В современном мире каждый человек является активным пользователем ресурсов, размещенных в глобальной сети. Заходя с разных устройств (компьютеров, планшетов, телефонов) мы посещаем множество электронных страниц, ведем переписку и просматриваем контент оставляя каждый раз свой электронный след в системе.
Целью исследования является определение такого следа, его фиксация и обработка его с использованием методов математической статистики с целью получения персонифицированных и обобщенных данных для различных отраслей. Также на основе полученных результатов предполагается формирование рекомендаций по защите данных цифрового следа от возможного злонамеренного использования. В работе рассматривается понятие и подробно описаны источники цифрового следа участника интернет-взаимодействий, обозначены методы и инструменты сбора и предобработки информации. Раскрыто понятие активной и пассивной составляющих цифрового отпечатка. Акцентируется внимание на необходимости отнесения информации, содержащейся в цифровом следе, к персональным данным, так как она в совокупности может порой определять личность точнее документа, что, в свою очередь, требует законодательной защиты в части сбора, хранения, обработки и дальнейшего использования. В статье приведены примеры использования информации цифрового отпечатка в различных отраслях: криминалистике, маркетинговых исследованиях, формировании таргетированной рекламы и др.
Материалы и методы. В статье достаточно подробно рассмотрены различные методы математической статистики для оценки цифрового следа пользователя сети, приведены этапы, позволяющие осуществить сбор, предобработку и анализ информации, содержащейся в цифровом отпечатке, с применением языков программирования Python, R и различных программных инструментов. Рассмотрено использование статистических методов анализа, применение матрицы взаимодействий, возможности визуализации, алгоритмов машинного обучения, рекомендательных систем, сетевых метрик, временных рядов и методы анализа чувствительности.
Результаты. Несмотря на то, что данные полученные с использованием методов математической статистики могут быть полезны для бизнеса, правительственных организаций, научно-исследовательских институтов и даже правоохранительных органов, данные собираемые в процессе деятельности в глобальной сети и имеющие привязку к конкретной личности могут нести явную угрозу в случае их использования злоумышленниками. Эти методы оценки доступны как для конструктивной тенденции по улучшению нашей жизни путем подбора персонифицированного релевантного контента и улучшения сервиса, так и для деструктивной деятельности через манипуляторные действия и шантаж. В связи с этим знание оставляемого следа и возможностей использования этих данных в первоначальном и обработанном виде позволяет улучшить качество жизни, с одной стороны, и защитить персональную информацию с другой.
Заключение. Обращается внимание на необходимость информационного контроля своего цифрового следа, в связи с чем в статье приводится ряд рекомендаций по осуществлению безопасного интернет-взаимодействия.
Цель данного исследования - рассмотреть перспективы и проблемы применения больших данных в образовании. Материалы и методы. Методами исследования выступали анализ, систематизация и структурирование информации в области применения больших данных в образовании, а также моделирование и программная реализация тестовой модели обработки больших данных с использованием фреймворка Apache Spark. Результаты. В статье рассмотрены ключевые аспекты использования больших данных в образовании, в частности, их источники в виде цифрового следа обучения, методы анализа и направления применения больших данных. При этом были выделены следующие источники больших данных в образовании: электронная образовательная среда и электронная библиотека вуза; мобильные приложения для обучения; сайт вуза; социальные сети и форумы; данные обратной связи, обращений и опросов; персональные данные, включая психометрические характеристики обучающихся; данные научных smart лабораторий; данные видеонаблюдений и систем контроля управления доступом; данные о карьерном пути и успешности выпускников. Направления применения больших данных в образовании включают в себя следующие моменты: персонализация электронного обучения, выдача персонализированных рекомендаций; аналитика данных; оценка и обратная связь; прогнозирование успеха студентов; мониторинг качества образования; создание модели обучаемого; разработка учебных планов на основе запросов работодателей; разработка новых образовательных программ; появление новых моделей обучения; совершенствование процессов управления вузом; совершенствование работы приемной компании; модернизация программно-технических средств обучения; оптимизация педагогического состава. В качестве проблем применения больших данных в образовании рассматриваются проблемы защиты личных (персональных) данных, необходимость в новых методологиях и технологиях анализа больших данных, потребность в существенной модернизации имеющихся в системе образования технических средств, необходимость в квалифицированных кадрах. В статье также приведен тестовый пример анализа log-файла (журнала событий) электронного курса с помощью технологий обработки больших данных Spark SQL, показывающий потенциальную возможность и практическую применимость технологий обработки больших данных к задачам анализа цифрового следа обучения. Заключение. Большие данные в образовании способны предоставить уникальные возможности для анализа и оптимизации учебного процесса, помогая выявить тенденции, прогнозировать успехи студентов и адаптировать образовательные программы к индивидуальным потребностям учащихся. Но нельзя также забывать, что использование больших данных в сфере образования также несет с собой определенные риски и вызовы, связанные с этическими аспектами, защитой личных данных и необходимостью кадровой модернизации сложившейся системы образования. Для успешной интеграции аналитики данных в образовательную практику необходимо развивать не только технические ресурсы, но и уровень цифровой безопасности и этики в использовании персональных данных.