ОБ ИСПОЛЬЗОВАНИИ МЕТОДОВ ИМИТАЦИОННОГО

121
валидацию, визуализацию модели и интерпретацию результатов моделирования.  Физический подход 
к  моделированию  может  оказаться  полезным  для  разработки  физической  теории  управления,  о 
необходимости которой говорил академик А.А. Красовский.  Он утверждал, что  «отличие физической 
теории  от  абстрактно­математической  начинается  с  математических  моделей  и  критериев  систем  и 
процессов управления. В физической теории модели и критерии создаются в физических величинах 
и терминах» [1]. Физический подход является удобным для моделирования синергетических систем, 
так как позволяет достаточно просто реализовывать  расширение систем  и взаимодействия их друг 
с другом и с внешней средой [2]. Некоторый опыт разработки и использования физических моделей 
промышленных  установок  показал,  что  такие  модели  воспринимаются  технологами  и  операторами 
значительно лучше, чем абстрактно­математические модели. 
Графики колебаний маятника и тележки
На  рынке  имеется  большое    количество    компьютерных  средств  имитационного  моделирования, 
в  том  числе  и    средств,    предназначенных  для    создания    физических  моделей  (Modelica,  Simulink, 
SimMechanics,  SimElectronics  и  др.)  [3].  Имеющиеся  компьютерные  средства,  обеспечивающие 
реализацию  физического  подхода  к  моделированию  (physics  engines),  в  основном,  ориентированы 
на  проведение  модельных  экспериментов,  анализ  систем    и  разработку    компьютерных  игр  [4].  Их 
использование  для  создания  моделей,  встроенных,  например,  в  системы  управления,  тренажеры 
или обучающие программы, является затруднительным. Вместе с тем,  высокая производительность 
современных  компьютеров  обеспечивает  возможность  создания  сравнительно простых способов 
реализации  физических  моделей  динамических  систем  с  помощью  существующих  объектно­
ориентированных визуальных средств программирования.  
Примеры реализации физических моделей.  Описанный подход к реализации процессов был исполь­
зован при разработке в СПИИРАН опытного образца компьютерной среды EnviCon, ориентированной 
на моделирование совокупностей взаимодействующих гибридных процессов [5]. 
Среда  имеет  достаточно  наглядный  интерфейс  формирования  и  редактирования  правил,  а  также 
визуализации  процессов.  Далее  приводятся  спецификации  в  среде  EnviCon    физических  моделей 
простых динамических систем.
 На рисунке представлены графики колебаний маятника длиной  2 м и весом 1 кг, подвешенного на 
подвижной тележке массой 1 кг, при начальном отклонении 75
 0
. Как видим,  колебания тележки в этом 
случае являются существенно нелинейными.
Заключение.  Программирование  компьютерных  моделей  динамических  систем,  основанное  на 
использовании  трансформационных  правил,  обладает  рядом  преимуществ  по  сравнению  с  исполь­
зованием универсальных языков программирования. Использование правил позволяет сократить время 
разработки модели. Программа получается более наглядной. Существенно упрощается модификация 
и  расширение  модели,  упрощается  ее  валидация.  Значительно  облегчается  процесс  передачи  зна­

122
ний программистам от специалистов в предметных и проблемных областях. Можно говорить о воз­
можности  разработки  компьютерных  моделей  непосредственно  соответствующими  специалистами.  
Данный подход можно применить к разработкам имитационных моделей достаточно боль ших систем. 
Физические  модели  динамических  систем  могут  быть  эффективно  применены  в  образовательных 
процессах благодаря своей наглядности.
Литература:
1. Красовский А.А.  Проблемы физической теории управления // Автоматика и телемеханика. – 1990. – 
№11. 
2.  Колесников  А.А.  Проблема  нелинейного  системного  синтеза:  концепция  единства  процессов 
самоорганизации и управления //  Труды Конгресса по интеллектуальным системам и информационным 
технологиям  «AIS­IT’10». –  М.: Физматлит, 2010. – Т. 2. – С. 68–93. 
3. Carlo Alberto Avvizano. Review of existing simulation tools. // сontent/uploads/2008/05/simulinkreviewx.
pdf. 
4. Adrian  Boeing,  Thomas Bräunl.  Evaluation  of  real­time  physics  simulation  systems // http://www.
adrianboeing.com/pal/papers/p281­boeing.pdf. 
5. Henzinger T.A. The Theory of Hybrid Automata // Proceedings of the 11thAnnual IEEE Symposium on 
Logic in Computer Science (LICS 96). – 1996. – Р. 278–292.  
Түйіндеме
Бұл мақалада күрделі жүйелердің модельдену сұрақтары қарастырылған.  Яғни, қазіргі таңда дина­
микалық  жүйелердің  компьютерлік  модельденуіне  математикалық  модель  негіз  болып  табылады. 
Оның  тиісті  динамикалық  заңдар  (механика,  термодинамика,  электродинамика  және  т.б.)    негізінде 
дифференциалдық және абстрактілі айнымалыларға қатысты алгебралық теңдеулер түрінде матема­
тикалық моделі өңделеді. Модельдік эксперименттер осы теңдеулер жүйесінің сандық әдістер шеші­
мінің қолданылуымен компьютерлерде жүргізіледі. Жүйенің физикалық параметрлері теңдеудің коэф­
фиценттері, кейде күрделі тәуелділіктер түрінде беріледі. Сондықтан, қандай да бір күрделі жүйелердің 
моделін құру міндетті болып есептеледі.
Summary
This article discusses the issues of modeling of complex systems, that is, at present, the main approach 
to computer simulation of dynamic systems is a mathematical approach. It consists in the fact that in the 
beginning on the basis of laws of the speaker (mechanics, thermodynamics, electrodynamics, etc.) developed 
a mathematical model as a system of differential and algebraic equations in the abstract variables. Model 
experiments are conducted on computers using numerical methods for solving the system of equations. The 
physical parameters of the system are included in the equation coefficients, sometimes in the form of rather 
complicated dependencies. Therefore, the basic model is any complex system.
УДК 519.7, 519.97
MATHEMATICAL METHODS 
IN THE SPEECH RECOGNITION SYSTEMS
O.J. MAMYRBAEV, 
Kazakh National Technical University K.I. Satpaev, 
Republic Kazakhstan
Introduction. The aim of this study is to develop methods of recognition of the speech signal in the Kazakh 
language modeling and information system that implements these methods.

123
In this regard, there are the following:
– Explore and develop new algorithms for uniform recognition of the speech signal;
– To develop new methods of phonetic­acoustic classification of the speech signal;
– Explore the phonetic­acoustic structure of the Kazakh language;
– Develop a set of applications for recognition of the speech signal in the Kazakh language.
The subject of this study is the process of recognizing the speech signal. The objects of the study are 
the model of the speech signal detection and methods of modifying it. The study used the methods of the 
following  areas  of  expertise:  theory  analysis  and  digital  signal  processing,  systems  analysis  and  systems 
theory, linguistics and phonetic analysis. Models have been developed and studied in this paper can be used in 
the implementation of human­machine interfaces in the various information systems. The recommendations 
contained in the work may be useful in constructing unified recognition of the speech signal.
Presentation of the signal. As we recall, it is necessary to compute the speech parameters in short time 
intervals to reflect the dynamic change of the speech signal. Typically, the spectral parameters of speech are 
estimated in time intervals of 10ms. First, we have to sample and digitize the speech signal. Depending on 
the implementation, a sampling frequency f
s 
between 8kHz and 16kHz and usually a 16bit quantization of the 
signal amplitude is used. After digitizing the analog speech signal, we get a series of speech samples s(k · Dt)
where Dt = 1/f
x
 or, for easier notation, simply s(k). Now a preemphasis filter is used to eliminate the ­6dB per 
octave decay of the spectral energy:
s(k)= s(k) – 0,97 ·s(k – 1)
Then, a short piece of signal is cut out of the whole speech signal. This is done by multiplying the speech 
samples s(k) with a windowing function m(k) to cut out a short segment of the speech signal, v
m
(k) starting with 
sample number k = m and ending with sample number = m + N + 1 . The length N of the segment (its duration) 
is usually chosen to lie between 16ms to 25 ms, while the time window is shifted in time intervals of about 
10ms to compute the next set of speech parameters. Thus, overlapping segments are used for speech analysis. 
Many window functions can be used, the most common one is the so–called Hamming­Window:
                                                                                      о:else
where  N is the length of the time window in samples. By multiplying our speech signal with the time win­
dow, we get a short speech segment v
m
(k):
                               
                                                                                     о:else
As already mentioned, N denotes the length of the speech segment given in samples while m is the start 
time of the segment [1]. The start time m is incremented in intervals of 10ms, so that the speech segments are 
overlapping each other. All the following operations refer to this speech segment v
m
(k), k = m...m + N –1 . To 
simplify the notation, we shift the signal in time by m samples to the left, so that our time index runs from  
0...N – 1 again. From the windowed signal, we want to compute its discrete power spectrum |v(n)|
2
. First of all, 
the complex spectrum V(n) is computed. The complex spectrum V(n) has the following properties:
•  The spectrum V(n) is defined within the range from n = – to  n  = +.
•
V(n) is periodic with period, i.e.,
V(n ± i ·N) = V(n); i=1,2
Since V
m
(k) is real­valued, the absolute values of the coefficients are also symmetric:
|v – n)| = |v(n)|

124
To computer the spectrum, we compute the discrete Fourier transform (DFT, which gives us the discrete, 
complex­valued short term spectrum v(n) of the speech signal (for a good introduction to the DFT and FFT, 
see [1], and for both FFT and Hartley Transform theory and its applications see [2]):
              n – 0,1...N – 1
The DFT gives us N discrete complex values for the spectrum V(n) at the frequencies n · Df  where
Remember that the complex spectrum V(n) is defined for n = – to n = +, but is periodic with period 
N. Thus, the N different values of V(n) are sufficient to represent V(n). One should keep in mind have to 
interpret the values of V(n)  ranging from n = N/2 to n = N­1 as the values for the negative frequencies 
of the spectrum 
. One could think that with a frequency range from 
 
we should have N+1 different values for V(n), but since V(n) is periodic with period 
N(4), we know that
So nothing is wrong, and the N different values we get from V(n) are sufficient to describe the spectrum V 
(n). For further processing, we are only interested in the power spectrum of the signal. So we can compute the 
square of the absolute values, |v(n)|
2
.
Due to the periodicity v(n ± i · N) = v(n), i = 1,2...  and symmetry  |v(– n)|
 
=|v(n)| of V(n), only the values 
|v(0)|
2 
...|v(N/2)|
2
 are used for further processing, giving a total number of N/2+1 values.
It should be noted that |v(o)|contains only the DC­offset of the signal and therefore provides no useful 
information for   our speech recognition task.
 The non­linear warping of the frequency axis can be modeled by the so­called mel-scale. The frequency 
groups are assumed to be linearly distributed along the mel­scale. The so­called mel­frequency f
mвl
 can be 
computed from the frequency f as follows [3]:
Figure shows a plot of the mel scale (Figure 1).
Figure 1

125
The criterium of optimality we want to use in searching the optimal path P
opt 
should be to minimize 
D(X, W, P);
Fortunately, it is not necessary to compute all possible paths P and corresponding distances D(X, W, P) to 
find the optimum.
Out of the huge number of theoretically possible paths, only a faction is reasonable for our purposes. We 
know that both sequences of vectors represent feature vectors measured in short time intervals. Therefore, 
we might want to restrict the time warping to reasonable boundaries: The first vectors of X and W should be 
assigned to each other as well as their last vectors. For the time indices in between, we want to avoid any giant 
leap backward or forward in time, but want to restrict the time warping just to the »reuse» of the preceding 
vector to locally warp the duration of a short segment of speech signal. With these restrictions, we can draw a 
diagram of possible »local» path alternatives for one grid point and its possible predecessors.
We will soon get more familiar with this way of thinking. As we can see, a grid point (i, j) can have the 
following predecessors [3]:
– (i­1, j) : keep the time index j of х while the time index of w is incremented
– (i­1, j­1) : both time indices of х and W are incremented
– (i, j­1) : keep of the time index i of W while the time index of x is incremented
All possible paths P which we will consider as possible candidates for being the optimal path P
opt
 can 
be constructed as a concatenation of the local path alternatives as described above. To reach a given grid 
point (i, j) from (i­1, j­1), the diagonal transition involves only the single vector distance at grid point (i, j) as 
opposed to using the vertical or horizontal transition, where also the distances for the grid points (i ­1, j) or (i, 
j­1) would have to be added. To compensate this effect, the local distance 
 is added twice when using 
the diagonal transition [4].
Let’s assume we measure only one continuously valued feature x. If we assume the measurement of this 
value to be disturbed by many statistically independent processes, we can assume that our measurements will 
assume a Gaussian distribution of values, centered around a mean value m, which we then will assume to be a 
good estimate for the true value of x. The values we measure can be characterized by the Gaussian probability 
density function. As we recall from school, the Gaussian PDF j(x) is defined as:
Where m represents the mean value and s
2 
denotes the variance of the PDF. These two parameters fully 
characterize the one­dimensional Gaussian PDF.
The Gaussian PDF 
 
can characterize the observation probability for vectors generated by a single Gaussian process. The PDF of 
this process has a maximum value at the position of the mean vector ~m and its value exponentially decreases 
with increasing distance from the mean vector. The regions of constant probability density are of elliptical 
shape, and their orientation is determined by the Eigenvectors of the covariance matrix [5]. However, for 
speech recognition, we would like to model more complex probability distributions, which have more than 
one maximum and whose regions of constant probability density are not elliptically shaped, but have complex 
shapes like the regions we saw in Figure 2.
To do so, the weighted sum over a set of K Gaussian densities can be used to model p( )  [6]:

126
Where 
 is the Gaussian PDF as in 
. 
The weighting coeffi cients с
k 
are called the mixture coefficients and have to fit the constraint:
The process parameters are:
C
1 
= 0,3;  
 
C
2 
= 0,4; 
 
C
2 
= 0,3; 
 
References:
1. Schukat­Talamazzini E. G. Automatische Spracherkennung. – Vieweg Verlag, 1995.
2. Odell S., Young J.J. and Woodland P.C.  Tree­based state tying for high accuracy acoustic modeling. 
Proc. Human Language Technology Workshop, Plainsboro NJ. – Morgan Kaufman Publishers Inc., 1994. – Р. 
307­312.
3.  Lee  X.D.,  Huang  K.F.  and  Hon  H.W.  On  semi­continuous  hidden  Markov  modeling  //  Proceedings 
ICASSP 1990, Albuquerque. – Mexico, April 1990. – Р. 689­692.
4. Alleva X., Huang F., Belin M. and M. Hwang. Unified stochastic engine (use) for speech recognition // 
Proceedings ICASSP. – 1993 – II. – Р. 636–639. 
5. Young  S.J.  The  general  use  of  tying  in  phoneme­based  hmm  speech  recognisers.  –  Proceedings  of 
ICASSP. – 1992. – I(2). – Р. 569­572.
6. Young S. Large vocabulary continuous speech recognition: A review. – IEEE Signal Processing Magazine. – 
1996. – 13(5). – Р. 45­57. 
Түйіндеме
Мақалада  әр  түрлі  ақпараттарды  таситын  акустикалық  дыбыс  сигналдары  қарастырылады.  Ды­
быстық сигналға күрделі талдау жасап тілмен қарым­қатынас жасау үдерісінің жалпылығын, тіл жүйесі 
туралы ақпарат алуға болады. Жұмыста дыбысты тану моделі және дыбыстың энергиясы қосарланған 
алгоритмін анықтау жолы қарастырылған.
Математикалық модельдерді қолданып, дыбыстың графиктері тұрғызылды. Дыбысты тану кезінде 
Гаусс әдісін қолдану мысалдары келтірілді. Дыбысты танудан кейін морфологиялық талдау және жалғау, 
түбірді анықтау есептері пайда болады. Қойылған есеп сөз құрамын анықтау алгоритмін тудырады.
Резюме
В  статье  рассматривается  речевой  акустический  сигнал,  являющийся  переносчиком  весьма  раз­
нообразной информации. Подвергая речевой сигнал сложному анализу, можно получать информации 
о системе языка, о речи как процессе общения посредством языка. Приведены модели распознавания 
речи и определения энергии речи с помощью алгоритма двойственности.
На основе математических моделeй построены графики речи. Приведены примеры исполь зования 
метода Гаусса при распознавании речи. 

127
ӘОЖ 004.255:372.881.1
«E-LEARNING» – ВИРТУАЛЬДЫ ОҚЫТУДЫҢ 
БІРНЕШЕ БАҒЫТТАРЫ МЕН ОНЫ ҚОЛДАНУДЫҢ ЕРЕКШЕЛІКТЕРІ
  
Б.Ә. НЫСАНҚҰЛОВА, 
Н. ҚҰЛМЫРЗАЕВ, 
экономика ғылымдарының кандидаты,
 Қорқыт Ата атындағы Қызылорда мемлекеттік университеті, 
Қазақстан Республикасы
Электрондық оқытуды дамытуға арналған жоғарғы оқу орындарында электронды оқытуды енгізу 
мен пайдалану туралы бірнеше пайдалы ұйғарымдарды мысалға келтірейік [1]:
– Электронды оқыту (e­learning)– ақпараттық­коммуникациялық техниканың көмегімен оқыту;
– Мобильді (ұтқыр) оқыту(mobile learning) – ұтқыр құрылғымен электронды оқыту, білім алушының 
орнын ауыстыруымен немесе тұрған орнымен шектелмейді;
– Автономды оқыту (offline learning) – ақпараттық­телекоммуникациялық желіге қосылмаған ком­
пьютердің көмегімен оқыту;
– Аралас оқыту(blended learning) – автономды немесе күндізгі оқуды жүйелі оқу түріне біріктіру.
Жалпы  айтқанда,  1996  жылдан  бері  ғылыми­педагогикалық  ортада,    құжаттар  мен  ғылыми  жа­
рияланымдарда «білімді ақпараттандыру» деген термин қолдану үйреншікті әдетке айналды. Расын­
да да, ақпараттандыру – шынайы, әмбебап және адам өмірінің әр түрлі салаларында көрініс беретін 
заңдылық үдеріс. «E­learning» (электронды оқыту) термині көп таралуына қарамастан,  бөтен термин­
дерге қосылмайды. 
Қазіргі уақытта ақпараттық­коммуникациялық технологияның номенклатуралық құралы білім са­
ласында потенциалды түрде пайдаланылып, тез әрі кең көлемде ұлғаюда. Олардың ішінде:
– Компьютерлер және сыртқы құрылғылар;
– Ғаламдық және шағын желілер;
– Ақпараттарды енгізу­шығару құрылғылары;
– Кең көлемдегі мұрағаттық ақпараттарды сақтайтын құрылғы;
– Графиктік немесе дыбыстық күйдегі ақпараттарды сандық күйге және оны керісінше пішімдеп ай­
нал дыратын құрылғылар;
– Дыбыстыкөріністі (аудиовизуальной) ақпараттарды өңдеп­жөндейтін (манипуляция) құрылғылар;
– Машиналы­кестелер жүйесі;
– Программалық кешендер;
– Жаңартылған тұрақты және ұтқыр желілер құрылғысы;
– Теледидарлы және радиолы байланыстар;
– Кинематография.
Бұл осымен шектеліп, аяқталмайды, сондықтан тізім ашық.  Сөйтіп, білімге енген интернетті бөліп 
алуға болады, бірақ ол үшін жобаланбаған. Пайымдап қарасақ, 10 млн. тұтынушысы бар нарықты 
жаулап алу үшін телефонға 36 жыл, компьютерге 7 жыл қажет болса, ғаламторға (интернет) небәрі 
4 жыл жеткілікті болды.
2003­2006  жылдар  аралығында  әлемдік  білім  нарығында  ғаламтор  базасындағы  желінің  қызметі 
3 есеге артты. Атап айтатын жағдай, білім саласындағы интернет – компьютерлерді, гипермедиалық 
ақпараттарды  және  пайдаланушыларды  өзара  байланыстыратын  адам  тәріздес  машина  жүйесі.  Бұл 
жүйелер ТСР/ІР протоколдарының арқасында өзара барлық элементтерінің байланыстарын қамтама сыз 
етеді. Интернет технологиясын жоғарғы оқу орындарына енгізу үшін шет елдер мен отандық тәжірибе 
көрсеткендей, бірнеше жүйелік мәселелерді шешіп алу керек:
– Материалды­техникалық қамтамасыздандыруды ұйымдастыру (программалар, компьютерлердің 
паркі, арналар);
– Оқу­әдістемелік қамтамасыз етуді жасақтау және иелену;
– Интернет­технологияны ендіру үшін өкілетті басқарма құрылымын құрастыру;

128
– Кадрлар дайындау – мұғалімдер, әдіскерлер, технологтар;
– Білім алушыларды даярлау;
– Интернет­оқыту процесін жоспарлау;
– Құжат айналымының жүйелерін бейімдеуден өткізу;
– Ұжымды дәлелдеу;
– Басшылықтың қолдау туралы уәдесін алу.
Елімізде  жүргізілген  зерттеу  көрсеткендей,  «Е­learning»­ді  шет  аймақтарда  енгізу  айтарлықтай 
қиын  фактор  екені  белгілі  болды.  Интернет  технологияны  дәрежесіне  қарай  «таза  интернет­оқыту» 
деп атап бөлуге болады. Бұл оқытушы мен білім алушының арасында жүздесу байланыссыз, интер­
нет­технологияның  ұлттық    оқу  процесінде    «аралас»  және  іштей  оқу  барысында  тізбектеле  орна­
ластырылады. «E­learning»­ді енгізудің ең маңызды кезеңі контент, зерттеме болып табылады. Ол оқу­
әдістемелік кешен түріндегі нақтылы құрылым болып жасалады және төмендегідей элементтер болуы 
міндетті:
– бағамға енгізу;
– оқу курсының бағдарламасы;
– ақпараттық оқыту;
– курстың зерттелуі бойынша нұсқау;
– электронды кітапхана курсы (хрестоматия);
– академиялық күнтізбелік;
– практикум;
– тесттер жинағы;
– глоссарий, қысқарту тізімі және аббревиатура;
– қорытынды.
Мұндай  кешен  немесе  оның  үзінділері  интернеттің  қатқыл  тасушылары  CD  (DVD)­де  орнық­
тырылады. 
Оқу процесінде  электрондық оқу­әдістемелік кешенді пайдалануға және  әр түрлі оқу формаларын­
да  өткізуді  ұйымдастырып,  тиімділігін  арттыруға  болады.  Оларды  дәстүрлі  терминдік  қосымшамен 
«электрондылар» деп атағанмен, бірақ  дәстүрлі  дәрістер, семинарлар, кеңестер және т.б. нұсқаларына 
ұқсамайды. Айтылғандарды түйіндегенде, бүгінгі таңда электронды оқытудың төмендегідей тізімдерін 
көрсетуге болады:
– дәрістер;
– кеңестер;
– семинарлар;
– зертханалық­практикалық сабақтар;
– курстық жобалар;
– жеке;
– тестілеу;
– емтихандар, сынақтар;
– ойын түріндегі сабақтар;
– жағдайға байланысты практикумдар;
– оқудың ғылыми­зерттеу жұмыстары;
– экскурсия және мастер­кластар;
– электрондық оқулықтың портфолиосы.
Электрондық оқытудың, зертханалық жұмыстар мен оның қисындарын ұйымдастырудың 2 түрі бар:
1) Лабораториялық қондырғыға білім алушының жойылған желісін қосуды қамтамасыз ету;
2) Студенттің жұмыс орнында компьютер үлгісін тікелей процеске дәл келтіру.
Электрондық оқытуда электрондық оқыту портфолиосы кең қолданушылыққа ие болып, қажетті құ­
жаттарды іріктеп алуға болатынын дәлелдеді. Бұл өз кезегінде білім алушының жетістіктерін көрсетеді.
Оқу портфолиосының мәні төмендегідей:
– Білім алушы өзінің білгенін көрсете алады;
– Білім алушының білім деңгейін бағалау сапалы деңгейге көтерілген.

129
Веб 2.0. бейнеконференцияжелісі сияқты ұтқыр қондырғылар интернеттің дамуына  жаңа көзқарас­
пен жиі байланыстырылады, дәлірек айтсақ, Веб 2.0. дегеніміз – пайдаланушылардың бірлескен өзара 
іс­қимылдары және веб­қосымшаларының жұмыс технологиясының жиынтығы. Қәзіргі таңда Веб 2.0. 
сервисін оқу үдерісіне пайдалану келесідей  көріністерден табылады [5]:
1. Блог (blog) – желіде материалдарды жариялау үшін және оқу мүмкіндігін беретін программалық 
орта.
2. Вики (wikiwiki) – ұжымдық гипермәтінді жасайтын құрал, өзгертулер енгізілгені туралы тарихы 
сақталады.
3. Делишес (Del.icio.us) – ішінара ұжымдық кіріске және іздеу мүмкіндігіне, веб­бетке белгілердің 
сипаттамасымен сақтау үшін қолданылатын сервис.
4. Ютуб (youtube) – видеожазуларды сақтайтын және көретін, талқылайтын құрал. 
5. Фликр(Flickr) – фотосуреттерді сақтау мен оларды көруге мүмкіндік беретін сервис.
Бейнеконференция – бұл екі не одан да көп абоненттер арасын байланыстыратын телекоммуника­
ция ның түрі, олардың арақашықтығына қарамастан бір­бірін көруге және естуге мүмкіндік береді. 
Ұйымдарда «бейнеконференсжелі» технологиясы бейнеконференция кезінде қолданылады.  Қазіргі 
уақытта аталған желі жоғарғы оқу орындарында дәрістерді жариялауда пайдаланылатын, кеңестер мен 
пікірталастарды  өткізуге,  «жағдайға  байланысты»  материалын  көрсету,  рөлдік  ойын  ұйымдасты ру, 
ақпараттардың табыс етілуінің, т.б. нұсқаларына және сұхбаттың әр түрлі техникалық көрсетілімін, 
қозғалыс немесе кескінді жоғары сапада беруге мүмкіндік жасайды. Видео және телеконференция лар­
ды қолданудағы негізгі тәсілдердің түрлері:
– Оқу  орнына сапарға барудың қажет еместігі, уақыттың және қаражаттың үнемділігі;
– Әр түрлі жерлерде орналасқан көп адамдардың бір уақытта оқу сабақтарына қатысу мүмкіндігі;
– Жақсы білім үйретушілермен қашықтықтан сабақтар өткізу.
Әдебиеттер :
1. Позднеев Б. Качество – это соответствие стандартам // Качество образования. – 2009. – №1­2. – С. 
46­49.
2. Толковый словарь терминов понятийного аппарата информатизации образования. – М.: ИИО РАО, 
2005.
3. Андреев А.А. Интернет в системе непрерывного  образования // Высшее образование в Рос сии. – 
2005. – №7. – С. 91­94.
4. Усков В.Л., Иванников А.Д., Усков А.В. Качество электронного образования // Информационные 
технологии. – 2007. – №3. – С. 24­30.
5.  Андреев  А.А.  Семкина  Т.А.,  Леднев  В.А.  Направления  применения  сервисов  Интернета  Web 
2.0 в учебном процессе. Информационные технологии в гуманитарном образовании – 2008 // Матер. 
Междун. науч.­практ. конф. (Пятигорск, 24­25 апреля 2008 г.) В 2 ч. Ч. I. – Пятигорск: ПГЛУ, 2008. –  
С.39­45.
Резюме
В статье дано толкование основных терминов e­learning, приведен перечень задач, которые надо 
решить  при  внедрении  электронного  обучения,  структура  учебных  комплексов  и  виды  занятий  при 
электронном  обучении.  Обращается  внимание  на  применение  сервисов  веб  2.0.  Рассмотрено  новое 
направление в образовании – открытые образовательные ресурсы, которые включают в себя контент и 
программное обеспечение.
Summary
The authors give an interpretation of the basic e­Learning terms, look at the structure of educational content. 
Special attention is paid to an application of web 2.0. services, videoconferences, mobile education. An open 
educational resources as a new direction in education is considered. 

130
ӘОЖ 372.851.02 (574)

жүктеу/скачать 7,65 Mb.

Достарыңызбен бөлісу: