=Paper=
{{Paper
|id=Vol-2233/Paper_12
|storemode=property
|title=Применение стохастической теории обучения и корпусных технологий в компьютерной лингводидактике
Using Stochastic Learning Theory and Corpus Tools in CALL
|pdfUrl=https://ceur-ws.org/Vol-2233/Paper_12.pdf
|volume=Vol-2233
|authors=Voldemar Nymm,Xenia Piotrowska,Sven Nõmm
}}
==Применение стохастической теории обучения и корпусных технологий в компьютерной лингводидактике
Using Stochastic Learning Theory and Corpus Tools in CALL==
https://ceur-ws.org/Vol-2233/Paper_12.pdf
Применение стохастической теории обучения
и корпусных технологий в компьютерной
лингводидактике
Using Stochastic Learning Theory and Corpus
Tools in CALL
В.Р. Нымм 1 К.Р. Пиотровская 1 С. Нымм2
Voldemar Nymm 1 Xenia Piotrowska 1 Sven Nõmm2
jetnomm@gmail.com krp62@mail.ru sven.nomm@ttu.ee
1
Российский государственный педагогический университет
им. А. И. Герцена,
Санкт-Петербург, Российская Федерация
2
Таллинский технологический университет, Таллинн, Эстония
1
Herzen State Pedagogical University of Russia,
Saint Petersburg, Russian Federation
2
Department of Software Science School of Information Technology,
Tallinn University of Technology, Tallinn, Estonia
Abstract
The paper considers solving the CALL-problems in the framework of computing ex-
periment and statistics methods. Special attention is drawn to developing the method-
ological, informational and organizational components of a CALL system. The man-
aging and control algorithms for learning process are based on methods and models of
stochastic learning theory. Education process is based on a single-element model. The
system is supported by free corpus manager tools.
Keywords: Сomputing experiment framework, free corpus manager tools, computer
assisted language learning, stochastic learning theory, statistics methods
Аннотация
Обсуждается проблема компьютерного обучения языку с точки зрения при-
менения статистико-вероятностных методов и организации вычислительного экс-
перимента. Особое внимание уделено развитию методологии, информационной и
организационным компонентам. Реализуемые программой алгоритмы организации
1
и управления процессом обучения основаны на моделях и методах стохастической
теории обучения. Обучение строится на базе одноэлементной модели. Предлага-
ется методика отбора и замены содержания обучения при поддержке свободными
корпусными сервисами.
Ключевые слова: Вычислительный эксперимент, свободные корпусные тех-
нологии, компьютерная лингводидактика, стохастическая теория обучения
1 Введение
В науке хорошо известны примеры словосочетаний со “счастливой судьбой”. Возникнув
для обозначения явления или понятия одной области исследований, они (то ли в силу
предвосхищения будущего развития, то ли в силу каких-то других неизвестных при-
чин) с годами расширяют свой ареал применения и включают в себя новую семантику
понятия, расширяют объекты и области исследования и разработки. К числу таковых
относится термин “компьютерная лингводидактика”, введенный в начале 90-х гг. в рабо-
тах межрегиональной группы “Статистика Речи”, возглавляемой профессором Р.Г. Пио-
тровским, для обозначения широкого круга вопросов, связанных с использованием ком-
пьютерных технологий в учебном процессе [Piotrovskaya, 1991]. Поскольку специализа-
ция группы заключалась в создании систем автоматической переработки текста, то и
компьютерные лингводидактические разработки планировалось создавать на больших
лингвистических базах систем машинного перевода в виде лексико-грамматических
справочных служб широкого профиля [Piotrovskaya 1993]. Одной из отличительных
черт современного этапа развития компьютерной лингводидактики является не столь-
ко развитие элементной и программной компьютерной базы, сколько постоянный рост
изменчивости лексического и лексико-грамматического состава профессионально ори-
ентированных языков, обусловленного возникновением междисциплинарных областей
знаний и расширением объемов информационного обмена. Это требует:
а) организации механизма постоянной актуализации содержания языкового обуче-
ния студентов в соответствии с их профессиональной ориентацией;
б) интенсификации процесса обучения на основе тех широких возможностей, кото-
рые предоставляют современные информационные технологии.
Решение этих задач обусловило всплеск интереса к статистическим методам иссле-
дования. Применение статистических методов к решению задач отбора содержания обу-
чения не является чем-то новым. Идеи и методы применения статистико-вероятностных
методов при выборе терминологических единиц профессионально ориентированных
языков активно разрабатывались международной группой “Статистика речи” уже на-
чиная с шестидесятых годов XX века. В значительной степени эти идеи и методы опе-
режали свое время. Несмотря на то, что существовавшие на тот момент электронные
средства не могли обеспечить сколько-нибудь существенной поддержки автоматиза-
ции при разработке новых учебников и многое приходилось делать, что называется
“вручную”, были созданы хорошие профессионально-ориентированные учебные посо-
бия [Golovacheva 1978, German-Prozorova et al. 1982]. В настоящее время, не утратив-
ший своей актуальности статистико-вероятностный подход [Lazdin 2013, Lazareva 2013,
Sergeevnina 2011, Pavlovskaya et al. 2015], реализуется на новых, универсальных плат-
формах, причем большинство западных исследователей трактуют наличие в современ-
2
ных системах ранее известных лингво-статистических моделей как элементы текст-
майнинга [Scrivner et al. 2017, Anthony et al. 2013].
Этот объект применения статистико-вероятностных методов связан с наличием в
сети Интернет многочисленных корпусов текстов по самым разнообразным профессио-
нальным тематикам и открытых сервисов, предназначенных для выделения устойчивых
словосочетаний и контекстов их употребления, являются эффективным инструмен-
тарием для формирования содержания обучения профессионально ориентированных
лингводидактических комплексов на основе лингво-статистических моделей и методов.
Альтернативный объект применения статистико-вероятностных методов относит-
ся к интенсификации языкового обучения на базе компьютерных средств и состоит в
разработке эффективных алгоритмов управления процессом обучения. Основные труд-
ности создания таких алгоритмов связаны с отсутствием адекватных знаний об этих
процессах и достаточно опосредованных связей между основными критериями задачи
(качеством обучения, временем обучения, устойчивостью полученных знаний). Для их
преодоления междисциплинарная рабочая группа Российского государственного педа-
гогического университета им. А.И. Герцена развивает исследования по проблеме ком-
пьютерного обучения языку, основные положения и результаты которых отражены в
ряде работ [Nymm et al. 2017].
2 Постановка и пути исследования проблемы
Вне зависимости от конкретной задачи обучения, центральную роль в ее постановке
играют взаимодействие трех перечисленных выше критериев. Поскольку затрачивае-
мое на обучение время является величиной, которую при любой организации процесса
практически невозможно измерить, в качестве ее адекватного представления нами рас-
сматривается суммарное количество стимулов упражнений, предъявленных обучаемо-
му в ходе предшествующего обучения. Минимизацию введенного заменителя времени
обучения естественно рассматривать как экстремальную цель, а качество обучения и
устойчивость полученных знаний – как ограничения на решение задачи.
В качестве основного инструмента моделирования процесса обучения рассматри-
вается вектор параметров состояния обучаемого, значение каждой i-ой координаты ко-
торого в любой момент времени выражает степень обученности обучаемого i-му язы-
ковому явлению. Его использование позволяет в определенном смысле формализовать
понятие качества обучения. При этом структура функционала или вектор-функции,
количественно представляющая это понятие и зависящая от типа решаемой задачи,
синтезируется исследователем, а в роли аргументов выступают координаты вектора
параметров состояния обучаемого. Это дает возможность представить ограничения на
решение задачи в форме системы целевых неравенств.
Отсутствие возможности явного выражения связи между экстремальной целью и
двумя другими критериями и, тем самым, найти точное решение оптимизационной за-
дачи, переводит процесс ее решения в область построения стратегии, обеспечивающей
максимально быструю сходимость координат вектора параметров состояния обучаемого
к значениям, при которых выполнялись бы целевые неравенства. Каждая такая страте-
гия строится на основе априорных знаний и интуитивных представлениях о процессах
обучения. Чем выше степень априорного знания, тем больше возможностей для постро-
ения алгоритма, близкого по своей осмысленности к “гипотетически оптимальному”.
3
Cравнение алгоритмов, реализующих различные стратегии, и функционирование
механизма их постоянного развития осуществляется путем статистической обработки
данных о реакциях обучаемых в ходе обучения и по его завершении.
3 Аппарат исследования
В качестве базового элемента исследований выступает программа компьютерного обу-
чения и тестирования (CALL-программа). Она объединяет в одной оболочке функцио-
нальные модули, реализующие практически все основные типы упражнений типа сти-
мул - реакция , на основе которых строятся современные учебники иностранного языка.
Программа предназначена для использования студентами как при выполнении заданий
учебного плана по изучению иностранного языка, так и при выполнении ими (в рамках
курсовых и выпускных квалификационных работ) научных и научно-педагогических
исследований по проблеме компьютерного языкового обучения. Для выполнения ис-
следовательских функций программа снабжена средствами сбора данных о реакциях
обучаемого в ходе обучения.
Процесс компьютерного обучения реализуется в ходе последовательных сеансов и
завершается тестированием. При этом все функции управления процессом обучения,
включая:
а) выбор порции упражнений для каждого очередного сеанса и каждого очередного
стимула для предъявления студенту в ходе проведения сеанса,
б) определение момента завершения каждого сеанса и момента завершения процес-
са обучения в целом, осуществляется программой.
Более того, тот факт, что доля программного кода, реализующего алгоритм управ-
ления процессом (при любой его сложности), достаточно невелика относительно общего
объема кода программного продукта в целом, дает возможность одновременно исполь-
зовать и нормально сопровождать несколько программ с разными алгоритмами управ-
ления,
Тем самым, роль обучаемого в ходе сеанса сводится к выполнению заданий, пред-
лагаемых ему программой, и ожиданию сообщения о том, что сеанс обучения успеш-
но завершен. Реализуемые программой алгоритмы управления процессом обучения ос-
нованы на моделях и методах стохастической теории обучения [Atkinson et al. 1969,
Bush et al. 1973]. Достаточно полное описание одного из таких алгоритмов приведено в
[Nymm et al. 2015].
Проверка эффективности этого алгоритма оценивалась в ходе эксперимента по
изучению 100 языковых клише общенаучной английской лексики (устойчивые словосо-
четания, вводные конструкции и т.п.). Участниками эксперимента были 50 студентов
филологического факультета. Обучение выполнялось в ход самостоятельной работы
студентов. Интервал времени между сеансами колебался у разных студентов в преде-
лах от 24 до 72 часов. После обработки данных были получены следующие результаты.
Среднее число предъявлений стимулов (по группе в целом), которое потребовалось для
завершения обучения по одному упражнению, оказалось равным 4,64 (разброс значе-
ний: от 2.72 до 7.81, стандартное отклонение – 1.57.). Среднее число сеансов, в ходе
которых эти предъявления реализовывались, оказалось достаточно малым – всего 1.91
(разброс значений: от 1.51 до 2.37, стандартное отклонение – 0.32). По сути дела, это
означает, что несмотря на существенное различия в числе требуемых для этого предъяв-
4
лений, для выучивания правильного ответа практически всем обучаемым требовалось
не более двух сеансов. Среднее значение доли правильных ответов обучаемых в ходе
контрольного тестирования, проведенного по всему материалу после завершении обу-
чения, так же представляется достаточно оптимистичным – 0.779 (разброс значений:
от 0.61 до 0.9, стандартное отклонение – 0.0832).
Методология исследования. В методологическом плане программа ориентирова-
на на использование в рамках вычислительного эксперимента. Под термином вычис-
лительный эксперимент здесь понимается нами как “циклический процесс, реализую-
щий эволюционную стратегию построения модели исследуемого объекта или процесса,
каждую итерацию которой составляют три последовательно реализуемые стадии:
анализ, синтез и оценка, а проверка адекватности модели, синтезированной в ходе
каждой очередной итерации, осуществляется путем сравнения результатов натур-
ных экспериментов с результатами, полученными с помощью компьютера путем
вычислений по модели” [Belyaeva et al. 2013].
Идея вычислительного эксперимента исходит из того, что, приступая к моделиро-
ванию объекта или процесса, мы всегда имеем, пусть и приближенное, представление
о нем, которое далее можно последовательно улучшать на основе данных, получаемых
в ходе экспериментов. В нашем случае вычислительный эксперимент рассматривается
как механизм поиска эффективных алгоритмов обучения различным аспектам грам-
матики и лексики иностранного языка. Для использования программы в рамках вы-
числительного эксперимента ее структура была спроектирована так, чтобы обеспечить
достаточно простую (т.е. без сколько-нибудь существенных перестроек программы) за-
мену одних алгоритмов управления процессом обучения другими.
В совокупности со встроенными в программу средствами сбора информации о ходе
процессов обучения, которыми программа снабжена, реализация этого условия обеспе-
чивает механизм параллельного развития как самой программы, так и проводимых с
ее помощью исследований:
а) каждое организованное (т.е. проводимое либо в рамках выполнения студентами
заданий учебного плана, либо в исследовательских целях) использование программы
рассматривается как элемент массового эксперимента;
б) получаемые в ходе каждой итерации технологического цикла вычислительно-
го эксперимента данные о ходе обучения обрабатываются и преобразуются в новые
знания о процессах компьютерного обучения иностранным языкам;
в) на основе полученных знаний ставятся новые задачи исследования, создаются
новые и корректируются существующие алгоритмы управления процессом обучения,
создаются новые базы обучающей информации и корректируется состав и объем суще-
ствующих;
г) производится замена одних алгоритмов управления другими и осуществляет-
ся переход к следующей итерации технологического цикла. Таким образом, в любой
момент времени программа работает на основе алгоритма, соответствующего текущим
знаниям обучаемого и текущим представлениям о процессах компьютерного обучения.
Отбор содержания обучения. Наряду с организацией процесса обучения и управ-
лением, другой важной составляющей эффективности является оперативные отбор и
замена содержания обучения. Оптимизация процесса формирования иноязычной или
языковой профессиональной компетенции сопряжена, с одной стороны, со все ускоря-
5
ющимися темпами информационного обмена, который ведет к изменчивости лексико-
грамматического состава профессионально ориентированного языка, с другой, - с по-
явлением новых открытых сервисов, позволяющих осуществлять автоматизированное
статистическое исследование текста и систем, помогающих оперативно формировать
базы языковых упражнений в области лексики и грамматики. Объединенная группа
исследователей из Японии и Новой Зеландии создала ряд открытых и надежных серви-
сов, под названием AntLab, которые активно используются в корпусных исследованиях
[Anthony et al. 2015, Nation et al. 2016]. На наш взгляд, часть из этих сервисов полезна
для организации квантитативного отбора содержания обучения для CALL-программы.
Целевое назначение отобранных программ, входящих в семейство программ AntLab,
отражено в таблице 1.
Таблица 1: Программное обеспечение для отбора содержания обучения на базе про-
грамм семейства AntLab
№
п/п Название программы Целевое назначение
1. AntConc конкордансер
2. AntPConc организатор параллельных текстов
3. AntMover анализатор семантических блоков текста
4. AntWordProfiler профилирование словаря и оценка сложности текста
5. ProtAnt инструмент для поиска файла прототипа
6. TagAnt инструмент для частеречного теггирования текста
Предварительно проводится обход наиболее известных в мире библиотек и науко-
метрических баз данных с помощью программы AntCorGen с целью отбора исследо-
вательского материала. Затем программами AntFileConverter, EndCodeAnt и VariAnt,
проводится перевод текстов в нужный формат, проверка правописания и удаление
незначимых для анализа символов. С помощью программы AntConc строится частот-
ный словарь, выделяются ключевые слова и выявляются устойчивые словосочетания
с ключевыми словами. Объем исследуемых текстов далее наращивается путем исполь-
зования программы ProtAnt по введенным ключевым словам, которые выявлены на
предварительном этапе или по эталонному тексту. Эта программа осуществляет отбор
текстов наиболее близких по лексическому составу к поставленной учебной задаче. По-
сле этого необходимо вернуться снова к работе по лингво-статическому исследованию
в программе AntConc, но уже расширенного состава учебных текстов, а также к про-
филированию полученного словаря и разметке текстов. Для удобства формирования
учебных упражнений с помощью программы AntMover производится фрагментация и
структурно-семантическая разметка текстов по предложениям с сохранением каждого
предложения в отдельный файл. Далее программой ProtAnt снова обрабатываются уже
файлы отдельных предложений и выявляются те из них, которые по лексическому или
грамматическому составу подходят для кодирования упражнений в CALL – программу.
Организация вычислительного эксперимента. В организационном плане реали-
зация вычислительного эксперимента опирается на метод /it learning by doing (обуче-
ние в деле) и рассматривается как часть высокотехнологичной образовательной среды,
6
в рамках которой осуществляется интеграция учебной и созидательной деятельности
студентов в области информационных технологий, направленная на создание компонен-
тов информационного и методического обеспечения систем языкового компьютерного
обучения, с одной стороны, с другой, – на то, чтобы в процессе этой деятельности сту-
денты научились:
а) использовать программу языкового компьютерного обучения и тестирования
для выполнения заданий учебного плана;
б) выполнять на их базе научные и научно-педагогические исследования;
в) обрабатывать полученные данные о ходе обучения, интерпретировать результа-
ты.
г) создавать (на основе существующего программного обеспечения) собственные си-
стемы компьютерного обучения.
Такой подход, с одной стороны, придает обучению четко выраженный приклад-
ной характер, позволяет продемонстрировать применение информационных техноло-
гий для выполнения полной технологической цепочки операций моделирования в обла-
сти, относящейся к сфере основной специализации студентов, с другой, - дает возмож-
ность использовать созидательную практическую деятельность студентов для реализа-
ции двух важных функций вычислительного эксперимента:
а) создания, тестирования и корректировки баз обучающей и тестовой информации
по иностранным языкам;
б) выполнения лабораторных экспериментов, в роли участников которых выступа-
ют сами студенты.
Обе эти функции реализуются в ходе практических занятий и самостоятельной
работы магистрантов первого курса в рамках дисциплины “Информационные техноло-
гии в профессиональной деятельности”. Первая из перечисленных функций позволяет
избежать достаточно типичных ситуаций, когда при полной готовности к выполнению
эксперимента практически невозможно найти участников (тем более мотивированных)
для его реализации. Еще более очевидна важность второй функции. Как показывают
результаты внедрения подхода, интеллектуальный ресурс, который студенты состав-
ляют в совокупности, и временной ресурс, выделяемый учебным планом на самостоя-
тельную работу студентов, достаточны для создания и актуализации электронных баз
обучающей и тестовой информации.
4 Выводы
Нами рассмотрены принципиальные моменты подхода к исследованию проблемы ком-
пьютерного языкового обучения, развиваемого междисциплинарной рабочей группой
университета. Методологической основой подхода является вычислительный экспери-
мент, в рамках которого реализуется механизм постоянного саморазвития системы ком-
пьютерного обучения как в части программного, так и в части информационного обес-
печения.
Многообразие грамматических структур, степень сходства или различия средств
выражения одних и тех же явлений в русском и иностранных языках, лексические раз-
личия и многое другое разбивает проблему на множество задач, каждая из которых
является предметом отдельного исследования. Их решение, с одной стороны, требует
значительных интеллектуальных ресурсов, с другой, – является прекрасной основой
7
для формирования на базе метода learning by doing (обучение в деле) научно иссле-
довательских компетенций студентов в рамках выпускных квалификационных работ и
диссертационных исследований.
Дальнейшие шаги по развитию системы предполагают:
а) совершенствование алгоритмов управления процессом обучения и расширение
программного обеспечения системы до уровня сетевой технологии;
б) разработку процедур выделения (на базе текст-майнинговых сервисов и корпус-
ных технологий) метаинформационных структур (маркеров и шаблонов разной степе-
ни детализации), характерных для текстов той или иной профессиональной (например,
математической) направленности;
в) формирование на основе этих процедур баз метаинформационных структур
(phrase banks ) и упражнений по обучению использования структур в рамках системы
языкового компьютерного обучения.
Список литературы
[Anthony et al. 2015] Anthony L., Baker P. (2015) ProtAnt: A Freeware Tool for Automated
Prototypical Text Detection. In F. Formato and A. Hardie (Eds). Proceedings of Corpus
Linguistics 2015 Lancaster, UK: Lancaster University. Pp. 24-26.
[Anthony et al. 2013] Anthony L., Bowen M. (2013) The Language of Mathematics: A
Corpus-based Analysis of Research Article Writing in a Neglected Field. Asian ESP
Journal, 2013, 9(2). Рp. 5-25.
[Atkinson et al. 1969] Atkinson R., Bower G., Krothers E. (1969) Vvedenie v
matematicheskuyu teoriyu obucheniya, M.: Mir, 1969. – 487 s. [An introduction
to mathematical learning theory] (In Russian) = Аткинсон Р., Бауэр Г., Кротерс Э.
Введение в математическую теорию обучения, М.: Мир, 1969. – 487 с.
[Belyaeva et al. 2013] Belyaeva L.N., Dzhepa T.L., Zak G.N., Kamshilova O.N., Nymm
V.R., Razumova V.V. (2013) Avtomatizirovannoe rabochee mesto filologa v strukture
obrazovatel’nogo prostranstva vuza. Monografiya [Philologist’s automatic workstation in
a university educational space structure. Monograph] SPb: OOO «Knizhnyi Dom». – 127
s. (In Russian) = Беляева Л.Н., Джепа Т.Л., Зак Г.Н., Камшилова О.Н., Нымм В.Р.,
Разумова В.В. Автоматизированное рабочее место филолога в структуре образова-
тельного пространства вуза. Монография СПб: ООО «Книжный Дом», 2013. – 127
с.
[Bush et al. 1973] Bush R., Mosteller F. (1973) Sravnenie vos’mi modelei [Comparison of
eight models] // Matematicheskie metody v social’nyh naukah. [Mathematical methods
in social sciences] M.: Izd. Fizmatgiz, – 300 s. (In Russian) = Буш Р., Мостеллер Ф.
Сравнение восьми моделей // Математические методы в социальных науках. М.:
Изд. Физматгиз, 1973. – 300 c.
[German-Prozorova et al. 1982] German-Prozorova L. P., Ivanov V. G. Uchebnik angliiskogo
yazyka: dlya studentov vysshih inzhenernyh morskih uchilish. [English for students of
higher engineering maritime school] Moskva : Vysshaya shkola, 1982. - 367 s. (In Russian)
8
= Герман-Прозорова Л. П., Иванов В. Г. Учебник английского языка: для студентов
высших инженерных морских училищ. Москва : Высшая школа, 1982. – 367 с.
[Golovacheva 1978] Golovacheva A.K. (1978) Chastotnyi kurs uskorennogo obucheniya
angliiskomu yazyku po profilyu radioelektroniki. [Frequency course for English
accelerated training for radio electronics profile] L.: Izd-vo LGU, – 239 s. (In Russian)
= Головачева А.К. Частотный курс ускоренного обучения английскому языку по
профилю радиоэлектроники. Л.: Изд-во ЛГУ, 1978. – 239 c.
[Lazareva 2013] Lazareva M. (2013) Corpus-based foreign language learning. Pedagogic
corpora and Web collaboration // Materialy Vtoroi mezhdunarodnoi nauchno-
prakticheskoi konferencii «Aksiologicheskii aspekt soderzhaniya nepreryvnogo
inoyazychnogo obrazovaniya: problemy i resheniya» [Материалы Второй между-
народной научно-практической конференции «Аксиологический аспект содержания
непрерывного иноязычного образования: проблемы и решения»] [Axiological
aspect of the continuous foreign language education content: problems and solutions.
Proceedings of international scientific conference], Москва, 31 января - 2 февраля 2013
г. [Nepreryvnoe pedagogicheskoe obrazovanie.ru] (In Russian), № 3. S. 96 .
[Lazdin 2013] Lazdin’ T.A. (2013) Osnovy statisticheskoi optimizacii prepodavaniya
inostrannyh yazykov [Bases of statistical optimization for foreign language teaching]
//Vestnik Sankt-Peterburgskogo universiteta. Ser. 9. 2009. Vyp. 3. (In Russian) = Лаз-
динь Т.А. Основы статистической оптимизации преподавания иностранных языков
//Вестник Санкт-Петербургского университета. Сер. 9 Вып. 3. 2009. C. 202-208
[Nation et al. 2016] Nation P., Anthony L. (2016) Measuring vocabulary size //Handbook
of Research in Second Language Teaching and Learning, Volume III, E. Hinkel (Ed.)
New York: Routledge. – 514 p.
[Nymm et al. 2015] Nymm V.R. Evolyucionnyi podhod k sozdaniyu i razvitiyu CALL-
tehnologii na baze vychislitel’nogo eksperimenta [Evolutional approach to creation
and development of CALL-technologies on the basis of a computing experiment] //
Izvestiya Rossiiskogo gosudarstvennogo pedagogicheskogo universiteta im. A.I. Gercena
[Proceedings of Herzen State Pedagogical University of Russia], № 173. SPb.: Izd.
«Izvestiya RGPU», 2015. S. 137-147. (In Russian) = Нымм В.Р. Эволюционный подход
к созданию и развитию CALL-технологий на базе вычислительного эксперимента //
Известия Российского государственного педагогического университета им. А.И. Гер-
цена, № 173. СПб.: Изд. «Известия РГПУ», 2015. С. 137-147.
[Nymm et al. 2017] Nymm V.R., Piotrovskaya K.R., Makogon I.S., Eremeeva Yu.P.
Sozdanie i razvitie sredstv elektronnoi podderzhki obucheniya inostrannomu yazyku
na baze vychislitel’nogo eksperimenta [Creation and development of electronic support
tools for computing experiment-based foreign language learning] // Aktual’nye problemy
sovremennoi prikladnoi lingvistiki, sbornik nauchnyh statei, posvyashennyi 80-letiyu
doktora filologicheskih nauk, professora A.V. Zubova. [Actual problems of theoretical and
applied Linguistics. Proceedings of international scientific conference in honor of professor
A.V. Zubov] Ministerstvo obrazovaniya Respubliki Belarus’, Minskii gosudarstvennyi
lingvisticheskii universitet. Minsk, 2017. S. 308-312. (In Russian) = Нымм В.Р., Пио-
тровская К.Р., Макогон И.С., Еремеева Ю.П. Создание и развитие средств элек-
9
тронной поддержки обучения иностранному языку на базе вычислительного экспе-
римента // Актуальные проблемы современной прикладной лингвистики. сборник
научных статей, посвященный 80-летию доктора филологических наук, профессора
А.В. Зубова. Министерство образования Республики Беларусь, Минский государ-
ственный лингвистический университет. Минск, 2017. С. 308-312.
[Pavlovskaya et al. 2015] Pavlovskaya I.Yu., Gorina O.G. Korpusno-kognitivnye metody
obucheniya leksicheskoi storone rechi na inostrannom yazyke [Corpora and cognitive
methods of lexical training in a foreign language] // //Kognitivnye issledovaniya yazyka.
[Cognitive Studies of Language] 2015. № 22. S. 552-554. (In Russian) = Павловская
И.Ю., Горина О.Г. Корпусно-когнитивные методы обучения лексической стороне
речи на иностранном языке //Когнитивные исследования языка, 2015. № 22. С.
552-554
[Piotrovskaya 1993] Piotrovskaya K.R. (1993) Modeli, programmnye i informacionnye
sredstva uchebnogo ARM perevodchika. Dissertaciya na soiskanie uchenoi stepeni
kandidata tehnicheskih nauk [Models. Program and information facilities of the AWS
for a translator training. Thesis on candidate of technical sciences degree] (In Russian),
Kiev, 1993. – 142 s. = Пиотровская К.Р. Модели, программные и информационные
средства учебного АРМ переводчика. Диссертация на соискание ученой степени кан-
дидата технических наук. Киев, 1993. – 142 c.
[Piotrovskaya, 1991] Piotrovskaya K.R. (1991) Sovremennaya komp’yuternaya
lingvodidaktika [Modern computer linguodidactics] // Nauchno-tehnicheskaya
informaciya (NTI). Seriya 2. Informacionnye processy i sistemy [Scientific and
Technical Information/ Series 2. Information processes and systems] 1991. № 4. S. 26
(In Russian) = Пиотровская, К.Р. Современная компьютерная лингводидактика //
Научно-техническая информация (НТИ). Серия 2. Информационные процессы и
системы, № 4. С. 26
[Sergeevnina 2011] Sergeevnina V.M. (2011) Iz opyta sostavleniya uchebnyh
terminologicheskih slovarei dlya studentov neyazykovyh vuzov [Some experience in
building educational terminological dictionaries for technical university students] //
Vestnik Nizhegorodskogo universiteta, [Nizhegorodski University Herald]. S. 624-627
(In Russian) = Сергеевнина В.М. Из опыта составления учебных терминологи-
ческих словарей для студентов неязыковых вузов // Вестник Нижегородского
университета, 2011. C. 624-627
[Scrivner et al. 2017] Scrivner O. I., Trapido J., Lee.Text mining toolkit for digital corpora
// Труды международной конференции “Корпусная лингвистика - 2017”, 27–30 июня
2017 г., [Proceedings of the International Conference “Corpora - 2017”, Saint Petersburg,
June 27–29, 2017] Санкт-Петербург. S. 72-77
10