Применение методов свободного синтаксиса для распознавания пиктокубиков в курсе «Алгоритмика для дошкольников»

Статья рассматривает вопросы безопасной интеграции цифровых технологий в образовательные процессы детей старшего дошкольного возраста в соответствии с нормами СанПин. Основное внимание уделяется методике обучения алгоритмике с использованием образовательной среды ПиктоМир, которая включает в себя программное обеспечение и объекты реального мира, такие как радиоуправляемые роботыигрушки, мягкие игрушки, кубики и магнитные карточки с пиктограммами команд, а также сочленяемые коврики. Описывается поэтапный процесс перехода от материального мира к виртуальному для углубленного освоения понятий. Кроме того, статья представляет подход к решению задачи детектирования объектов с использованием сверточных нейронных сетей, применяемый для проведения алгоритмиад. Учащиеся выполняют задачи, используя физические объекты, такие как пиктокубики, для создания программ, после чего полученные программы переносятся преподавателем в приложение ПиктоМир. Этот метод позволяет улучшить результаты освоения основ программирования у детей старшего и среднего дошкольного возраста.

1. В. Б. Бетелин, А. Г. Кушниренко, А. Г. Леонов, Основные понятия программирования в изложении для дошкольников // Информатика и ее применения. – 2020. – Том 14, № 3. – С. 56–62.

2. Стартовая страница проекта «ПиктоМир» на сайте ФГУ ФНЦ НИИСИ РАН. URL: https://www.niisi.ru/piktomir/ (дата обращения 01.05.2024)

3. N.Besshaposhnikov, A.Kushnirenko, and A.Leonov. Piktomir: how and why do we teach textless programming for preschoolers, first graders and students of pedagogical universities. CEE-SECR '17: Proceedings of the 13th Central & Eastern European Software Engineering Conference in Russia, October 2017. No. 21. P. 1–7. 2017

4. А. Г. Кушниренко, А. Г. Леонов, С. А. Поликарпов. БЕЗОШИБОЧНЫЙ ДВУМЕРНЫЙ ПИКТОГРАММНЫЙ СИНТАКСИС В УЧЕБНОЙ СРЕДЕ ПРОГРАММИРОВАНИЯ ДЛЯ ДОШКОЛЬНИКОВ. ДОКЛАДЫ РОССИЙСКОЙ АКАДЕМИИ НАУК. МАТЕМАТИКА, ИНФОРМАТИКА, ПРОЦЕССЫ УПРАВЛЕНИЯ, 2023, том 511, с. 13–19, DOI: 10.31857/S2686954323700169

5. Kaidong Li, Wenchi Ma, Usman Sajid, Yuanwei Wu, Guanghui Wang. Object Detection with Convolutional Neural Networks. arXiv preprint arXiv:1912.01844, 2019.

6. Syed Sahil Abbas Zaidi, Mohammad Samar Ansari, Asra Aslam, Nadia Kanwal, Mamoona Asghar, Brian Lee. A Survey of Modern Deep Learning based Object Detection Models. arXiv preprint arXiv:2104.11892, 2021.

7. Qingqing Xu, Zhiyu Zhu, Huilin Ge, Zheqing Zhang, Xu Zang. Effective Face Detector Based on YOLOv5 and Superresolution Reconstruction, 2021. doi: 10.1155/2021/7748350

8. PyTorch, https://pytorch.org/

9. YOLOv5 https://github.com/ultralytics/yolov5

10. Suorong Yang, Weikang Xiao, Mengcheng Zhang, Suhan Guo, Jian Zhao, Furao Shen. Image Data Augmentation for Deep Learning: A Survey. arXiv preprint arXiv:2204.08610 , 2022.

11. Pappu Kumar Yadav, J. Alex Thomasson, Stephen W. Searcy, Robert G. Hardin, Ulisses Braga-Neto, Sorin C. Popescu, Daniel E. Martin, Roberto Rodriguez, Karem Meza, Juan Enciso, Jorge Solorzano Diaz, Tianyi Wang. Assessing The Performance of YOLOv5 Algorithm for Detecting Volunteer Cotton Plants in Corn Fields at Three Different Growth Stages. arXiv preprint arXiv:2208.00519, 2022.

12. Леонов А.Г., Райко М.В., Райко И.Г., Ковыршина В.А., Хольхина A.A. Алгоритмиады как элементы ускорения обучения информатике в сборнике ИНФОРМАТИЗАЦИЯ ОБРАЗОВАНИЯ И МЕТОДИКА ЭЛЕКТРОННОГО ОБУЧЕНИЯ: ЦИФРОВЫЕ ТЕХНОЛОГИИ В ОБРАЗОВАНИИ Материалы VI Международной научной конференции, место издания Красноярский государственный педагогический университет им. В.П. Астафьева Красноярск, тезисы, с. 179-186