Маятниковая миграция создает условия для самореализации и выбора лучшего места работы для человека, но при этом может ограничивать возможности социально-экономического развития для территории. Управление процессом в рамках программ развития территорий затруднено в силу отсутствия статистических данных в разрезе муниципальных образований. Целью статьи являлось выявление специфики маятниковой трудовой миграции в агломерациях России, изучалась половозрастная структура мигрантов, поскольку авторами выдвинута гипотеза о наличии особенностей маятниковой трудовой миграции в центрах агломераций и спутниках (с учетом их типов: города-спутники, сёла-спутники). Основным методом исследования является аналитика социальных сетей, также применены метод возрастных пирамид и компаративный анализ. Эмпирическая база сформирована авторами в 2023 г., включает обезличенные данные около 396 тыс. пользователей соцсети ВКонтакте в возрасте 14-73 лет, проживающих в 14 городах-миллионниках и 92 их городах-спутниках. Установлено, что за исключением Воронежской и Уфимской агломераций большую долю маятниковых мигрантов, направляющихся из городов-спутников в центры агломераций, составляют мужчины, возрастная группа мигрантов от 29 до 43 лет среди представителей обоих полов является наиболее активной. В потоках маятниковой трудовой миграции, направленных из городов-центров агломераций, большую долю составляют женщины (52,8 %), при этом женщины более активно едут работать в сёла-спутники, чем мужчины. Выявлено, что доли мигрантов обоих полов для городов-спутников по всем возрастным группам характеризуются большей близостью значений, чем для сёл-спутников. Основные возрастные группы жителей городов-миллионников, включенные в маятниковую миграцию, - 24-28 лет и 44-48 лет. Результаты исследования могут быть использованы для корректировки направлений развития городов в части миграции населения, уточнения программ поддержки занятости с учетом выявленных особенностей половозрастной структуры маятниковых трудовых мигрантов агломераций и спутников разного типа.
Дается представление о перспективах применения криминалистических технологий в сочетании с большими данными в обеспечении экспертно-криминалистических задач органов внутренних дел (ОВД) при организации противодействия экстремистской идеологии. Отмечается тенденция создания единой системы сбора, обработки, анализа и использования криминалистически значимой информации. Поддержка указанной системы основывается на применении передовых информационных и математических технологий (больших данных, имитационного моделирования, искусственного интеллекта), внедрения новых методов информационно-аналитической работы в ИСОД МВД России. Показано, что открытые источники информации являются самым емким каналом ее получения в целях криминалистического обеспечения раскрытия и расследования преступлений. В рамках указанного подхода рассмотрено развитие таких направлений криминалистических технологий, как дактилоскопия, почерковедческая экспертиза, габитоскопия. Обсуждены особенности использования больших данных, включающих криминалистические учеты и аналитическую разведку в системе противодействия экстремистской идеологии. В этой связи представлена общая схема взаимодействия основных элементов системы информационного обеспечения, анализа и прогнозирования криминогенной обстановки. Сформулированы требования и пути решения задач применения технологий больших данных, искусственного интеллекта для создания и эксплуатации аналитических систем обеспечения противодействия экстремистской идеологии. Сделан вывод, что одно из основных направлений повышения эффективности уголовно-правового процесса связано с необходимостью формирования комплексной системы доказательств при раскрытии и расследовании преступлений, где большие перспективы связаны с информационными возможностями криминалистических учетов и технологиями моделирования.
В данной статье рассмотрено внедрение больших данных в образовательную систему. Система образования продолжает создавать и собирать большое количество данных, и на сегодняшний день вопрос работы в системе с этими данными можно назвать одним из самых важных. Большие данные могут быть мощным инструментом для преобразования обучения, переосмысления способов, преодоления давних пробелов и накопления опыта для повышения эффективности самого процесса обучения.
Статья посвящена философскому анализу термина «благополучие» и его интерпретации в информационном обществе. В мире больших данных и цифровых технологий появляются новые критерии человеческого благополучия. Понятие «цифровое благополучие» анализируется с точки зрения того, что означает жить хорошей для нас жизнью в цифровом обществе через параметры измерения цифрового благополучия, предложенные Л. Флориди: цифровая благодарность, автоматизированные вмешательства и устойчивое совместное благополучие. Цифровые технологии с опорой на большие данные имеют не просто инструментальную функцию, они стали активными соучастниками формирования ощущения благополучия личности через подбор реакций, решений, рекомендаций на основе анализа данных в разных областях человеческой деятельности. За повышением качества жизни, эффективности рабочих и социальных процессов стоят манипуляции, дискредитация, нарушение прав, опасность нанесения серьезного ущерба. Человек в своем стремлении к повышению благополучия - материального и морального - оказался в ситуации необходимости более тщательного выбора своих поступков. Автоматизм действий, присущий человеку, повышает риски причинения вреда как самой личности, так и окружающим людям.
В условиях постоянного накопления больших данных и развития систем искусственного интеллекта появляются новые и трансформируются уже имеющиеся в социальном воображаемом образы будущего. Если в качестве ключевой технологии будущего представить большие данные, можно обозначить совокупность позитивных образов будущего как датаоптимизм, негативных - как датапессимизм и умеренных - как датареализм. В качестве критерия оценки образов будущего можно использовать уровень моральных рисков, представляющих собой ситуации, в которых вероятность поступить «не по совести» возрастает. Признаками морального риска являются: эгоистические соображения, ситуация ценностно-нормативного конфликта, высокий уровень неопределенности последствий принятого решения. Моральные риски в датаоптимистическом будущем связаны с высоким уровнем доверия технологиям, основанным на больших данных. В этом образе будущего за людьми сохраняются навыки определения ситуации ценностно-нормативного конфликта, но деформируются навыки принятия решений без опоры на предиктивную аналитику. Датапессимизм характеризуется моральными рисками, связанными с гиперподталкиванием к благу, определенному большими данными, но не самим человеком. В датапессимистическом будущем люди не доверяют технологиям, но подчиняются им, постепенно теряя мотивацию к нравственному совершенствованию. Датареализм, несмотря на формирование взвешенного отношения к большим данным и смежным технологиям, опасен для совести человека неопределенностью границ применения принципа предосторожности и ростом уровня неопределенности в целом. Чем меньшие моральные риски несет образ будущего, тем более желательным он является, при условии, что такие риски не устраняются полностью.
В статье рассматривается применение учебной аналитики (Learning Analytics, LA) в образовательном процессе. Она широко используется, позволяет оптимизировать процесс обучения, оперативно оценивать качество материалов и преподавания, учитывать результаты и достижения обучающегося, прогнозировать его успеваемость. Среди этических проблем, возникающих при использовании образовательной аналитики, наиболее часто дискуссии возникают вокруг конфиденциальности, прозрачности, навешивания ярлыков, права собственности на данные, алгоритмической справедливости и обязанность вуза упреждающе взаимодействовать с обучающимися при наличии академической неуспеваемости. Каждая из них акцентирует автономию обучающегося, его активную и осознанную вовлеченность в процесс контроля своего обучения для самостоятельного принятия решений. Есть примеры вузовских кодексов использования учебной аналитики, что свидетельствует о необходимости введения нормативной практики использования новых образовательных инструментов.
Рассматриваются наиболее перспективные векторы развития информационных систем такие как: кибербезопасность, большие данные, облачные системы хранения, искусственный интеллект. Указана важность их использования в современных условиях, а также их взаимосвязь и взаимодействие между собой. Приведены роли перечисленных информационных систем в производственной деятельности на примере организации работы склада.
В современном школьном образовании актуализируется проблема обучения школьников технологиям сбора, анализа и защиты данных собственного цифрового следа и формирования у них соответствующих компонентов цифровой грамотности. Элективный курс «Мой цифровой след» включает следующие темы: «Понятие цифрового следа», «Кибергигиена при работе с большими данными», «Извлечение и анализ цифрового следа». Описан ход лабораторных работ «Анализ собственного цифрового следа» и «Анализ цифрового следа с помощью автоматизированных инструментов». Представлены примеры практических заданий на анализ жизненных ситуаций. Элективный курс нацелен на формирование предметных результатов, входящих в компонентный состав цифровой грамотности школьников: понимание сути понятия «цифровой след», структуры и состава личных данных, составляющих цифровой след, умение выявлять и анализировать собственный цифровой след, владение навыками управления своим цифровым следом.
В статье демонстрируются примеры применения инструментов анализа больших текстовых данных Google Books Ngram Viewer для выявления характеристик педагогов и демонстрации частоты упоминаний известных педагогов в корпусе русской литературы за период 1850-2019 гг. Показаны 10 самых частотных словосочетаний «прилагательное + существительное» для существительных «педагог», «учитель», «воспитатель», а также примеры дальнейшего применения найденных словосочетаний для выявления самых упоминаемых педагогов в выявленных микроконтекстах. Показаны примеры запросов в Google Books Ngram Viewer, возможности отображения частоты упоминаний как для всех найденных результатов, так и для отдельных запросов, возможности анализа полученных данных в историческом контексте, рассмотрены основные соответствующие компетенции для эффективного использования инструмента больших текстовых данных Google Books Ngram Viewer.
Статья посвящена способам оптимизации работы с данными в клиентской части web-приложения в рамках проекта BioSense. Рассмотрены такие подходы, как использование новейшей системы сборки; уменьшение итогового размера исходного кода за счет использования более простых и легковесных библиотек; разбиение исходного кода на небольшие части; пагинация и виртуализация таблиц.