ЭВОЛЮЦИЯ ПРИМЕНЕНИЯ ТЕХНИКИ РЕПЕРТУАРНЫХ РЕШЕТОК В ОБРАЗОВАНИИ

Патаракин Е.Д.

Московский городской педагогический университет
Москва, Россия
е-mail: patarakined@mgpu.ru

 

Введение

Техника репертуарных решеток была разработана Джорджем Келли в середине XX века как инструмент для изучения личностных конструктов, лежащих в основе восприятия и прогнозирования человеком событий и явлений. С самого начала работы Келли представляли интерес для образования, особенно в тех направлениях, где человек рассматривается не только как объект обучения, но как активный агент — исследователь и строитель собственного интеллекта [6]. Данная позиция сближала идеи Келли с подходом Симора Пейперта, который также подчеркивал роль активного сотворчества учащегося и необходимость предоставления ему инструментов для самостоятельного формирования смысловых структур [10,11]. Дж. Келли сформулировал принципиально новое понимание человека как активной познавательной системы, непрерывно выстраивающей концептуальные модели для прогнозирования и управления событиями. В основе теории персональных конструктов лежит представление о человеке как «учёном-исследователе», который формирует внутренние гипотезы о мире и проверяет их через опыт взаимодействия с реальностью. Основной постулат Келли состоит в том, что  процессы личности направляются по руслам конструктов, которые служат для прогнозирования событий  [1]. Философской основой теории Келли является принцип конструктивизма, согласно которому реальность может интерпретироваться множеством различных способов на основании индивидуальных моделей реальности. В этой парадигме не существует правильных или неправильных интерпретаций действительности — все гипотезы, позволяющие эффективно взаимодействовать со средой, имеют право на существование. Приемлемость той или иной концептуальной модели определяется не степенью её соответствия некоему «объективному образцу», а её практической эвристической значимостью [2].

Созданный Келли тест репертуарных решёток представляет собой экспериментальный метод, включающий специфические приёмы планирования и проведения исследования, обработки и интерпретации результатов. Репертуарная решётка представляет собой специально организованную матрицу, где строки соответствуют конструктам (биполярным измерениям), а столбцы — элементам (объектам оценивания). Процедура выявления конструктов основана на методе минимального контекста: испытуемому предъявляются триады элементов и предлагается назвать качество, по которому два элемента сходны между собой и отличны от третьего. Полученный ответ составляет один полюс конструкта, а противоположная характеристика третьего элемента — другой полюс. Методологическая ценность технологии репертуарных решеток заключается в возможности выявления когнитивных структур, которые часто не осознаются самим человеком, но проявляются через множество вербальных ярлыков. Последующий статистический анализ решётки позволяет построить кластерные деревья конструктов, выявить их иерархическую организацию и установить латентные связи между различными измерениями восприятия.

Ключевым преимуществом техники репертуарных решеток стала ее гибкость и универсальность. Будучи созданной математиком, методика была легко адаптирована для компьютерных реализаций, что способствовало ее раннему распространению в программных средах еще в 1970-е годы, а в 1990-е стала неотъемлемой частью образовательных компьютерных инициатив и экспериментальных платформ [7; 16]. Примеры интеграции репертуарных решеток в компьютерное обучение студентов и школьников в России и Восточной Европе включают работы, где использовалось программное обеспечение, позволяющее играть с результатами и визуализировать конструкты непосредственно в учебной среде яя

Дальнейшее развитие техники позволило использовать репертуарные решетки как социальные объекты — инструменты, которыми могут обмениваться участники сетевых образовательных сообществ, совместно формируя и совершенствуя систему личностных конструктов. В таком варианте репертуарная решетка становится не просто диагностическим инструментом, а основой для творческой и исследовательской деятельности обучающихся, что особенно важно в современных условиях цифровизации образования [4; 12; 14].

В рамках данной работы актуализируется представление о разнообразии способов использования репертуарных решеток именно в образовательной сфере. Особый интерес представляет эволюция их применения: от диагностической методики до комплексного средства совместного анализа и конструирования образовательных траекторий, в том числе при изучении новых феноменов, связанных с внедрением генеративного искусственного интеллекта. Такой подход позволяет рассматривать репертуарные решетки как универсальный инструмент поддержки самостоятельной учебной и исследовательской деятельности, воплощающий принципы субъектности, активности и системности мышления в образовательных практиках нового века.

Материалы и методы

В исследовании применялась комплексная схема, включающая этапы сбора, обработки и анализа библиометрических данных с целью картирования научного поля применения техники репертуарных решеток в образовании. Основным запросом для поиска публикаций во всех библиометрических базах данных был термин «Repertory Grid» для обеспечения единой и сопоставимой выборки. Задачей являлось изучение эволюции использования репертуарных решеток в образовательных исследованиях с помощью библиометрического картирования. Эта схема изложена на диаграмме последовательностей PlantUML, где указан последовательный поток данных и процесса анализа с разделением параллельных этапов поиска и визуализации (Рис. 1).

Рис.1. Схема библиометрического анализа

Параллельно в трех библиометрических базах данных были выполнены поиски по ключевому слову «Repertory Grid»: ACM Digital Library (ACM DL), Lens, OpenAlex. Во всех базах данные извлекались в формате RIS.

Следующий этап — слияние полученных датасетов в среде R с использованием пакета `revtools` для управления большим массивом данных. Произведена очистка данных: удаление дубликатов и публикаций с неполной или ошибочной информацией.

Последовательность объединения и обработки данных была следующей. Объединили данные, собранные из различных источников

ris_files <- c("acm.ris",  "lens.ris",  "openalex.ris")

combined_data <- read_refs(ris_files, return_df = TRUE)

В результате мы получили таблицу 2731 записей. Из этих записей мы удалили дубликаты и записи без DOI

unique_data <- deduplicate (combined_data, "title",

method = «string_osa»,

rm_punctuation = TRUE,

to_lower = TRUE)

filtered_data <- unique_data[!is.na (unique_data$doi) & unique_data$doi != "", ]

На этом этапе мы получили 1900 записей. Из них были отфильтрованы только тексты, опубликованные в книгах и журналах

filtered_significant <- filtered_data %>%

filter (source_type %in% c(«BOOK», «CHAP», «GEN», «JOUR»))

Для анализа и дальнейшей визуализации применялся пакет `Bibliometrix`, который позволил выявить ключевые тематические направления, частоту использования определённых ключевых слов и распределение авторов. Импортированные данные были загружены в VOSviewer, где реализовалась визуализация карт научных исследований. Ключевые слова были объединены с помощью тезауруса для устранения синонимов и вариаций написания и визуализированы в виде кластеров.  Аналогичный подход применён к именам авторов для консолидации различных вариантов написания. Итоговые визуализации были проанализированы с целью выявления основных исследовательских направлений и групп.

Второй этап исследования реализован через коллективное заполнение матрицы личностных конструктов в онлайн-платформе WebGrid (Rep Plus V2.0). В первом эксперименте студентам было предложено одновременно оценить восемь информационных ресурсов: Google Scholar, eLIBRARY.RU, Cyberleninka, Wikipedia, ChatGPT, Yandex.GPT, ResearchGate и ConsultantPlus, используя дихотомии, отражающие ключевые критерии выбора. В качестве полярных конструктивных шкал студенты работали с парами «Недостоверность – Достоверность», «Популярность – Научность», «Сложность – Удобство», «Ограниченность – Объем информации», «Статичность – Диалог», «Медленность – Быстрота», «Платность – Бесплатность» и «Устаревание – Актуальность». Каждая оценка выставлялась в диапазоне от 1 до 5 баллов, где значение 1 соответствовало первому полюсу (например, «Недостоверность»), а 5 – второму («Достоверность»). Второй эксперимент был организован аналогичным образом на платформе WebGrid (Rep Plus V2.0) с целью выявления личностных конструктов студентов при восприятии генеративных языковых моделей. Участникам предлагалось одновременно оценить девять элементов – GPT-4, YandexGPT, GigaChat, Qwen, Llama, Bert, Mistral, DeepSeek и Алису – используя восемь дихотомий, отражающих ключевые характеристики взаимодействия с системами ИИ. В качестве полярных шкал студенты использовали дихотомии «Медлительность – Быстрый отклик», «Непрозрачность работы – Прозрачность работы», «Не вызывает доверия – Вызывает доверие», «Шаблонность – Креативность», «Потеря контекста – Понимание контекста», «Специализированность – Универсальность», «Закрытость – Открытость» и «Просто выдаёт ответ – Показывает путь к результату». Каждая пара оцени­валась в диапазоне от 1 до 5, где значение 1 соответствовало первому полюсу («Медлительность», «Непрозрачность работы» и т. д.), а 5 – второму («Быстрый отклик», «Прозрачность работы» и т. д.).

Результаты

На основе представленных библиометрических данных можно составить следующую характеристику исследовательской области. Анализируемый корпус литературы охватывает значительный временной период с 1967 по 2025 годы, что свидетельствует о долгосрочном развитии данной научной области. Общий объем выборки составляет 1709 документов, опубликованных в 1115 различных источниках, включая журналы, книги и другие типы публикаций. Годовой темп роста публикационной активности составляет 5,39%, что указывает на устойчивое развитие области исследований. Средний возраст документов в выборке составляет 13,3 года, что характеризует относительно современное состояние научной базы знаний. В исследованиях участвует обширное научное сообщество из 4026 авторов с общим числом участия авторских 4868. Это свидетельствует о активном участии многих исследователей в нескольких публикациях. Структура авторства демонстрирует преобладание коллективных исследований: 351 автор опубликовали работы единолично, при этом доля единоличных публикаций составляет 403 документа (около 24% от общего объема). Средние показатели сотрудничества составляют 0,424 документа на автора и 2,85 соавтора на документ, что указывает на умеренный уровень научной кооперации в данной области.

Временная динамика публикационной активности показывает поэтапное развитие: начальный период (1960-1980-е годы) характеризуется низкой активностью, значительный рост наблюдается с 1990-х годов, пик публикационной активности приходится на 2010-2016 годы (максимум 114 публикаций в 2016 году), после чего отмечается некоторое снижение интенсивности исследований в последние годы.

На основе анализа наиболее продуктивных авторов в исследуемой области можно выделить ключевые характеристики научного сообщества. Лидером по общему количеству публикаций является Guillem Feixas (35 статей), что свидетельствует о его центральной роли в развитии данного направления исследований. Следующие позиции занимают David Winter (15 публикаций) и Gwo-Jen Hwang (12 публикаций), что указывает на существование узкого круга высокопродуктивных исследователей. Анализ фракционализованных показателей публикационной активности, учитывающих долевое участие каждого автора в многоавторских работах, демонстрирует несколько иную картину: Guillem Feixas сохраняет лидерство с показателем 9,90 но второе место занимает Steven Pike (6,83), а третье – Daniel T. L. Shek (6,58). Фракционализированные показатели публикационной активности авторов представляют собой значительно более точный и справедливый инструмент оценки научного вклада в библиометрических исследованиях по сравнению с традиционным подсчетом. Основная идея фракционализированного подсчета заключается в том, что каждая публикация имеет «единицу веса», которая распределяется между всеми соавторами пропорционально их вкладу. Например, если статья имеет трех авторов, то при равном распределении каждый получает 1/3 = 0,33 «доли статьи», а не полную единицу, как в традиционном подсчете. Это позволяет более точно отражать реальный вклад каждого исследователя в научное производство. Фракционализированный подсчет позволяет корректно сравнивать продуктивность исследователей из разных областей.

В анализе данных, выполненном с помощью пакета Bibliometrix в среде R, были выявлены ключевые характеристики научного сообщества, занимающегося исследованием техники репертуарных решеток.

В дальнейшем результаты анализа были детально рассмотрены и визуализированы в программе VOSviewer. На рисунке 2 представлены кластеры основных авторов, при этом для отображения на карте использовался фильтр, отсекающий авторов с числом публикаций менее четырёх.

Рис.2. Кластеры научных групп, использующих репертуарные решетки

 

Кроме того, мы проанализировали статьи, которые были отобраны на основании количества их цитирований, и получили следующий граф (рис. 3). На рисунке самые ранние публикации выделены фиолетовым цветом, а более поздние желтым. Граф в печатном и электронном издании выглядит малоинформативным, но читатель может обратиться к его развернутой и интерактивной веб-версии по адресу:

https://app.vosviewer.com/?json=https%3A%2F%2Fdrive.google.com%2Fuc%3Fid%3D1_Qg-RPnrDr6qD6gnk_T0sBA55D4SoGss

Рис. 3. Граф наиболее цитируемых публикаций по тематике репертуарных решеток

 

Обсуждение

После выявления наиболее значимых авторов на основании фракционализированных показателей, мы проанализировали, как их работы могут быть использованы в сфере образования, особенно в подготовке психологов и психолингвистов.

Фейшас (Guillem Feixas) развивает теорию персональных конструктов в направлении изучения имплицитных дилемм — внутренних конфликтов в когнитивной структуре субъектов, которые блокируют личностное развитие или прогресс в психотерапии. Его основной вклад заключается в разработке методов выявления таких конфликтов с помощью репертуарных решеток и создании протоколов психотерапевтической работы с ними. Эти работы сосредоточены преимущественно на клинической психологии и психотерапии [5], а не на образовательных применениях данной техники.

В работах Гво-Джен Хван (Gwo-Jen Hwang) репертуарные решётки используются прежде всего для понимания того, как студенты и преподаватели конструируют представления об образовательных технологиях и средах обучения[17]. Хван внедряет репертуарные решётки в онлайн-и мобильные приложения, позволяющие участникам не только вручную записывать конструкции, но и мгновенно присваивать имена «элементам» (например, интерфейсам учебных платформ или объектам виртуальной реальности) и задавать свои биполярные конструкции через удобный графический интерфейс. Это сокращает время интервью и повышает точность сбора данных. После того как участники оценивают каждый «элемент» по выбранным конструкциям на пяти- или семибалльной шкале, Хван объединяет данные репертуарной решётки с логами взаимодействия в системе: время, затраченное на каждый элемент, навигационные паттерны и результаты тестов. Это позволяет выявить, какие конструкты действительно влияют на эффективность обучения, а также строить модели, связывающие субъективные представления с объективными метриками успеваемости. Хван проводит исследования на базе репертуарных решётки параллельно для новичков и продвинутых пользователей учебных систем, что даёт возможность сравнивать системы их конструктов. Например, в одном из его исследований новички выделяли «простоту использования — сложность» как ключевой конструкт, тогда как опытные пользователи акцентировали «гибкость функционала — ограниченность»; это помогает дизайнерам адаптировать интерфейс под разные уровни подготовки. Подход Хвана сочетает цифровизацию процедуры репертуарной решётки, интеграцию качественных конструкций с параметрами обучающих систем и продвинутую визуализацию данных для создания целостного представления о когнитивных моделях пользователей образовательных технологий.

Шоу и Гейнc (Mildred L. G. Shaw, Brian R. Gaines) развили метод репертуарных решёток в образовательных и научно-исследовательских контекстах, главным образом через создание серии программных инструментов RepGrid и WebGrid. Интерактивные веб-версии (WebGrid V) и десктопные приложения (RepGrid Plus) дают преподавателям возможность быстро развернуть анкеты для студентов, собрать данные и визуализировать когнитивные карты классов или групп. При этом скриптовый язык RepScript позволяет настраивать диалоги и экспортировать результаты в системы типа LMS или инструменты анализа учебных данных. Работы Б. Гейнса и М. Шоу демонстрируют, что компьютерные средства, позволяющие выявлять и визуализировать индивидуальные и групповые концептуальные схемы, оказываются исключительно полезными не только для исследовательских задач, но и для выяснения и сближения позиций членов профессиональных и учебных сообществ [6,9,8]. Разработанная ими система WebGrid представляет собой веб-сервер для извлечения знаний и моделирования, использующий расширенную систему репертуарных решёток для извлечения знаний [16]. Ключевое преимущество компьютерных инструментов анализа заключается в их способности обрабатывать сложные многомерные данные и представлять результаты в визуально доступной форме. Это позволяет исследователям за короткое время извлекать устойчивые закономерности из относительно небольших массивов данных [8].

В контексте современных исследований образовательных технологий репертуарные решётки приобретают особую актуальность для изучения представлений студентов высших учебных заведений о средствах генеративного искусственного интеллекта. Применение методологического аппарата Келли позволяет выявить полярные конструкты, связанные с восприятием студентами технологий генеративного ИИ. Интерпретация результатов показала, что Google Scholar получил наивысшую среднюю оценку по конструктивному полюсу «Достоверность», в то время как ChatGPT и Yandex.GPT лидировали на полюсе «Быстрота». Конструкт «Научность – Популярность» выявил интересную дифференциацию: традиционные академические базы, такие как Google Scholar и ResearchGate, ассоциировались со строгостью и глубиной научного контента, тогда как Wikipedia и ChatGPT воспринимались как более доступные и популярные источники. Результаты представлены на рисунке 4.

Рис. 4. Элементы и конструкты поля цифровых инструментов

 

Анализ агрегированных оценок по восьми конструктам показал, что GPT-4 выделяется прежде всего по критерию «Быстрый отклик», получив среднюю оценку 4 по шкале «Медлительность – Быстрый отклик», что говорит о восприятии его как наиболее оперативного инструмента. Однако по шкале «Непрозрачность работы – Прозрачность работы» GPT-4 набрала всего 1 балл, указывая на недостаток прозрачности его алгоритмических решений. При этом по шкале «Шаблонность – Креативность» GPT-4 получила высокую оценку (4 балла), что отражает её творческий потенциал. YandexGPT, несмотря на относительно низкие показатели по «Быстроте» (2 балла), продемонстрировала высокий уровень «Прозрачности работы» (4 балла), свидетельствуя о более понятном пользователям механизме генерации ответов. GigaChat получил средние оценки по всем конструкциям, не выделяясь ни по одному из критериев, что говорит о сбалансированном, но не выдающемся восприятии. Модель Qwen показала хорошее понимание контекста (4 балла по шкале «Потеря контекста – Понимание контекста») и высокую «Прозрачность работы» (4 балла), что вместе с умеренной «Креативностью» (3 балла) делает её перспективной в ситуациях, требующих как креативного, так и контекстно-чувствительного подхода. Llama получила высокие оценки по «Креативности» (3 балла) и «Показывает путь к результату» (4 балла), указывая на способность не только генерировать оригинальные тексты, но и пояснять логику своих рассуждений. Bert и Mistral, напротив, были восприняты как более специализированные (3 и 4 балла по шкале «Специализированность – Универсальность») и менее креативные модели. DeepSeek отличился высокой оценкой «Показывает путь к результату» (4 балла), хотя получил низкие баллы по «Быстроте» и «Прозрачности». Это означает, что студенты ценят способность DeepSeek аргументировать ответы, несмотря на медлительность и закрытость процесса. Наконец, Алиса получила наивысшую оценку по «Быстроте» (4 балла) и «Прозрачности работы» (4 балла), но низкую по «Креативности» (0 баллов), что отражает её сильную позицию в качестве практичного и понятного, но менее гибкого в генерации идей инструмента. В целом, результаты второго эксперимента демонстрируют разнообразие восприятия генеративных языковых моделей по ключевым конструкциям, отражая баланс между скоростью, прозрачностью, доверием, креативностью и способностью пояснять свои решения. Результаты представлены на рисунке 5.

Рис.5. Элементы и конструкты поля генеративных моделей

 

Исследования в области генеративного ИИ показывают, что его влияние на креативность и мозговую активность человека неоднозначно. Методология репертуарных решёток позволяет детально проанализировать, как студенты конструируют свои представления о взаимодействии с ИИ, какие критерии они используют для оценки эффективности такого взаимодействия, и каким образом эти представления влияют на их учебную деятельность. В предыдущих работах мы рассматривали ментальные карты и онтологии, создаваемые учащимися с помощью репертуарных решёток, как важные социальные объекты совместной деятельности [13; 3]. Эти объекты, подобно цифровым историям на языке Scratch или моделям в среде NetLogo, могут свободно обмениваться между участниками сообщества, становясь средством коллективного конструирования знаний и рефлексии над процессом обучения. Всякое действие субъекта над цифровым объектом — будь то создание, редактирование или обсуждение — формирует связь между субъектом и объектом, превращая последний в социальный объект, вокруг которого строится сотрудничество. Репертуарные решётки, созданные одним участником, могут заполняться и дополняться другими, а также сравниваться и объединяться, что способствует согласованию и развитию коллективных концептуальных схем. Таким образом, ментальные карты и онтологии, построенные с помощью репертуарных решёток, выступают не просто индивидуальными когнитивными структурами, а становятся предметом обмена, обсуждения и совместной доработки в образовательных сетевых сообществах. Это позволяет создавать динамические, разделяемые модели знаний, которые поддерживают процессы совместного обучения, творчества и рефлексии.

Схема коллективного извлечения конструктов с помощью WebGrid продемонстрировала свою эффективность для формализации и визуализации коллективных представлений студентов о сравнительных характеристиках традиционных академических ресурсов и систем генеративного ИИ, что подтверждает пригодность репертуарных решеток для исследования восприятия современных образовательных технологий.

 

 

 

Литература

1. Келли Дж. Теория личности. Психология личных конструктов. СПб: Речь, 2000. 249 с.
2. Леонтьев Д.А. Непонятый классик (к 100-летию со дня рождения Джорджа Келли (1905–1967)) // Психологический журнал. 2005. Т. 26,
   № 6. С. 111–117.
3. Патаракин Е.Д. Изучение и моделирование совместной деятельности в сетевых сообществах. Москва: Московский городской педагогический университет, 2024. 140 с.
4. Патаракин Е.Д. Педагогический дизайн совместной сетевой деятельности субъектов образования. Москва: Московский городской педагогический университет, 2017. 319 с.
5. Feixas G., Geldschläger H., Neimeyer R.A. Content analysis of personal constructs // Journal of Constructivist Psychology. United Kingdom: Taylor & Francis, 2002. Т. 15, № 1. P. 1–19.
6. Gaines B.R. Humans as Scientists: Scientists as Humans // Journal of Constructivist Psychology. Т. 26, № 3. P. 210–217.
7. Gaines B.R. Knowledge acquisition: Past, present and future // International Journal of Human-Computer Studies. Elsevier, 2013. Т. 71,
   № 2. P.135–156.
8. Gaines B.R., Shaw M.L.G. Concept maps as hypermedia components // International Journal of Human-Computer Studies. Т. 43, № 3. P. 323–361.
9. Gaines B.R., Shaw M.L.G. New directions in the analysis and interactive elicitation of personal construct systems // International Journal of Man-Machine Studies. Т. 13, № 1. P. 81–116.
10. Papert S. Mindstorms: children, computers, and powerful ideas. Da Capo Press, 1993. 258 p.
11. Papert S. What’s the big idea? Toward a pedagogy of idea power // IBM Systems Journal. Т. 39, № 3.4. P. 720–729.
12. Parandekar S.D., Patarakin E., Yayla G. Children Learning to Code: Essential for 21st Century Human Capital. Washington, DC: World Bank,
    P.151.
13. Patarakin E., Burov V., Yarmakhov B. Computational Pedagogy: Thinking, Participation, Reflection // Digital Turn in Schools—Research, Policy, Practice / под ред. Väljataga T., Laanpere M. Singapore: Springer, 2019. P. 123–137.
14. Patarakin E.D. Wikigrams-Based Social Inquiry // DIGITAL TOOLS AND SOLUTIONS FOR INQUIRY-BASED STEM LEARNING. P. 112–138.
15. Patarakin E.D., Travina L.L. Knowledge acquisition and Manipulation with the constructs on the Psychological Web-site // The Second International Conference on Distance Education in Russia. P. 2–5.
16. Shaw M.L., Gaines B.R. WebGrid: Knowledge Elicitation and Modeling on // Industrial Knowledge Management: A Micro-level Approach. Т. 335 p.
17. Sung H.-Y., Hwang G.-J. A collaborative game-based learning approach to improving students’ learning performance in science courses // Computers & Education. Т. 63. P. 43–51.
18. Travina L.L., Patarakin E.D. Kelly’s RG Test in Logo Media — Play with Results // New media and telematic technologies for education in eastern European countries / Ed. By Kommers P.A.M. et al. 1997. P. 335–339.

 

References

1. Kelly, Dzh. (2000). Teoriya lichnosti. Psikhologiya lichnykh konstruktov. Saint Petersburg: Rech’. 249
2. Leont’ev, D.A. (2005). Neponyatyj klassik (k 100-letiyu so dnya rozhdeniya Dzhordzha Kelli (1905-1967)). Psikhologicheskij zhurnal, 26(6), 111-117.
3. Patarakin, E.D. (2024). Izuchenie i modelirovanie sovmestnoj deyatel’nosti v setevykh soobshchestvakh. Moscow: Moskovskij gorodskoj pedagogicheskij universitet. 140
4. Patarakin, E.D. (2017). Pedagogicheskij dizajn sovmestnoj setevoj deyatel’nosti sub»ektov obrazovaniya. Moscow: Moskovskij gorodskoj pedagogicheskij universitet. 319 p.
5. Feixas, G., Geldschläger, H., & Neimeyer, R.A. (2002). Content analysis of personal constructs. Journal of Constructivist Psychology, 15(1), 1-19.
6. Gaines, B.R. (2013). Humans as Scientists: Scientists as Humans. Journal of Constructivist Psychology, 26(3), 210-217.
7. Gaines, B.R. (2013). Knowledge acquisition: Past, present and future. International Journal of Human-Computer Studies, 71(2), 135-156.
8. Gaines, B.R., & Shaw, M.L.G. (1995). Concept maps as hypermedia components. International Journal of Human-Computer Studies, 43(3), 323-361.
9. Gaines, B.R., & Shaw, M.L.G. (1980). New directions in the analysis and interactive elicitation of personal construct systems. International Journal of Man-Machine Studies, 13(1), 81-116.
10. Papert, S. (1993). Mindstorms: children, computers, and powerful ideas. Da Capo Press. 258 p.
11. Papert, S. (2000). What’s the big idea? Toward a pedagogy of idea power. IBM Systems Journal, 39(3.4), 720-729.
12. Parandekar, S.D., Patarakin, E., & Yayla, G. (2019). Children Learning to Code: Essential for 21st Century Human Capital. Washington, DC: World
    Bank, 151 p.
13. Patarakin, E., Burov, V., & Yarmakhov, B. (2019). Computational Pedagogy: Thinking, Participation, Reflection. In T. Väljataga & M. Laanpere (Eds.), Digital Turn in Schools—Research, Policy, Practice (pp. 123-137). Singapore: Springer.
14. Patarakin, E.D. (2017). Wikigrams-Based Social Inquiry. In Digital Tools and Solutions for Inquiry-Based STEM Learning. pp. 112-138.
15. Patarakin, E.D., & Travina, L.L. (1996). Knowledge acquisition and Manipulation with the constructs on the Psychological Web-site. The Second International Conference on Distance Education in Russia, pp. 2-5.
16. Shaw, M.L., & Gaines, B.R. (2012). WebGrid: Knowledge Elicitation and Modeling on. Industrial Knowledge Management: A Micro-level Approach, 335 p.
17. Sung, H.-Y., & Hwang, G.-J. (2013). A collaborative game-based learning approach to improving students’ learning performance in science courses. Computers & Education, 63, 43-51.
18. Travina, L.L., & Patarakin, E.D. (1997). Kelly’s RG Test in Logo Media — Play with Results. In P.A.M. Kommers et al. (Eds.), New media and telematic technologies for education in eastern European countries, pp. 335-339.

 

 

Дата поступления статьи в редакцию: 05.09.2025 г.

Дата принятия статьи к публикации: 27.09.2025 г.