RolX: structural role extraction and mining in large graphs KDD ’12 / Beijing, China: Association for Computing Machinery, 1231–1239. https://doi.org/10.1145/2339530.2339723