СИСТЕМНИЙ АНАЛІЗ ЦИФРОВИХ СЛІДІВ У ІНФОРМАЦІЙНО-ОСВІТНІЙ СИСТЕМІ УНІВЕРСИТЕТУ

Мирослав Лахно

doi:10.28925/2663-4023.2025.27.709

Автор(и)

Мирослав Лахно Національний університет біоресурсів і природокористування України https://orcid.org/0000-0001-6979-6076

DOI:

https://doi.org/10.28925/2663-4023.2025.27.709

Ключові слова:

цифрове середовище, заклад вищої освіти (ЗВО), цифрові сліди, матрична факторизація, машинне навчання (МН), інформаційна безпека, компетентності.

Анотація

В умовах стрімкого розвитку цифрових технологій і зростання кіберзагроз для інформаційних систем, які широко використовуються в багатьох галузях людської діяльності, актуальність засвоєння компетентностей з інформаційної безпеки (ІБ) стає все більш очевидною. Підготовка здобувачів вищої освіти (далі здобувачів ВО) закладів вищої освіта (далі ЗВО) у галузі ІБ не лише розширює їхні професійні компетентності, але й відіграє ключову роль у формуванні кваліфікованих спеціалістів, здатних ефективно вирішувати нові виклики у сфері кіберзагроз. Такі спеціалісти матимуть проактивну позицію й здатність до самоорганізації в умовах постійно змінюваних кіберзагроз, що особливо важливо в бізнес-процесах, які побудовані на цифрових технологіях. У цій роботі запропоновано алгоритм для системи підтримки ухвалення рішень (СПУР), спрямований на підвищення якості освіти й рівня захищеності цифрового освітнього середовища ЗВО (далі (ЦОС університету – ЦОСУ). Алгоритм заснований на аналізі цифрових слідів (ЦС) користувачів і може бути впроваджений в модель інтелектуального помічника для ЦОСУ. Суть запропонованого підходу полягає у використанні матричної факторизації ЦС користувачів, що дозволяє більш ефективно керувати й аналізувати інформацію про дії здобувачів ВО і науково-педагогічного/педагогічного персоналі у цифровому просторі. Однією з ключових переваг цього підходу є його здатність розв'язувати проблему розвитку компетентнісного профілю здобувачів ВО, особливо у сфері ІБ. Зазначений алгоритм сприяє більш глибокому розумінню й засвоєнню необхідних навичок, що зі свого боку значно підвищує ступінь захищеності ЦОСУ й комп’ютерних систем ЗВО. В умовах зростання кількості кіберзагроз і підвищення складності їхніх проявів, запропоновані рішення допомагають забезпечити надійний захист освітньої інфраструктури й сприяють підготовці спеціалістів, готових до вик

Завантаження

Дані завантаження ще не доступні.

Посилання

Shevchuk, B. (2023). Virtualne osvitnie seredovyshche zakladu vyshchoi osvity: realii ta perspektyvy. Nauka i tekhnika sohodni, 14(28), 493–504.

Buinytska, O. P., Varchenko-Trotsenko, L. O., & Hrytseliak, B. I. (2020). Tsyfrovizatsiia zakladu vyshchoi osvity. Osvitolohichnyi dyskurs: elektronne naukove fakhove vydannia, (28), 64–79.

Areshonkov, V. Yu. (2020). Tsyfrovizatsiia vyshchoi osvity: vyklyky ta vidpovidi. Visnyk Natsionalnoi akademii pedahohichnykh nauk Ukrainy, 2(2), 1–6.

Pozo, J. I., Pérez Echeverría, M. P., Cabellos, B., & Sánchez, D. L. (2021). Teaching and learning in times of COVID-19: Uses of digital technologies during school lockdowns. Frontiers in Psychology, 12, 656776.

Mustapha, I., Van, N. T., Shahverdi, M., Qureshi, M. I., & Khan, N. (2021). Effectiveness of digital technology in education during COVID-19 pandemic. A bibliometric analysis, 136–154.

Vaccari, A., Calabrese, F., Liu, B., & Ratti, C. (2009, November). Towards the SocioScope: an information system for the study of social dynamics through digital traces. In Proceedings of the 17th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 52–61.

Osborne, N., & Connelly, L. (2015). Managing your digital footprint: Possible implications for teaching and learning. In Proceedings of the 2nd European Conference on Social Media ECSM, 354–361.

Morze, N., Kuzminska, O., & Mazorchuk, M. (2019). Attitude to the digital learning environment in Ukrainian universities. In ICT in Education, Research, and Industrial Applications, vol. 2393, 53–67.

Owoc, M. L., Sawicka, A., & Weichbroth, P. (2019, August). Artificial intelligence technologies in education: benefits, challenges and strategies of implementation. In IFIP International Workshop on Artificial Intelligence for Knowledge Management, 37–58.

Ahmad, S. F., Alam, M. M., Rahmat, M. K., Mubarik, M. S., & Hyder, S. I. (2022). Academic and administrative role of artificial intelligence in education. Sustainability, 14(3), 1101.

Goodwin, A. L. (2020). Globalization, global mindsets and teacher education. Action in Teacher Education, 42(1), 6–18.

Ren, Z., Xin, Y., Ge, J., Zhao, Z., Liu, D., Ho, R. C., & Ho, C. S. (2021). Psychological impact of COVID-19 on college students after school reopening: a cross-sectional study based on machine learning. Frontiers in Psychology, 12, 641806.

Yağcı, M. (2022). Educational data mining: prediction of students' academic performance using machine learning algorithms. Smart Learning Environments, 9(1), 11, 2–19.

Fischer, C., Pardos, Z. A., Baker, R. S., Williams, J. J., Smyth, P., Yu, R., & Warschauer, M. (2020). Mining big data in education: Affordances and challenges. Review of Research in Education, 44(1), 130–160.

Van den Beemt, A., Groothuijsen, S., Ozkan, L., & Hendrix, W. (2023). Remote labs in higher engineering education: engaging students with active learning pedagogy. Journal of Computing in Higher Education, 35(2), 320–340.

Hasibuan, M., Reynolds, M., Male, S., & Hassan, G. M. (2023). Role of Theory in Analysing the dynamic of Self-regulated Learning process based on students’ event logs data: A scoping review. ASCILITE Publications, 126–136.

Nevin, A. D., Chen, Y., Yang, S., & Quan-Haase, A. (2022). Key considerations in the interpretation of digital trace data. The SAGE handbook of social media research methods, 54–66.

Hüllmann, J. A. (2019). The construction of meaning through digital traces. Proceedings of the Pre-ICIS, 1–5.

Aarthi, M. (2021). Using Users Profiling to Identifying an Attacks. Turkish Journal of Computer and Mathematics Education (TURCOMAT), 12 (7), 795–802.

Subramanian, K., & Subramanian, K. (2020). Introducing the Splunk Platform. Practical Splunk Search Processing Language: A Guide for Mastering SPL Commands for Maximum Efficiency and Outcome, 1–38.

Shu, K., Zhou, X., Wang, S., Zafarani, R., & Liu, H. (2019, August). The role of user profiles for fake news detection. In Proceedings of the 2019 IEEE/ACM international conference on advances in social networks analysis and mining, 436–439.

Sen, I., Flöck, F., Weller, K., Weiß, B., & Wagner, C. (2021). A total error framework for digital traces of human behavior on online platforms. Public Opinion Quarterly, 85(S1), 399–422.

Coulter, R., Han, Q. L., Pan, L., Zhang, J., & Xiang, Y. (2019). Data-driven cyber security in perspective – Intelligent traffic analysis. IEEE transactions on cybernetics, 50(7), 3081–3093.

Lei, C., Dai, H., Yu, Z., & Li, R. (2020). A service recommendation algorithm with the transfer learning based matrix factorization to improve cloud security. Information Sciences, 513, 98–111.

Zheng, X., Guan, M., Jia, X., Guo, L., & Luo, Y. (2022). A matrix factorization recommendation system-based local differential privacy for protecting users’ sensitive data. IEEE Transactions on Computational Social Systems, 10(3), 1189–1198.

Alzubi, J., Nayyar, A., & Kumar, A. (2018, November). Machine learning from theory to algorithms: an overview. Journal of physics: conference series, 1142.

Fedoruk, P. I., Pikuliak, M. V., & Dutchak, M. S. (2010). Intelektualnyy̆ mekhanizm pobudovy indyvidualnoï navchalnoï traiektoriï v adaptyvnykh systemakh dystantsiy̆noho navchannia. Shtuchnyi intelekt, 3, 668–678.

Joy, J., & Renumol, V. G. (2020, December). Comparison of generic similarity measures in E-learning content recommender system in cold-start condition. In 2020 IEEE Bombay section signature conference (IBSSC), 175–179.

Xia, P., Zhang, L., & Li, F. (2015). Learning similarity with cosine similarity ensemble. Information sciences, 307, 39–52.

Mana, S. C., & Sasipraba, T. (2021, March). Research on cosine similarity and pearson correlation based recommendation models. In Journal of Physics: Conference Series, vol. 1770(1).