Моделирование и систематизация разноформатных данных по народной художественной культуре в электронной информационно-образовательной среде

В статье предложена модель интеграции и систематизации разноформатных данных, относящихся к народной художественной культуре, в электронной информационно-образовательной среде вуза. На примере Московского государственного института культуры исследованы объекты и цифровые ресурсы, которые генерируются профильными кафедрами (народной художественной культуры, народного танца, народных инструментов, народнопевческого искусства, дизайна и декоративно-прикладного искусства). Выявлена высокая гетерогенность данных: они включают текстовые, аудио-, видео-, графические материалы, нотные партитуры, 3D-модели и метаинформацию. В качестве методологической основы предложено комплексное решение, сочетающее разработку специализированной онтологии для семантического связывания разнородных объектов, архитектуру системы, обеспечивающую долгосрочное хранение данных, и модель их интеграции в интерактивное 3D-пространство. Модель 3D-среды, выполняющей функции виртуального музея или лаборатории, позволяет группировать и представлять культурные объекты по региональному и тематическому принципам, обеспечивая наглядность и углубляя междисциплинарные связи. Научная новизна исследования заключается в создании модели ЭИОС, отличающейся целостностью и адаптированностью к специфике данных о народной художественной культуре. Результаты исследования могут быть внедрены для оптимизации учебного процесса, сохранения цифрового наследия и повышения эффективности научно-исследовательской деятельности в вузах культуры.

1. Тютюнник В. М., Дубровин А. Д. Интеллектуальные информационные системы : учебник. 2-е изд., стер. Тамбов и др. : Изд-во МИНЦ «Нобелистика», 2012. 356 с.

2. Виноградская М. Ю., Кряжева Е. В., Салдаева А. А. Анализ компонентов электронной образовательной среды вуза // Проблемы современного педагогического образования. 2023. № 78–2. С. 45–51.

3. Tyutyunnik V. M., Alguzo M. M. S. Decision-making models under conditions of uncertainly of formation, description and intellectual analysis of complex data files // Mathematics and Systems Science. 2025. Vol. 3, Issue 2. Article ID: 3053. P. 1–16. DOI: 10.54517/mss3053.

4. Добудько Т. В., Малова Н. В., Пугач О. И. Гетерогенная электронная информационнообразовательная среда вуза – проблема или возможность? // Самарский научный вестник. 2020. № 4 (33). С. 112–118.

5. Ларина Т. Б. Об оценке качества интерфейсов электронных учебных курсов // Информатика и образование. 2021. № 6. С. 11–17.

6. Common data quality elements for health information systems: a systematic review / H. Ghalavand, S. Shirshahi, A. Rahimi et al. // BMC Medical Informatics and Decision Making. 2024. Vol. 24. P. 243.

7. Тулупов Д. Ю., Тютюнник В. М. Адаптивный спектрально-инерционный слой на основе обучаемой маски Фурье-преобразования для фильтрации выходных данных в задачах прогнозирования физиологических временных рядов // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. 2025. № 3. С. 13–29. DOI: 10.61260/2218-13Х-2025-3-13-29.

8. Aljawarneh S., Lara J. A. Special Issue on Big Data and IoT in Education // Journal of Grid Computing. 2020. Vol. 18, No. 1. P. 1–2.

9. Petter S., DeLone W., McLean E. Measuring information systems success: models, dimensions, measures, and interrelationships // European Journal of Information Systems. 2008. Vol. 17. P. 236–263.

10. Аль Каркхи М. М. Аналитические и процедурные модели информационного поиска в многофакторных потоках частично скрытых данных : дис. … канд. техн. наук : 05.25.05. Тамбов, 2023. 134 с.

11. Laumer S., Maier C., Weitzel T. Information quality, user satisfaction, and the manifestation of workarounds: a qualitative and quantitative study of enterprise content management system users // European Journal of Information Systems. 2017. Vol. 26. P. 333–360.

12. The Data Lake Architecture: A Survey / C. Giebler, C. Gröger, E. Hoos et al. // IEEE Transactions on Knowledge and Data Engineering. 2021. Vol. 33, No. 12. P. 1–20.

13. Overview of Data Quality: Examining the Dimensions, Antecedents, and Impacts of Data Quality / J. Wang, Y. Liu, P. Li et al. // Journal of the Knowledge Economy. 2024. Vol. 15. P. 1159–1178.

14. López-Zambrano J., Lara J. A., Romero C. Toward an Ontology for Modeling Human Learning and Performance // IEEE Transactions on Learning Technologies. 2021. Vol. 14, No. 5. P. 585–599.

15. Сумин В. И., Грачев Е. Д., Громов Ю. Ю. Математические модели определения времени обработки запросов на серверах информационных систем специального назначения // Научно-техническая информация. Серия 2: Информационные процессы и системы. 2023. № 10. С. 11–15.

16. Казнин А. А. Иммерсивные технологии в образовании: теория и практика. Москва : Цифровое образование, 2022. 215 с.

17. Сероштанова Н. Ю. Пространственная организация знаний в виртуальных образовательных средах // Педагогическая информатика. 2023. № 1. С. 45–52.

18. Бова В. В. Цифровые двойники культурного наследия: методы и технологии. СанктПетербург : Культурный код, 2021. 189 с.

19. Грибова В. В. Семантические технологии в цифровой культуре. Москва : Академический проект, 2023. 278 с.

20. Катуркин Г. В. Управление цифровыми активами в учреждениях культуры. Екатеринбург : Уральский университет, 2022. 167 с.

21. Дударов С. П. Оптимизация 3D-графики для веб-сред // Компьютерная графика и дизайн. 2023. № 4. С. 23–29.