Статья
ЛИНГВИСТИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ПРОЦЕССА ЦИФРОВИЗАЦИИ ОБРАЗОВАНИЯ: ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ
Лингвистическое обеспечение процесса цифровизации образования включает комплекс лингвистических и информационных образовательных ресурсов, электронные терминологические базы данных и знаний, корпуса текстов, системы обработки текстов, а также различные сервисы компьютерной поддержки работы всех участников образовательного процесса. Приоритетными для процесса цифровизации образования становятся лингвотехнологии, обеспечивающие, в первую очередь, цифровую репутацию университета, а также структурирование методической составляющей образовательного и исследовательского контента.
1. Антопольский А. Б. Лингвистические ресурсы и технологии в России: состояние и перспективы // Социальные новации и социальные науки. 2021. № 2 (4). С. 114-131. https://doi.org/10.31249/snsn/2021.02.08
2. Беляева Л. Н. Лингвистические технологии в современном сетевом пространстве: Language worker в индустрии локализации. СПб.: Книжный дом, 2016. 134 с.
3. Беляева Л. Н., Блохина А. В., Камшилова О. Н. Концепция профессиональной подготовки лингво-технолога в России // Известия Российского государственного педагогического университета им. А. И. Гер -цена. 2017. № 183. С. 62-72.
4. Беляева Л. Н., Камшилова О. Н. Профессиональная подготовка лингвотехнолога в вузе: зарубежный опыт и новые задачи российского образования // Информационное общество: образование, культура и технологии будущего. 2018. № 2. С. 99-111. https://doi.org/10.17586/2587-8557-2018-2-99-111
5. Беляева Л. Н., Камшилова О. Н. Проблемы и перспективы профессиональной подготовки лингво-технолога // International Journal of Open Information Technologies. 2018. Т. 6. № 12. С. 35-42.
6. Виландеберк А. А., Шубина Н. Л. Проектирование образовательных программ в условиях формирования новой образовательной среды // Научное мнение. 2020. № 3. С. 33-43. https://doi.org/10.25807/PBH.22224378.2020.3.33.43
7. Захаров В. П., Хохлова М. В. Автоматическое выявление терминологических словосочетаний // Структурная и прикладная лингвистика. № 10. 2014. С. 182-200.
8. Камшилова О. Н. Международный язык современного информационного пространства (Инновационные образовательные технологии в описании линвгистического объекта): научно-методические материалы: для студентов высших учебных заведений, обучающихся по направлению "540300 (050300) Филологическое образование". СПб.: Книжный Дом, 2008. 152 с.
9. Масевич Ф., Захаров В. П. Методы корпусной лингвистики в исторических исследованиях // Компьютерная лингвистика и вычислительные онтологии. Сборник научных статей. Труды XIX Международной объединенной научной конференции "Интернет и современное общество", Санкт-Петербург, 22-24 июня 2016 г. [Электронный ресурс]. URL: https://openbooks.itmo.ru/ru/fle/4102/4102.pdf (дата обращения 17.02.2022).
10. Навигатор информационных ресурсов по языкознанию. [Электронный ресурс]. URL: http://niryaz.inion.ru/ (дата обращения: 17.02.2022).
11. Некрасов В. Н. Инновация, информатизация, цифровизация: соотношение и особенности правовой регламентации // Вопросы российского и международного права. 2018. Т. 8. № 11А. С. 137-143.
12. Программа "Цифровая экономика Российской Федерации" Утверждена распоряжением Правительства Российской Федерации от 28 июля 2017 г. № 1632-р. [Электронный ресурс]. URL: http://static.government.ru/media/fles/9gFM4FHj4PsB79I5v7yLVuPgu4bvR7M0.pdf (дата обращения 17.02.2022).
13. Паспорт федерального проекта "Цифровая образовательная среда": Приложение к протоколу заседания проектного комитета по национальному проекту "Образование" от 7 декабря 2018 г. № 3. [Электронный ресурс]. URL: https://edu-frn.spb.ru/fles/iiMBxQ4cNH1BCsaWn2WqDgFinWeU3rVYpmO 6sd33.pdf (дата обращения 17.02.2022).
14. Пиотровский Р. Г. Лингвистический автомат (в исследовании и непрерывном обучении). СПб.: Изд-во РГПУ им. А. И. Герцена, 1999. 256 с.
15. Приказ Министерства науки и высшего образования Российской Федерации от 14 марта 2020 г. № 397 "Об организации образовательной деятельности в организациях, реализующих образовательные программы высшего образования и соответствующие дополнительные профессиональные программы, в условиях предупреждения распространения новой коронавирусной инфекции на территории Российской Федерации". [Электронный ресурс]. URL: https://old.minobrnauki.gov.ru/common/upload/library/2020/03/main/397.pdf (дата обращения 17.02.2022).
16. Проблемы и перспективы цифровой трансформации образования в России и Китае. II Российско-китайская конференция исследователей образования "Цифровая трансформация образования и искусственный интеллект". Москва, Россия, 26-27 сентября 2019 г. / отв. ред. И. В. Дворецкая. М.: Издательский дом Высшей школы экономики, 2019. 155 с.
17. Программа "Приоритет-2030". [Электронный ресурс]. URL: https://minobrnauki.gov.ru/action/ priority2030/(дата обращения 17.02.2022).
18. Российское образование-2020: модель образования для экономики, основанной на знаниях: к IX международной научной конференции "Модернизация экономики и глобализация", Москва, 1-3 апреля 2008 г. / под ред. Я. И. Кузьминова, И. Д. Фрумина. М.: Издательский дом ГУ ВШЭ, 2008. 39 с.
19. Рычкова Л. В. Языковые и информационные ресурсы: проблемы идентификации и классификации // Карповские научные чтения: сборник научных статей. Вып. 9. В 2 ч. Ч. 1. Минск: Белорусский Дом печати, 2015. С. 27-32.
20. Стариченко Б. Е. Цифровизация образования: иллюзии и ожидания // Педагогическое образование в России. 2020. № 3. С. 49-58. https://doi.org/10.26170/po20-03-05
21. Babych B., Buckley A., Hughes R., Babych S. Machine translation technology in advanced language teaching and translator training: A corpus-based approach to post-editing MT output. [Online]. Available at: http://talc10.ils.uw.edu.pl/fles/2011/09/BABYCHBogdan1.pdf (accessed 17.02.2022).
22. Belinkov Y., Durrani N., Dalvi F., Sajjad H., Glass J. On the linguistic representational power of neural machine translation models // Computational Linguistics. 2020. Vo l 46. No. 1. P. 1-52. https://doi.org/10.1162/coli_a_00367
23. De Almeida G., O'Brien S. Analysing post-editing performance: Correlations with years of translation experience // Proceedings of the 14th Annual conference of the European Association for Machine Translation, May 27-28, 2010. Saint Raphael: European Association for Machine Translation Publ., 2010. [Online]. Available at: https://www.aclweb.org/anthology/2010.eamt-1.19 (accessed 17.02.2022).
24. Escribe M. Human evaluation of neural machine translation: The Case of deep learning // Proceedings of the Human-Informed Translation and Interpreting Technology Workshop (HiT-IT 2019) / ed. by I. Temniko-va, C. Orasan, G. Corpas Pastor, R. Mitkov. Varna: Incoma Ltd. Publ., 2019. P. 36-46.
25. Ortiz-Martínez D. Online learning for statistical machine translation // Computational Linguistics. 2016. Vol. 42. No. 1. P. 121-161. http://dx.doi.org/10.1162/COLI_a_00244
26. Resende N., Wa y A. MTrill project: Machine translation impact on language learning // Proceedings of the 22nd Annual Conference of the European Association for Machine Translation / ed. by A. Martins, H. Moniz, S. Fumega, B. Martins, F. Batista. Geneva: European Association for Machine Translation Publ., 2020. P. 497- 498.
27. Tsujii J. Natural language processing and computational linguistics // Computational Linguistics. 2021. Vol. 47. No. 4. P. 707-727. https://doi.org/10.1162/coli_a_00420
28. Vázquez R., Raganato A., Creutz M., Tiedemann J. A systematic study of inner-attention-based sentence representations in multilingual neural machine translation // Computational Linguistics. 2020. Vol. 46. No. 2. P. 387-424. https://doi.org/10.1162/coli_a_00377