Масштабируемость. Рекомендованные СУБД и JVM-версии позволяют легко расширять подсистему при росте числа пользователей и объёмов данных.

Минимальная программная конфигурация гарантирует запуск электронного пособия на подавляющем большинстве офисных и домашних ПК, а рекомендуемые версии ОС и сред выполнения создают запас надёжности, безопасности и производительности для комфортной работы с большими данными и плавного расширения функциональности платформы в будущем.

Так же для визуализации работы программы будет использована UML, в виду простоты освоения, быстроты работы, наличие открытого кода на просторах сети интернет и удобства использования.

2.3 Информационное обеспечение подсистемы

Виды необходимой информации. Теоретические и методологические материалы.

Лекции и конспекты: структурированные тексты с основными понятиями, алгоритмами и примерами применения методов анализа больших данных.

Глоссарий терминов: определения ключевых понятий (например, «кластеры», «регрессия», «машинное обучение») для быстрой навигации и уточнения терминологии.[13]

Практические данные и кейсы.

Наборы данных: выборка реальных и синтетических данных для выполнения лабораторных упражнений, включая описания полей и примеры их обработки.[14]

Пошаговые руководства: скрипты на Python/R, конфигурации Spark и SQL-запросы для воспроизведения практических примеров.[17]

25

Мультимедиа и интерактивные элементы.

Видео-лекции и вебинары: короткие фрагменты (5–10 мин) с визуализацией алгоритмов и их сравнением.

Интерактивные графики: внедрение WebGL- и D3.js-библиотек для динамической визуализации больших данных в браузере .

Тестирование и самоконтроль.

Краткие контрольные вопросы после каждого модуля для проверки понимания материала.

Итоговый тест с генерацией отчёта об успеваемости, сохраняемого в

LMS.

Цифровая модель студента.

Определим ключевые характеристики целевой аудитории – студентов, которые будут использовать электронное пособие по «Анализу больших данных». Понимание их потребностей, желаний и возможностей поможет сформировать функциональность и интерфейс программы так, чтобы мотивировать к обучению и обеспечивать максимальную пользу (Рисунок 2). [23]

Рисунок 2- Схема реализации потребностей

26

Рассмотрим потребности студентов:

1.Гибкий доступ к материалам

-Учебные модули должны быть доступны в любое время и с любых устройств (ПК, планшет, смартфон).

-Возможность скачивать отдельные ресурсы (лекции, ноутбуки, данные) для оффлайн-работы.

2.Понятная структура и навигация

-Чёткая разбивка на небольшие тематические блоки (занятие → практика → самоконтроль).

-Отображение прогресса (процент выполнения, пройденные тесты).

3.Персонализация обучения

-Система должна адаптироваться под уровень подготовки: предлагать как базовые объяснения, так и более глубокие погружения.

-Учёт предпочтительного стиля подачи (текст/видео/интерактив).

4.Обратная связь и поддержка

-Немедленная проверка заданий и автоматическая выдача рекомендаций по улучшению.

-Встроенный форум или чат для обсуждения сложных тем с преподавателями и сверстниками.

-Желания студентов

5.Быстро видеть результаты

-Мгновенные оценки и отчёты об успеваемости стимулируют двигаться дальше.

-Награды (значки, сертификаты) за выполнение ключевых этапов курса.

6.Практическое применение знаний

-Реальные кейсы и задачи из индустрии больших данных повышают мотивацию.

27

-Генерация собственных визуализаций и отчётов на основе популярных наборов данных.

7.Социальное взаимодействие

-Соревновательные механики (лидерборды, командные проекты).

-Возможность делиться результатами и успехами в соцсетях или внутри LMS.

8.Карьерный рост

-Чёткая связь между пройденными темами и востребованными на рынке навыками.

-Возможность получить сертификат, подтверждающий компетенции в анализе больших данных.

-Возможности студентов

9.Технические ресурсы

-Большинство студентов имеют доступ к современным ноутбукам/ПК с выходом в интернет.

-Наличие базовых навыков работы с браузером, офисными

программами и простыми IDE (Jupyter, VS Code). 10.Уровень подготовки

-От нулевого (начинающие без опыта программирования) до продвинутого (знакомые с Python/R, SQL, ML-библиотеками).

-Различия по времени, которое студент может выделить: от 1–2 часов

в день до интенсивных курсов. 11.Мотивация и стиль обучения

-Часть студентов предпочитает самостоятельное изучение, часть – групповую работу и обсуждения.

-Разный темп восприятия: от быстрого «сканирования» материала до глубокого «погружения» с анализом кода.

-Факторы, способствующие использованию программы 12.Интерактивность

28

- Встроенные код-редакторы и визуализаторы сразу внутри браузера без настройки окружения.

13.Геймификация - Значки, уровень сложности заданий и рейтинг студентов

стимулируют регулярное возвращение к курсу. 14.Мультимедийность

- Комбинация текста, видео, инфографики и симуляций делает изучение разнообразным и увлекательным.

15.Персональные рекомендации

-Система, анализирующая прогресс и предлагающая следующие шаги: более сложные задачи или повторение материала.

-Выгода для студентов

16.Ускоренное освоение компетенций в анализе больших данных за счёт концентрированных практических заданий и реальных кейсов.

17.Удобство и экономия времени благодаря доступности материалов 24/7, оффлайн-режиму и модульному формату.

18.Признание достижений через сертификаты и значки, которые можно добавить в резюме и социальные сети.

19.Поддержка и вовлечённость: возможность задавать вопросы, получать мгновенную обратную связь и участвовать в командных проектах.

20.Адаптация под индивидуальные потребности: студент сам выбирает темп и формат обучения, а система подстраивается под его стиль. Структура информационной подсистемы Иерархия контента

Тема → Занятие → Элемент (текст, видео, задание). (Рисунок 3)

29

Рисунок 3 - Диаграмма декомпозиции первого уровня. Навигация: боковое меню с раскрывающимися модулями и прогресс-

баром для контроля прохождения. Форматы хранения

Документы: HTML/Markdown для текстовых материалов и конспектов. Медиа: MP4/WebM для видео, SVG/PNG для иллюстраций.

Скрипты и ноутбуки: файлы .py, .ipynb с примером кода и пояснениями. Метаданные и стандарты интероперабельности

SCORM/xAPI: трекинг прогресса и интеграция с LMS, обеспечивающие совместимость с корпоративными и открытыми платформами.

IEEE LOM и ISO/IEC 19788: определяют набор обязательных элементов описания ресурсов (автор, дата, формат, тип образовательного контента) для унифицированного поиска и обмена метаданными.

30

Dublin Core: минимальная подсеть атрибутов (Title, Creator, Subject, Description) для быстрого индексирования и обработки внешними сервисами.

Информационное обеспечение подсистемы включает в себя разнообразные типы контента — от теории и практики до мультимедиа и тестирования — организованные по строгой иерархии курса → модуль → тема → занятие → элемент. Для хранения используются стандартизированные форматы (HTML, Markdown, MP4, Jupyter Notebooks), а все ресурсы снабжаются метаданными в соответствии со SCORM/xAPI, IEEE LOM и ISO/IEC 19788, что обеспечивает совместимость, доступность и масштабируемость электронного учебного пособия. Принцип взаимодействия приложения представлен на рисунке 4. [9]

Рисунок 4 - Модель “TO-BE”

31

Принцип разработки приложения (Рисунок 5).

Рисунок 5- Структура разработки приложения

32