CC BY
0ПРИМЕНЕНИЕ БИБЛИОТЕК PYTHON ДЛЯ ВИЗУАЛИЗАЦИИ НАУЧНЫХ КОНЦЕПЦИЙ В ОБРАЗОВАТЕЛЬНЫХ ЦЕЛЯХ
*Аркабаев Нуркасым Кылычбекович, 2Бабаназар уулу Доолотбек
1,2Ошский государственный университет https://doi.org/10.5281/zenodo.13897866
Аннотация. В статье исследуется эффективность применения библиотек Python для визуализации научных концепций в образовательном процессе. Проведен сравнительный анализ библиотек Matplotlib, Seaborn, Plotly, Bokeh и Altair с точки зрения их применимости в различных научных дисциплинах. На основе экспериментальных занятий и опросов студентов и преподавателей оценено влияние Python-визуализаций на понимание сложных концепций, мотивацию и вовлеченность учащихся. Результаты показывают значительное улучшение усвоения материала и повышение интереса студентов к предмету. Выявлены проблемы внедрения, включая необходимость дополнительной подготовки преподавателей и обеспечения технической инфраструктуры. Разработаны рекомендации по оптимальному использованию Python-визуализаций в образовательных программах. Исследование демонстрирует потенциал Python-визуализаций для повышения качества образования в естественных и точных науках.
Ключевые слова: python, визуализация данных, образовательные технологии, научные концепции, интерактивное обучение, Matplotlib, Seaborn.
Abstract. This article examines the effectiveness of Python libraries for visualizing scientific concepts in education. A comparative analysis of Matplotlib, Seaborn, Plotly, Bokeh, and Altair libraries is conducted, focusing on their applicability in various scientific disciplines. Based on experimental classes and surveys of students and teachers, the impact of Python visualizations on understanding complex concepts, motivation, and student engagement is evaluated. The results show significant improvement in material comprehension and increased student interest in the subject. Implementation challenges are identified, including the need for additional teacher training and technical infrastructure. Recommendations for the optimal use of Python visualizations in educational programs are developed. The study demonstrates the potential of Python visualizations to enhance the quality of education in natural and exact sciences.
Keywords: python, data visualization, educational technologies, scientific concepts, interactive learning, Matplotlib, Seaborn.
Введение
В эпоху информационного взрыва и цифровой трансформации образования визуализация данных и научных концепций приобретает всё большее значение. Актуальность этой темы обусловлена рядом факторов, имеющих существенное влияние на современный образовательный процесс.
Прежде всего, визуальное представление информации значительно улучшает её восприятие и запоминание, что подтверждается исследованиями в области когнитивной психологии. Согласно теории двойного кодирования Пайвио (Спиридонов и Фаликман, 2011, с. 110), информация, представленная как визуально, так и вербально, усваивается лучше, чем информация, представленная только одним способом. Это особенно важно в
контексте усложнения современных научных концепций, которые становятся всё более абстрактными и трудными для понимания.
Кроме того, современная наука оперирует огромными массивами данных, и визуализация становится ключевым инструментом для их анализа и интерпретации. Навыки визуализации данных становятся критически важными для будущих специалистов в различных областях. Визуализация также способствует междисциплинарной интеграции знаний, помогая студентам устанавливать связи между различными областями науки (Ainsworth, S. 2006, с. 186).
Современная наука оперирует огромными массивами данных. Визуализация является ключевым инструментом для анализа и интерпретации этих данных, что делает навыки визуализации критически важными для будущих специалистов (Hey, T. и др., 2009, с. 154). Развитие цифровых технологий открывает новые горизонты в образовании, предоставляя беспрецедентные возможности для создания интерактивных и динамических визуализаций. В этом контексте язык программирования Python играет особую роль в современном образовательном процессе, особенно в области визуализации данных и научных концепций.
Python известен своей доступностью и простотой освоения, что делает его идеальным языком для обучения программированию в образовательном контексте. Он обладает богатой экосистемой библиотек для научных вычислений и визуализации, таких как NumPy, Matplotlib, Seaborn, Plotly, что позволяет создавать сложные визуализации с минимальными усилиями.
Широкое применение Python в различных научных дисциплинах, от физики и биологии до экономики и социальных наук, делает его универсальным инструментом для междисциплинарных исследований и образования. Более того, навыки программирования на Python и визуализации данных высоко ценятся на рынке труда, что повышает мотивацию студентов к их освоению.
Особенно важна способность Python создавать интерактивные визуализации и симуляции, что способствует активному обучению и экспериментированию. Это позволяет студентам не только пассивно воспринимать информацию, но и активно взаимодействовать с ней, что значительно улучшает понимание сложных концепций.
Цель данного исследования - оценить эффективность применения библиотек Python для визуализации научных концепций в образовательном процессе и разработать рекомендации по их оптимальному использованию. Для достижения этой цели исследование фокусируется на нескольких ключевых аспектах.
В рамках работы проводится сравнительный анализ популярных библиотек Python для визуализации, таких как Matplotlib, Seaborn, Plotly, Bokeh, Altair, с точки зрения их применимости в образовательном контексте. Исследование включает разработку и реализацию серии экспериментальных занятий с использованием Python-визуализаций в различных научных дисциплинах (VanderPlas J., 2023, p. 35).
Особое внимание уделяется оценке влияния использования Python-визуализаций на понимание студентами сложных научных концепций, их мотивацию и вовлеченность в образовательный процесс. Также исследуется влияние применения Python-визуализаций на развитие у студентов навыков программирования и анализа данных.
В ходе исследования выявляются основные проблемы и ограничения, связанные с внедрением Python-визуализаций в образовательный процесс. На основе полученных результатов разрабатываются методические рекомендации по эффективному внедрению и
использованию Python-визуализаций в образовательных программах различных научных дисциплин.
Наконец, определяются перспективные направления дальнейших исследований в области применения программных средств визуализации в образовании. Данное исследование призвано внести вклад в развитие методологии преподавания сложных научных концепций и способствовать повышению качества образования в области естественных и точных наук.
Материалы и методы
Для всестороннего исследования эффективности применения библиотек Python в визуализации научных концепций в образовательных целях была разработана комплексная методология, включающая как количественные, так и качественные методы анализа.
В рамках исследования были выбраны пять наиболее популярных библиотек Python для визуализации: Matplotlib, Seaborn, Plotly, Bokeh и Altair. Выбор этих библиотек обусловлен их широким распространением в научном и образовательном сообществе, а также разнообразием их функциональных возможностей. Каждая из этих библиотек была оценена по ряду критериев, включая простоту использования, разнообразие типов графиков и диаграмм, качество и эстетику визуализаций, интерактивность, производительность при работе с большими объемами данных, возможности интеграции с другими инструментами, качество документации и поддержки сообщества, а также гибкость настройки и кастомизации.
Для сбора данных были использованы различные методы. Прежде всего, был проведен обширный анализ литературы, включающий обзор научных статей, книг и онлайн-ресурсов по теме визуализации в образовании. Это позволило сформировать теоретическую базу исследования и определить текущее состояние проблемы в научном сообществе.
Важной частью исследования стал онлайн-опрос преподавателей различных дисциплин. Опрос был направлен на выявление их опыта использования Python для визуализации в образовательном процессе, а также на определение основных проблем и преимуществ этого подхода. В опросе приняли участие преподаватели из различных университетов, что обеспечило разнообразие точек зрения и опыта.
Для более глубокого понимания практического применения Python-визуализаций в образовании был проведен анализ конкретных случаев (case studies) использования этого подхода в различных образовательных учреждениях. Это позволило выявить лучшие практики и потенциальные проблемы при внедрении визуализаций в учебный процесс.
Центральным элементом исследования стала серия экспериментальных занятий, разработанных специально для оценки эффективности Python-визуализаций в обучении. Эти занятия охватывали различные научные дисциплины, включая физику, биологию, химию и математику. В рамках эксперимента были сформированы контрольная и экспериментальная группы студентов. Экспериментальная группа обучалась с использованием интерактивных визуализаций, созданных с помощью Python, в то время как контрольная группа изучала те же концепции традиционными методами.
Для оценки эффективности визуализаций использовались различные методы. Проводилось тестирование студентов до и после занятий для оценки улучшения понимания изучаемых концепций. Кроме того, использовались качественные методы оценки, включая интервью со студентами и наблюдения за их работой во время занятий. Это позволило
получить более глубокое понимание того, как визуализации влияют на процесс обучения и вовлеченность студентов.
Особое внимание было уделено оценке долгосрочных эффектов использования Python-визуализаций. Для этого проводилось отслеживание академических успехов студентов в последующих курсах, а также анализировались их выборы тем для дипломных работ и направлений дальнейшей специализации.
Для анализа собранных данных применялись как статистические методы, так и методы качественного анализа. Количественные данные, полученные из тестов и опросов, были обработаны с использованием статистических пакетов Python, включая NumPy и Pandas. Качественные данные, такие как ответы на открытые вопросы и результаты интервью, были проанализированы с использованием методов тематического анализа.
В ходе исследования особое внимание уделялось этическим аспектам. Все участники исследования предоставили информированное согласие, и была обеспечена анонимность и конфиденциальность их данных. Исследование было одобрено этическим комитетом университета, и все процедуры соответствовали установленным этическим нормам проведения исследований с участием людей.
Результаты, полученные в ходе этого комплексного исследования, позволили не только оценить эффективность применения Python-визуализаций в образовательном процессе, но и разработать конкретные рекомендации по их оптимальному использованию в различных образовательных контекстах.
Обзор библиотек Python для визуализации
Python предлагает широкий спектр библиотек для визуализации данных, каждая из которых имеет свои сильные стороны и особенности (Аркабаев и др. 2023, с. 26). В этом разделе мы рассмотрим пять наиболее популярных библиотек, широко используемых в научной и образовательной среде.
Matplotlib. Является фундаментальной библиотекой для создания статических, анимированных и интерактивных визуализаций в Python. Основными характеристиками является: широкий набор функций для создания различных типов графиков, высокая степень настройки и контроля над элементами визуализации, интеграция с NumPy и другими научными библиотеками Python и возможность создания публикационного качества графиков
Seaborn. Это библиотека статистической графики, построенная на основе Matplotlib которые ключевыми особенности является: привлекательные стили по умолчанию и цветовые палитры, встроенные темы для быстрого улучшения внешнего вида графиков, специализированные функции для визуализации статистических моделей, а также простота использования для создания сложных статистических графиков.
Plotly. Это мощная библиотека для создания интерактивных графиков основными преимуществами является: широкий спектр интерактивных графиков и диаграмм, возможность создания веб-приложений для визуализации данных, поддержка 3D-визуализации и простая интеграция с Dash для создания аналитических веб-приложений.
Bokeh. Специализируется на создании интерактивных визуализаций для веб-браузеров и умеет создание интерактивных графиков, панелей инструментов и виджетов. Есть возможности работы с большими наборами данных, а также гибкая настройка внешнего вида и поведения графиков и поддержка потоковой передачи данных в реальном времени.
Altair. Это декларативная библиотека статистической визуализации, основанная на Vega и Vega-Lite. Особенности данной библиотеки является: простой и интуитивно понятный API для создания сложных графиков, поддержка интерактивности и многослойных графиков, возможность легко комбинировать и настраивать графики, а также хорошая документация и галерея примеров
Каждая из этих библиотек имеет свои сильные стороны и наиболее подходит для определенных типов задач визуализации. В следующих разделах мы рассмотрим, как эти библиотеки могут быть применены для визуализации научных концепций в образовательном контексте.
Применение библиотек для визуализации научных концепций
В ходе исследования были разработаны и применены различные визуализации с использованием библиотек Python для объяснения сложных научных концепций в нескольких дисциплинах. Каждый пример демонстрирует уникальные возможности выбранной библиотеки и её эффективность в образовательном контексте.
В области физики (Аркабаев и др. 2024, с. 523) библиотека Matplotlib была использована для создания анимированной визуализации движения планет в Солнечной системе. Эта визуализация была разработана для демонстрации законов Кеплера о движении планет. Интерактивная анимация позволила студентам наблюдать эллиптическую природу орбит и изменение скорости планет на разных участках траектории. Возможность манипулировать параметрами, такими как масса планет и расстояние от Солнца, позволила студентам экспериментировать и наблюдать, как эти факторы влияют на орбитальное движение. Эта визуализация оказалась особенно эффективной для объяснения концепций орбитальной механики, которые часто трудно понять из статических диаграмм или текстовых описаний. import numpy as np import matplotlib.pyplot as plt from matplotlib.animation import FuncAnimation a_earth, e_earth = 1, 0.0167 a_mars, e_mars = 1.52, 0.0934 def orbit(t, a, e):
......Вычисление координат планеты на орбите......
theta = 2 * np.pi * t
r = a * (1 - e**2) / (1 + e * np.cos(theta)) x = r * np.cos(theta) y = r * np.sin(theta) return x, y fig, ax = plt.subplots(figsize=(10, 10)) ax.set_xlim(-2, 2) ax.set_ylim(-2, 2) ax.set_aspect('equal')
ax.set_title('Движение Земли и Марса по орбитам') line_earth, = ax.plot([], [], 'b-', lw=1, alpha=0.3) line_mars, = ax.plot([], [], 'r-', lw=1, alpha=0.3) point_earth, = ax.plot([], [], 'bo', markersize=8) point_mars, = ax.plot([], [], 'ro', markersize=6) def init():
line_earth.set_data([], []) line_mars.set_data([], []) point_earth.set_data([], []) point_mars.set_data([], [])
return line_earth, line_mars, point_earth, point_mars def animate(i): t=i/100
x_earth, y_earth = orbit(t, a_earth, e_earth)
x_mars, y_mars = orbit(t * np.sqrt(a_earth**3 / a_mars**3), a_mars, e_mars) line_earth.set_data(*orbit(np.linspace(0, t, 100), a_earth, e_earth)) line_mars.set_data(*orbit(np.linspace(0, t * np.sqrt(a_earth**3 / a_mars**3), 100), a_mars, e_mars))
point_earth.set_data(x_earth, y_earth) point_mars.set_data(x_mars, y_mars) return line_earth, line_mars, point_earth, point_mars anim = FuncAnimation(fig, animate, init_func=init, frames=628, interval=20, blit=True) plt.show()
Рисунок 1. Демонстрация движение Земли и Марса по орбитам
Для иллюстрации сложных математических концепций, в частности, фракталов, можно использовать библиотека Plotly. С её помощью можно создать интерактивную визуализацию множества Мандельброта. Эта визуализация позволит студентам исследовать бесконечную сложность фрактальных структур путем масштабирования и перемещения по изображению. Интерактивность Plotly дает возможность студентам самостоятельно изучать различные области фрактала, что способствовало более глубокому пониманию концепций самоподобия и бесконечной детализации. Кроме того, возможность изменения параметров генерации фрактала в реальном времени позволить наглядно продемонстрировать, как небольшие изменения в математическом уравнении могут привести к значительным изменениям в визуальной структуре фрактала.
В области биологии библиотеку Seaborn можно применить для визуализации принципов работы генетических алгоритмов. Можно создать серия графиков, отображающих эволюцию популяции решений во времени. Даная визуализации помогают студентам понять ключевые концепции эволюционных вычислений, такие как отбор, скрещивание и мутация. Возможность Seaborn создавать статистические графики высокого качества позволить наглядно продемонстрировать изменение фитнес-функции популяции на протяжении нескольких поколений. Студенты смогут визуально оценить, как различные параметры алгоритма влияют на скорость сходимости и качество получаемых решений.
Для изучения молекулярных структур в курсе химии можно использовать библиотеку Bokeh. С её помощью можно создать интерактивную 3D-визуализацию различных химических соединений. Данная визуализация позволит студентам исследовать пространственное расположение атомов в молекулах и понять влияние структуры на свойства веществ. Интерактивность Bokeh дает возможность вращать и масштабировать молекулярные модели, что значительно улучшить пространственное понимание студентами сложных молекулярных структур. Кроме того, возможность переключения между различными типами представления (шаростержневые модели, электронные облака) позволит студентам изучить разные аспекты молекулярной структуры.
В рамках курса по анализу данных можно применит библиотеку Altair для создания интерактивных графиков, демонстрирующих принципы разведочного анализа данных. Декларативный подход Altair к созданию визуализаций будет особенно полезным для обучения студентов основам грамматики графиков. Студенты смогут быстро создавать сложные, многослойные визуализации, экспериментируя с различными типами графиков и их параметрами. Это способствует развитию навыков анализа данных и критического мышления.
Сравнительный анализ эффективности различных библиотек показал, что каждая из них имеет свои сильные стороны в определенных образовательных контекстах. Matplotlib оказалась наиболее универсальной и подходящей для создания статических графиков высокого качества, что особенно важно для публикаций и презентаций. Plotly и Bokeh выделились своими возможностями создания интерактивных визуализаций, что особенно ценно для онлайн-обучения и самостоятельного изучения материала студентами. Seaborn показала себя наиболее эффективной для статистической визуализации, что делает её незаменимой в курсах по анализу данных и статистике. Altair, благодаря своему декларативному подходу, оказалась наиболее подходящей для быстрого прототипирования визуализаций и обучения основам визуального анализа данных.
Обратная связь от студентов и преподавателей подтвердила, что использование этих интерактивных визуализаций значительно улучшило понимание сложных научных концепций. Студенты отметили, что возможность взаимодействовать с визуализациями помогла им лучше понять абстрактные идеи и увидеть связи между различными концепциями. Преподаватели отметили повышение вовлеченности студентов в процесс обучения и улучшение качества дискуссий на занятиях.
Однако были выявлены и некоторые проблемы, такие как необходимость дополнительного времени на подготовку визуализаций и техническая сложность для преподавателей без опыта программирования.
Заключение
Проведенное исследование по применению библиотек Python для визуализации научных концепций в образовательных целях позволяет сделать ряд важных выводов и наметить перспективы дальнейшего развития этого направления.
Прежде всего, результаты исследования убедительно демонстрируют эффективность использования Python-визуализаций в образовательном процессе. Интерактивные визуализации, созданные с помощью библиотек Matplotlib, Plotly, Seaborn, Bokeh и Altair, значительно улучшают понимание студентами сложных научных концепций в различных дисциплинах, от физики и математики до биологии и химии. Возможность непосредственного взаимодействия с визуальными представлениями абстрактных идей способствует более глубокому и долгосрочному усвоению материала.
Особо следует отметить повышение мотивации и вовлеченности студентов в учебный процесс при использовании интерактивных визуализаций. Студенты проявляют больший интерес к изучаемым темам, активнее участвуют в обсуждениях и демонстрируют более высокий уровень критического мышления. Это не только улучшает качество образования, но и способствует развитию важных навыков, востребованных на современном рынке труда.
Сравнительный анализ различных библиотек Python для визуализации показал, что каждая из них имеет свои сильные стороны и наиболее эффективна в определенных образовательных контекстах. Matplotlib зарекомендовала себя как универсальный инструмент для создания статических графиков высокого качества. Plotly и Bokeh особенно ценны для создания интерактивных визуализаций, что делает их незаменимыми в онлайн-обучении. Seaborn показала высокую эффективность в области статистической визуализации, а Altair оказалась наиболее подходящей для быстрого прототипирования и обучения основам визуального анализа данных.
Вместе с тем, исследование выявило ряд проблем и ограничений, связанных с внедрением Python-визуализаций в образовательный процесс. Основные трудности связаны с необходимостью дополнительной подготовки преподавателей, увеличением времени на разработку учебных материалов и обеспечением технической инфраструктуры. Эти вызовы подчеркивают важность системного подхода к внедрению новых технологий в образование и необходимость постоянного повышения квалификации педагогических кадров.
Результаты исследования имеют важное практическое значение для развития современного образования в области естественных и точных наук. На основе полученных данных разработаны методические рекомендации по эффективному внедрению и использованию Python-визуализаций в образовательных программах. Эти рекомендации могут быть использованы образовательными учреждениями для модернизации учебных планов и повышения качества обучения.
Перспективы дальнейших исследований в этой области связаны с несколькими направлениями. Во-первых, необходимо более детально изучить долгосрочные эффекты использования Python-визуализаций на академические и профессиональные траектории студентов. Во-вторых, представляет интерес исследование возможностей интеграции Python-визуализаций с другими современными образовательными технологиями, такими как виртуальная и дополненная реальность. В-третьих, важно разработать более совершенные методы оценки эффективности визуализаций в образовательном процессе, учитывающие индивидуальные особенности восприятия информации студентами.
В заключение стоит отметить, что применение библиотек Python для визуализации научных концепций открывает новые горизонты в образовании, способствуя
формированию более глубокого понимания науки и развитию критически важных навыков
у будущих специалистов. Продолжение исследований в этом направлении и широкое
внедрение полученных результатов в практику образования будет способствовать
повышению качества и эффективности обучения в эпоху цифровой трансформации.
REFERENCES
1. Фаликман, М., Спиридонов, В. (2011). Когнитивная психология: история и современность. Хрестоматия. (Пер.: Фаликман М., Спиридонов В.). Москва: Ломоносовъ.
2. Ainsworth, S. (2006). Deft: A conceptual framework for considering learning with multiple representations. Learning and Instruction, Volume 16, Issue 3, pp. 183-198. https://doi .org/10.1016/j.learninstruc.2006.03.001
3. Hey, T., Tansley, S., & Tolle, K. (Eds.). (2009). The fourth paradigm: Data-intensive scientific discovery. Microsoft Research.
4. VanderPlas J. (Ред.) (2023). Python Data Science Handbook. Essential Tools for Working with Data. USA: O'Reilly Media.
5. Аркабаев, Н.К., Абдугулова, Г.С., Кудуев, А.Ж. (2024). Цифровизация обучения физике: использование компьютерных моделей и анимации. Бюллетень науки и практики, т. 10, № 3, сс. 520-532. https://doi.org/10.33619/2414-2948/100/68.
6. Аркабаев Н.К., Кудуев А.Ж., Сулайманов А.А. (2023). Обучение языка Python в школе: проблемы и эффективные методы. Вестник Ошского государственного университета. Педагогика. Психология: № 1, сс. 24-29. https://doi.org/10.52754/16948742 2023 1(2) 3
