СТРУКТУРЫ НАУЧНОГО СОТРУДНИЧЕСТВА ТРЁХ РОССИЙСКИХ ОРГАНИЗАЦИЙ: СОЦИОСЕМАНТИЧЕСКИЙ СЕТЕВОЙ АНАЛИЗ

Патаракин Е.Д.

Московский городской педагогический университет
129226, 2-й Сельскохозяйственный проезд, 4
Москва, Россия
e-mail: patarakined@mgpu.ru

Введение

Сравнительное изучение научных организаций и научных школ через призму публикационной активности представляет значительный методологический интерес для социологии науки, науковедения и организационной психологии [2]. Библиометрические методы позволяют объективировать структуру научного дискурса, выявляя как социальные (кто с кем взаимодействует) [1; 4], так и семантические (о чём пишут) паттерны. Объединение этих двух аналитических плоскостей в рамках социосемантического анализа открывает возможности для сравнения не только формальных структур научных сообществ, но и их концептуальных пространств. Особую актуальность подобный анализ приобретает применительно к российской психологии. Московское психологическое общество, основанное в 1885 году, наследует традиции классической европейской психологии и одновременно породило собственные научные школы мирового значения. В современной России психологическое знание организуется вокруг нескольких институциональных центров с различными традициями, задачами и моделями коллаборации. Данная работа обращается к трём ведущим центрам российской психологии: Российской академии наук (Институт психологии РАН), Московскому государственному университету имени М. В. Ломоносова (факультету психологии МГУ) и Московскому городскому педагогическому университету (МГПУ). Эти три организации представляют различные институциональные типы: академический исследовательский институт с акцентом на фундаментальные исследования, классический университет, сочетающий образование и науку, и педагогический университет с выраженной прикладной и образовательной ориентацией.

Методологически исследование опирается на понятие командности [8; 11] как интегральной характеристики степени включённости авторов в устойчивые кооперационные сети, и на социосемантический подход [5; 10], при котором сети авторских связей рассматриваются совместно с семантическим содержанием публикаций. Ключевым теоретическим допущением является то, что социальные связи и семантические паттерны эволюционируют совместно. Авторы, тесно сотрудничающие между собой, с высокой вероятностью разделяют концептуальное пространство, и наоборот.

Основной исследовательский вопрос сформулирован следующим образом: как различаются структуры научного сотрудничества и тематические профили психологов из трёх ведущих российских учреждений и что эти различия раскрывают об организации психологического знания в России?

Ответ на этот вопрос позволяет, с одной стороны, проверить применимость классической концепции «невидимого колледжа» [9] в российском контексте [3], а с другой – предложить более детализированную типологию моделей научной командности.

Материалы и методы

Исходные данные были выгружены из открытой библиометрической базы данных Lens.org – агрегатора академических публикаций, индексирующего более 200 миллионов научных работ из баз Crossref, PubMed, Microsoft Academic и патентных реестров. К сожалению, мы не могли использовать библиометрическую базу данных РИНЦ, поскольку она не предоставляет возможности свободного доступа по открытому API.

Lens.org предоставляет структурированные метаданные в формате CSV, включая список авторов, заглавие, год публикации, издание и данные о цитировании. Возможность фильтрации авторов по организационной принадлежности позволяет реконструировать локальные научные сообщества без обращения к внутренним базам данных учреждений.

В исследование вошли три датасета, репрезентирующих публикационные профили трёх российских психологических школ.

Датасет РАН охватывает 270 статей сотрудников Института психологии Российской академии наук за период 2007–2025 годов. После разбиения поля авторов получена 671 строка; выявлены 444 уникальных автора.

Датасет МГУ включает 979 публикаций за период 2007–2024 годов. После разбиения поля авторов получена 2371 строка; выявлен 1401 уникальный автор.

Датасет МГПУ содержит 59 публикаций за период 2015–2024 годов. После разбиения поля авторов получены 134 строки; выявлены 110 авторов.

Корректный сетевой анализ предполагает высокое качество исходных данных. Ключевой проблемой при работе с библиометрическими базами является неоднозначность идентификаторов авторов: один и тот же исследователь может быть представлен в разных публикациях под разными вариациями имени – с полными именами или инициалами, в различных транслитерационных вариантах, с опечатками или пропущенными диакритическими знаками. Без устранения этой неоднозначности сетевой граф соавторства содержит «фантомные» узлы, а метрики – плотность, центральность, размер наибольшей связной компоненты – оказываются систематически искажены.

Для стандартизации авторских идентификаторов применялась среда OpenRefine, реализующая подход entity resolution. Конвейер очистки включал пять последовательно применённых алгоритмов, чередующих методы разной степени агрессивности: Fingerprint (Key Collision), N-Gram Fingerprint (Key Collision), Beider-Morse Phonetic Matching (Key Collision), Levenshtein Distance (Nearest Neighbor, порог d ≤ 2) и PPM – Prediction by Partial Matching (Nearest Neighbor). Порядок определялся принципом «от консервативных процедур к более агрессивным»: сначала применялись методы с минимальным риском ложных объединений, и только после их исчерпания задействовались более агрессивные алгоритмы. Каждая операция кластеризации требовала явного подтверждения исследователем, что исключало автоматическое объединение без контроля качества.

В результате использования конвейера очистки данных число уникальных авторских записей сократилось: в датасете РАН – с 575 до 483 записей (−16,0%), в датасете МГПУ – с 121 до 112 (−7,4%), в датасете МГУ – с 1723 до 1413 (−18,0%). Различия в коэффициентах дедупликации содержательно значимы: сравнительно небольшой масштаб дедупликации в МГПУ (7,4%) отражает большую однородность авторской базы; наибольшее относительное сокращение в датасете МГУ (18,0%) свидетельствует о широкой вариативности именований, типичной для крупных агрегированных датасетов.

Сеть соавторства формально представлялась как одномодальный граф, где множество вершин V – уникальные авторы, а ребро существует тогда и только тогда, когда авторы i и j являются соавторами хотя бы одной публикации; вес ребра равен числу совместных публикаций. Данный граф является проекцией исходной двудольной сети «авторы – публикации». Для каждой школы вычислялись: глобальные характеристики графа (число вершин, рёбер, плотность, транзитивность, число компонент, размер и доля наибольшей связной компоненты, средняя длина пути в LCC), характеристики вершин (степень, взвешенная степень, betweenness-центральность, closeness-центральность, coreness) и характеристики команд (средний размер команды на публикацию, доля совместных и командных публикаций, распределение размеров команд). Для сравнения распределений степеней между школами применялись двухвыборочный критерий Колмогорова–Смирнова и непараметрический критерий Краскела–Уоллиса с post-hoc тестом Данна. Авторские роли классифицировались по двум измерениям – coreness и betweenness: «ядро-брокер» (высокий coreness и высокий betweenness), «ядро» (высокий coreness, низкий betweenness), «брокер» (низкий coreness, высокий betweenness), «периферия» (оба показателя ниже медианы). Пороги определялись по третьему квартилю соответствующего показателя внутри каждой школы. Дополнительно вычислялся индекс командности (teamness index) – нормализованный интегральный показатель, агрегирующий z-стандартизованные значения степени, стигмергии (произведение размера команды и логарифма числа цитирований) [6], продолжительности активности автора и среднего размера команды.

Для семантического анализа использовались заглавия публикаций. Тексты заглавий токенизировались, приводились к нижнему регистру, стоп-слова удалялись. Для каждой школы строилась сеть совместной встречаемости слов (co-word network): узлы – уникальные термины, рёбра – их совместное появление в одном заглавии при частоте совместной встречаемости не менее 2. Вычислялись: число уникальных терминов, плотность семантической сети, топ-10 наиболее частотных терминов. Для количественного сравнения тематических пространств школ вычислялся коэффициент Жаккара [7] по топ-50 терминам каждой пары школ.

Все расчёты выполнены в среде R с использованием пакетов igraph, tidygraph, ggraph, tidytext, widyr, rstatix и tidyverse. Финальное представление диаграмм соавторов выполнено при помощи среды Graphviz.

Результаты

Средний размер команды на публикацию составляет 2,27 автора у МГПУ, 2,42 у МГУ и 2,48 у РАН. Все три школы работают преимущественно в формате малых команд. Распределение размеров команд показывает, что в МГУ наиболее частым форматом является публикация двух авторов (320 статей), за которой следуют работы одного автора (304) и публикации с тремя (173) и четырьмя (99) авторами. В РАН доминируют одиночные и парные публикации (88 и 71 соответственно), однако присутствуют и крупные коллаборации, вплоть до 13 авторов. В МГПУ при меньшем общем числе работ лидируют статьи с двумя авторами (21), затем одиночные (17), и только две публикации насчитывают 5 авторов. Таким образом, МГУ и РАН в большей степени, чем МГПУ, порождают крупные авторские коллективы. Структурный анализ выявил принципиальные различия в топологии сетей при сопоставимой частоте соавторства (табл. 1).

Таблица 1. Основные сетевые характеристики трёх школ

Показатель	МГПУ	МГУ	РАН
Число авторов (узлов)	110	1401	444
Число рёбер	112	2479	796
Плотность	0,0187	0,00253	0,00809
Транзитивность	0,874	0,591	0,808
Средняя степень	2,04	3,54	3,59
Медианная степень	2	3	3
Число компонентов	42	300	111
Размер LCC (авторы)	7	422	29
Доля LCC, %	6,4	30,1	6,5
Средняя длина пути в LCC	~1,20	6,88	2,43
Средний coreness	1,91	2,92	3,18
Средняя betweenness	0,0000371	0,000413	0,0000605

МГПУ имеет наиболее высокую плотность (0,0187) и наиболее высокий коэффициент транзитивности (0,874), что свидетельствует о тесно связанных локальных кластерах. Однако при этом сеть крайне фрагментирована: 42 компоненты на 110 авторов, крупнейшая – всего 7 человек (6,4% от общего числа). Это классический паттерн «островков» – небольших устойчивых команд, сильно связанных внутри, но слабо соединённых между собой.

РАН при сходной доле LCC (≈6,5%) и высокой транзитивности 0,808 также представляет собой набор локально плотных групп. Однако средняя степень узла в РАН выше (3,59 против 2,04 в МГПУ), а средняя coreness – наибольшая из трёх школ (3,18), что указывает на более глубокое ядро внутри каждого кластера.

МГУ отличается принципиально: при наименьшей плотности (0,00253) и меньшей транзитивности (0,591) она содержит гигантскую компоненту, охватывающую 422 автора, или 30,1% всей сети. Это свидетельствует о том, что МГУ функционирует не как набор изолированных команд, а как интегрированное поле соавторства, в которое включена значительная часть школы.

Распределение весов рёбер показывает, что в подавляющем большинстве случаев соавторства во всех трёх школах являются разовыми: 92,9% рёбер в МГПУ, 88,7% в МГУ и 93,0% в РАН имеют вес 1 (одна совместная публикация). Тем не менее МГУ выделяется несколько большей долей повторных связей: 11,3% рёбер имеют вес ≥ 2 (против 7,1% в МГПУ и 7,0% в РАН), а 2,9% рёбер вес ≥ 3 (против 1,8% и 2,1%). Наиболее сильные диадические связи также сосредоточены в МГУ: отдельные пары публиковались вместе до 8 раз, тогда как максимальный вес ребра в МГПУ равен 3, а в РАН – 4.

В МГПУ самый продуктивный автор имеет 7 публикаций; лидеры по степени центральности характеризуются скромными значениями (максимальная степень 6). Большинство авторов с высокой степенью встроены в маленькие плотные компоненты при очень низкой betweenness, что указывает на локальную координирующую роль без структурного брокерства. В РАН наиболее продуктивные авторы достигают 11 публикаций, а лидеры по степени – значений 12–13. Однако у многих высокостепенных авторов значения betweenness близки к нулю: они занимают центральные позиции внутри конкретных кластеров, не связывая разные части сети. Это согласуется с сегментированной структурой из нескольких относительно автономных ядер. МГУ демонстрирует принципиально иной паттерн продуктивности. Некоторые авторы имеют по 28 публикаций, а максимальное число достигает 43. Принципиально важно, что те же авторы одновременно показывают наибольшую betweenness-центральность: например, первый по продуктивности автор сочетает степень 43 с нормализованным betweenness 0,0469, а второй по продуктивности автор – степень 33 с betweenness 0,0345. Это означает, что наиболее центральные акторы МГУ не просто продуктивны в соавторстве, но они соединяют различные части сети, выполняя роль институциональных брокеров.

Агрегированный командный профиль (табл. 1) подтверждает, что авторы МГПУ в среднем занимают более мелкие и локально ограниченные позиции, тогда как авторы МГУ и РАН более глубоко встроены в сетевое ядро. При этом РАН имеет наибольший средний показатель coreness, что поддерживает гипотезу о сильных локальных ядрах; но значительно меньшая гигантская компонента и более низкая средняя betweenness по сравнению с МГУ говорят о том, что эти ядра остаются более сегментированными.

Распределение авторов по командным ролям особенно показательно. В МГПУ 67,3% авторов классифицированы как брокеры и 32,7% как «ядро-брокеры»; авторов в ролях «чистого ядра» или «периферии» не выявлено. Этот нетипичный паттерн соответствует небольшой компактной сети, где большинство активных авторов выполняют посредническую функцию внутри или между малыми кластерами, не образуя выраженной иерархии.

В МГУ и РАН большинство авторов относятся к категории периферии (59,7% и 55,4% соответственно), а доля «чистого ядра» составляет 15,1% и 19,1%. Подобная структура типична для крупных научных полей с относительно ограниченным ядром, организующим коллаборацию вокруг широкой периферийной базы.

Тематический анализ заглавий публикаций фиксирует содержательные различия в концептуальных пространствах трёх школ. Коэффициент Жаккара для топ-50 терминов показывает наибольшее сходство между РАН и МГУ (J = 0,321), затем между МГПУ и МГУ (J = 0,287), и наименьшее – между РАН и МГПУ (J = 0,181). Тематический профиль РАН отражает фундаментальные и теоретические направления психологии: психологические, когнитивные и группоориентированные концепты устойчиво доминируют в заглавиях. МГУ сочетает широкий тематический охват с выраженным присутствием клинико-психологических, психолого-педагогических и инклюзивных направлений, что соответствует профилю крупного университета с разнообразными прикладными программами. МГПУ демонстрирует более специфичный концептуальный профиль, тяготеющий к психологии образования, компетентностным подходам и педагогическим технологиям.

Семантические сети также различаются по плотности: наиболее компактная сеть co-word связей у МГПУ, что согласуется с меньшим объёмом корпуса; наиболее разветвлённая – у МГУ, где большой объём публикаций порождает широкую сеть концептуальных ко-ориентаций.

Обсуждение

Полученные результаты позволяют интерпретировать три рассмотренные школы как три различных типа организационной и социосемантической конфигурации научного сообщества.

МГПУ наиболее точно характеризуется как компактная экология малых, высокосплочённых и слабо взаимосвязанных команд. Коллаборация является реальной и частой, но почти исключительно локализованной. Высокая транзитивность при минимальном размере гигантской компоненты указывает на то, что коллективы внутри себя тесно связаны (приближаются к кликам), но лишены структурных мостов наружу. Средняя длина пути в LCC около 1,20 означает, что практически все авторы крупнейшего кластера – прямые соавторы друг друга. В терминах командности: локальная командность высока, но общешкольное «командное поле» структурно фрагментировано. Это соответствует образу учреждения, в котором исследовательская деятельность разворачивается в рамках небольших стабильных коллективов, каждый из которых может иметь собственный тематический профиль, и где между коллективами практически нет авторов-посредников. Сеть соавторства МГПУ представлена на рис. 1.

Рис. 1. Сеть соавторства МГПУ.

РАН представляет иной тип: сеть среднего масштаба с умеренной плотностью и значительной фрагментированностью. Наличие 111 компонент при сравнительно небольшом размере крупнейшей из них (29 авторов) указывает на мозаичную структуру, где отдельные исследовательские группы относительно автономны. В отличие от МГУ, здесь не формируется гигантская компонента, играющая роль «метасообщества»; вместо этого существует набор плотных локальных ядер с высоким уровнем внутреннего coreness. Высокая транзитивность (0,808) свидетельствует о сильной кластерной кооперации, тогда как низкие значения betweenness у большинства центральных акторов указывают на то, что эти кластеры остаются ориентированными внутрь. В терминах командности: сильные команды и высококорные локальные ядра, но менее выраженная общая «магистраль» школы. Подобная конфигурация характерна для академических структур, где исследовательские лаборатории или группы обладают значительной автономией и формируют собственные когнитивно-социальные подсистемы. Сеть соавторства РАН представлена на рис. 2.

Рис. 2. Сеть соавторства РАН.

МГУ представляет третий – и наиболее институционально интегрированный – тип. Крупная гигантская компонента (422 автора, 30,1% сети), несколько авторов с высоким сочетанием degree и betweenness, большая доля повторных связей – всё это указывает на наличие широкого интегрированного поля коллаборации, в котором множество команд соединено через общую структуру. Авторы-брокеры не просто продуктивны – они связывают различные части сети, обеспечивая циркуляцию соавторства и, вероятно, концептуальных норм между подгруппами. Средняя длина пути в LCC (6,88) при значительной численности компоненты указывает на большую длину кооперационных маршрутов: исследователи связаны друг с другом через цепочки посредников, что соответствует образу дифференцированного поля с несколькими «подцентрами» активности. Фрагмент гигантской компоненты соавторства МГУ представлен на рис. 3.

Рис. 3. Сеть соавторства МГУ (гигантская компонента).

Концепция «невидимого колледжа» описывает неформальные элитные сети приблизительно 100 исследователей, поддерживающих интенсивный информационный обмен и устанавливающих нормы исследовательской ориентации в своей дисциплине. В применении к данным исследования эта концепция обнаруживает как свою объяснительную силу, так и ограничения. Для МГУ концепция «невидимого колледжа» применима в наибольшей мере: гигантская компонента в 422 автора, несколько высокоцентральных акторов-брокеров, устойчивые повторяющиеся диадические связи – всё это создаёт инфраструктуру для формирования общих дискурсивных стандартов и языковых норм, распространяемых через структуру соавторства. Нормативная функция «невидимого колледжа» может реализовываться в МГУ через роль авторов с высоким betweenness, соединяющих различные субполя. В РАН концепция применима лишь частично: сильные локальные ядра могут функционировать как автономные «невидимые колледжи» на уровне лабораторий или исследовательских программ, однако на уровне всей школы единого «невидимого колледжа» не формируется. Российский академический контекст, где исследовательские группы обладают высокой автономией в рамках институциональных структур, порождает не одну, а несколько параллельных таких сетей. В МГПУ концепция наименее применима: здесь отсутствуют как характерная численность элитного ядра, так и многозвенная интеграция. Вместо этого существуют малые локальные коллективы, которые скорее соответствуют модели «исследовательской группы», нежели «невидимого колледжа» в классическом смысле.

Тематические показатели дополняют сетевую картину. Высокий коэффициент Жаккара между РАН и МГУ (J = 0,321) указывает на значительное пересечение концептуальных пространств: обе школы работают с близкими наборами понятий, несмотря на различия в сетевой архитектуре. Напротив, более низкое значение для пары РАН–МГПУ свидетельствует о том, что МГПУ специализируется на тематически более специфичном наборе направлений. С точки зрения социосемантического подхода это означает, что разные школы демонстрируют различные режимы сопряжения социального и смыслового уровней. В МГУ крупное ядро и авторы-брокеры создают предпосылки для формирования общих дискурсивных стандартов. В РАН множественность локальных ядер предполагает большую тематическую неоднородность, где разные группы поддерживают собственные семантические подсистемы. В МГПУ локальные микросети, слабо связанные между собой, вероятно, порождают ещё более фрагментированный семантический ландшафт. Сравнение показателей командности для трёх научных школ приведено на рис. 4.

Рис. 4. Сравнительная командность научных школ.

Важным методологическим итогом исследования является демонстрация того, что простого подсчёта доли соавторских публикаций недостаточно для характеристики командности. Если ограничиться этим показателем, три школы выглядят весьма схожими (67–71% совместных публикаций). Однако сетевой анализ обнаруживает принципиальные различия в структурной организации коллаборации. Командность не сводится к частоте соавторства – она определяется также тем, сосредоточена ли коллаборация в изолированных микрокомандах, организована вокруг сегментированных локальных ядер или интегрирована в более широкую и связную школьную сеть. Не менее значима роль предварительной очистки данных. Без дедупликации авторов плотности, размеры компонентов и распределения степеней были бы систематически искажены. В датасете РАН до очистки потенциально существовало до 92 «фантомных» вершин, каждая из которых порождала ложные разрывы в составе LCC. После дедупликации реальная структура соавторства становится видимой – и именно с ней соотносятся теоретические интерпретации.

Проведённый анализ имеет ряд ограничений. Во-первых, все данные основаны на индексировании Lens.org, которое неполно представляет отечественные издания на русском языке. Во-вторых, несмотря на многоэтапную дедупликацию, остаётся вероятность неустранённых вариантов записи одного автора под разными именами. В-третьих, заглавия статей отражают лишь верхний уровень содержания публикации и подчинены жанровым нормам, что ограничивает глубину семантического анализа. Включение аннотаций, авторских ключевых слов и полных текстов существенно обогатило бы семантический слой.

Литература

1. Дудко В.В., Патаракин Е.Д. Исследование научных школ университета средствами библиометрического картирования // Территория новых возможностей. Вестник Владивостокского государственного университета. 2023. Т. 15. № 1(65). С. 150–167. DOI: 10.24866/VVSU/2949-1258/2023-1/150-167.
2. Журавлев А.Л., Костригин А.А. Количественный анализ журнальных публикаций Института психологии РАН по научному направлению психологии нравственности в 2002–2021 гг. Часть 1: библиометрический анализ // Институт психологии Российской академии наук. Социальная и экономическая психология. 2024. Т. 9. № 1(33). С. 216–239. DOI: 10.38098/ipran.sep_2024_33_1_10.
3. Патаракин Е.Д., Буров В.В. «Незримый колледж» МЭШ // Вестник Московского городского педагогического университета. Серия «Информатика и информатизация образования». 2022. № 2(60). С. 38–52. DOI: 10.25688/2072-9014.2022.60.2.04.
4. Патаракин Е.Д., Кутузов А.И., Дворецкая И.В. Мультимодальная учебная аналитика: библиометрический и онтологический анализ // Образование и наука. 2025. Т. 27. № 7. С. 33–71.
5. Basov N., Roth C. Socio-Semantic Networks // Handbook of Culture and Social Networks / ed. by N. Crossley, P. Widdop. Cheltenham: Edward Elgar Publishing, 2025. pp. 251–270. DOI: 10.4337/9781803928784.00027.
6. Bassanetti T., Cezera S., Delacroix M. et al. Cooperation and deception through stigmergic interactions in human groups // Proceedings of the National Academy of Sciences. 2023. Vol. 120. No. 42. Article e2307880120. DOI: 10.1073/pnas.2307880120.
7. Costa L. da F. Further Generalizations of the Jaccard Index [Electronic resource]. 2021. arXiv:2110.09619. URL: https://arxiv.org/abs/2110.09619 (дата обращения: 02.05.2026).
8. DeChurch L.A., Lungeanu A., Contractor N.S. Think like a team: Shared mental models predict creativity and problem-solving in space analogs // Acta Astronautica. 2024. Vol. 214. pp. 701–711. DOI: 10.1016/j.actaastro.2023.10.022.
9. de Solla Price D.J., Beaver D. Collaboration in an invisible college // American Psychologist. 1966. Vol. 21. No. 11. pp. 1011–1018. DOI: 10.1037/h0024051.
10. Roth C., Cointet J.-P. Social and semantic coevolution in knowledge networks // Social Networks. 2010. Vol. 32. No. 1. pp. 16–29. DOI: 10.1016/j.socnet.2009.04.005.
11. Secchi D., Neumann M. Team Structure and Task Performance (Version 1.0.5) [Электронный ресурс] // CoMSES Computational Model Library. 2024. URL: https://www.comses.net/codebases/3a340ef1-1992-4a5a-8e09-5dac9f541720/releases/1.0.5/ (дата обращения: 03.05.2026).

References

1. Dudko V.V., Patarakin E.D. Issledovanie nauchnykh shkol universiteta sredstvami bibliometricheskogo kartirovaniya. Territoriya novykh vozmozhnostey. Vestnik Vladivostokskogo gosudarstvennogo universiteta, 2023, vol. 15, no. 1(65), pp. 150–167. DOI: 10.24866/VVSU/2949-1258/2023-1/150-167.
2. Patarakin E.D., Kutuzov A.I., Dvoretskaya I.V. Mul’timodal’naya uchebnaya analitika: bibliometricheskiy i ontologicheskiy analiz. Obrazovanie i nauka, 2025, vol. 27, no. 7, pp. 33–72. DOI: 10.17853/1994-5639-2025-7-33-71.
3. Patarakin E.D., Burov V.V. «Nezrimyy kolledzh» MESH. Vestnik Moskovskogo gorodskogo pedagogicheskogo universiteta. Seriya «Informatika i informatizatsiya obrazovaniya», 2022, no. 2(60), pp. 38–52. DOI: 10.25688/2072-9014.2022.60.2.04.
4. Zhuravlev A.L., Kostrigin A.A. Kolichestvennyy analiz zhurnal’nykh publikatsiy Instituta psikhologii RAN po nauchnomu napravleniyu psikhologii nravstvennosti v 2002–2021 gg. Chast’ 1: bibliometricheskiy analiz. Institut psikhologii Rossiyskoy akademii nauk. Sotsial’naya i ekonomicheskaya psikhologiya, 2024, vol. 9, no. 1(33), pp. 216–239. DOI: 10.38098/ipran.sep_2024_33_1_10.