73186

Информационный поиск в Веб

Лекция

Информатика, кибернетика и программирование

Гипертекст - принцип организации информационных массивов, при котором отдельные информационные элементы связаны между собой ассоциативными отношениями, обеспечивающими быстрый поиск необходимой информации и/или просмотр взаимо- связанных данных.

Русский

2014-12-05

76.69 KB

0 чел.

Лекция 2

Информационный поиск в Веб

Гипертекст и Интернет

Гипертекст – форма организации взаимосвязи между отдельными фрагментами текста.

Определение: Гипертекст - принцип организации информационных массивов, при котором отдельные информационные элементы связаны между собой ассоциативными отношениями, обеспечивающими быстрый поиск необходимой информации и/или просмотр взаимо- связанных данных. Информация из истории гипертекстовых технологий:

В 1945 году Ванневер Буш (Vannevar Bush) создал первую фотоэлектрическую память и приспособление Memex (memory extension), представляющее собой справочник, реализованный путем гиперссылок в пределах документа. Тед Нельсон (Ted Nelson) в 1965 году ввел термин "гипертекст" и создал гипертекстовую систему Xanadu с двухсторонними гиперсвязями.

В 1980 году Тим Бернерс-Ли (Berners-Lee), консультант CERN (Европейская организация ядерных исследований) написал программу, позволяющую создавать и просматривать гипертекст, реализующая двунаправленные связи между документами в коллекции [69].

В 1990 году для поддержки документации, циркулирующей в CERN Бернерс-Ли начал работу над графическим интерфейсом пользователя (GUI) для гипертекста. Эта программа была названа "WorldWideWeb". К 1992 году уже были созданы такие GUI как Erwise и Viola. Браузеры – программы визуализации гипертекста в среде WWW.

В феврале 1993 года Марк Андрессен (Mark Andressen) из NCSA (Национальный Центр Суперкомпьютерных приложений США, www.ncsa.uiuc.edu) закончил начальную версию программы визуализации гипертекста Mosaic для популярного графического интерфейса Xwindow System под UNIX. Одновременно CERN развивал и улучшал HTML - язык гипертекстовой разметки текстов, и HTTP - протокол передачи гипертекста, а также сервер обработки гипертекстовых документов - CERN HTTPD.

Протокол передачи гипертекстовых данных HTTP.

HTTP (HyperText Transfer Protocol) - это протокол передачи Web-страниц по сети Интернет. Изначально протокол HTTP использовался исключительно для передачи HTML - документов, но в настоящее время посредством HTTP можно передавать любую информацию, в том числе картинки, звук, видео, а также просто абстрактные файлы.

HTML - основной язык гипертекстовой разметки в Интернет.

Преимущества и недостатки:

- простота;

- ориентация на эффективную визуализацию, оформление;

- нет ориентации на автоматическую обработку;

- нет однотипности представления контента, что затрудняет поиск.

3) Модель Web-пространства

В ноябре 1999 года один из руководителей института поиска и анализа текстов, входящего в исследовательское подразделение IBM, Андрей Брёдер (Andrei Broder) и его соавторы из компаний AltaVista, IBM и Compaq математически описали "карту" ресурсов и гиперсвязей Web. Проследив с помощью поискового механизма AltaVista свыше 200 млн. Web-страниц и несколько миллиардов ссылок, размещенных на этих страницах, ученые пришли к выводу о структуре Web-пространства как ориентированного графа, в котором вершины соответствуют Web-страницам, а ребра – соединяющим эти страницы гиперссылкам. В рамках этой модели задача анализа структуры связей между отдельными Web-страницами было обнаружено:

- центральное ядро (28% Web-страниц) - компоненты сильной связности (SCC).

- 22% Web-страниц - это "отправные Web-страницы" (IN). Они содержат гиперссылки, которые в конечном счете ведут к ядру, но из ядра к ним попасть нельзя.

- столько же - 22% - "оконечных Web-страниц" (OUT), к которым можно прийти по ссылкам из ядра, но нельзя вернуться назад.

- 22% Web-страниц - отростки - полностью изолированы от центрального ядра: это либо "мысы", связанные гиперссылками со страницами любой другой категории, либо "перешейки", соединяющие две Web-страницы, не входящие в ядро.

В модели учтены и "острова", которые вообще не пересекаются с остальными ресурсами Internet. Единственный способ обнаружить ресурсы этой группы - знать адрес.

4) Статическая и динамическая составляющие Web-пространства:

- информация долгосрочного характера.

- обновляемая информация.

Модель Бартона-Кеблера учитывает обе составляющие:

m(t) = 1 – ae-T – be-2T,

где m(t) – доля полезной информации.

5) Web-порталы

Современные интегрированные Интернет-ресурсы, реализующие функции:

- Информационный сервис (поиск и получение информации).

- Бизнес-функции.

- Инструментарий пользователя, помогающий ему создавать свой контент.

- Сервис общения.


6) «Скрытый» Web

Совокупность Web-ресурсов, не видимая «глобальными» поисковыми системами, в том числе динамически формируемые Web-страницы и документы из баз данных.

Некорректность расчета объемов «островов» по Бредеру ввиду предопределенного списка Web-ресурсов из базы данных системы AltaVista.

Каталоги «скрытого» Web:

- Сomplete Рlanet (http://www.completeplanet.com/ ) – каталог, содержащий актуальный список свыше 20000 ресурсов "скрытого" Web.

- Librarians' Index to the Internet (http://lii.org/) – каталог, содержащий свыше 14000 Internet-ресурсов. LII также включает ссылки на "скрытые" в Web-пространстве базы данных. Есть ссылка "and databases" (добавить базу данных).

- FindLaw (http://www.findlaw.com/) –каталог правовых ресурсов, содержащий аннотированный список свободно доступных баз данных нормативно-правовых документов, для которых данный ресурс является «точкой входа».

- InfoMine (http://infomine.ucr.edu) - ресурс, содержащий ссылки на 120000 документов, представленных в 9 аннотированных баз данных.

Попытки интеграции доступа к объектам «скрытого» Web – системы поиска в «скрытом» Web.

7) Основные проблемы, связанные с развитием Интернет-контента

- Прогресс в области производства информации ведет к снижению уровня информированности.

- Интенсивность роста объемов шумовой информации во много раз превышает интенсивность роста объемов полезной информации.

ОБЩИЕ СВЕДЕНИЯ ОБ ИНФОРМАЦИОННО-ПОИСКОВЫХ СИСТЕМАХ

1) История информационно-поисковых систем (Fulltext Retrieval System)

Информационно-поисковая система - система, выполняющая функции:

- хранения больших объемов информации;

- быстрого поиска требуемой информации;

- добавления, удаления и изменения хранимой информации;

- вывода информации в удобном для человека виде.

Первые полнотекстовые информационно-поисковые системы появились в начале компьютерной эры. Назначением этих систем был поиск в библиотечных каталогах, архивах, массивах документов, таких как, статьи, нормативные акты, рефераты, тексты брошюр, диссертаций, монографий. В начале информационно-поисковые системы (ИПС) использовались преимущественно в библиотечном деле и в системах научно-технической информации.

1965 – 1970:

- Dialog, MARK, STAIRS

1990 – 1995:

- Z39.50, Galileo, WAIS

1995 – 2006:

- RetrievalWare, Autonomy, AltaVista, Яндекс, Google…

2) Сетевые ИПС

Сегодня миллионам пользователей Интернет известны такие информационно-поисковые системы, как Google, Yahoo, AltaVista, AllTheWeb, MSN … Яndex, Рамблер, которые охватывает миллиарды Web-документов.

В отличие от реляционных СУБД, у систем полнотекстового поиска не существует стандартизированного языка запросов. У каждой системы этого типа существует свой способ задания критериев поиска. Очень часто языки запросов поисковых систем приближены к SQL, однако каждой из них присущ ряд индивидуальных особенностей, связанных с такими моментами, как:

- интерпретация операций, зависящих от порядка расположения слов в тексте (операций контекстной близости слов и др.);

- реализация вычисления близости найденных документов запросам (релевантности) для представления результатов поиска;

- применение нестандартных функций, требующих, например, использования методов искусственного интеллекта (нахождение документов по принципу подобия, построение дайджестов из фрагментов документов, сниппетов и др.)

В различных полнотекстовых ИПС различаются архитектуры, структуры данных, алгоритмы их обработки, методы организации поиска.

2) Характеристики ИПС:

- Полнота

- Релевантность

Понятие пертинентности как характеристики информационно-поисковой системы, означающее соответствие полученной информации информационной потребности.

Таблица оценки качества ИПС в TREC (РОМИП):

Коэффициент полноты:

p = a / (a + c)

Коэффициент точности:

n = a / (a + b)

Коэффициент осадков:

q = b / (a + b)

Коэффициент специфичности:

k = d / (b + d)

11-точечный график полноты/точности TREC (РОМИП)

11-точечный график полноты/точности отражает изменение точности в зависимости от требований к полноте и дает более полную информацию, чем единая метрика в виде одной цифры. По оси абсцисс на графике откладываются значения полноты, по оси ординат – значение точности при условии, что рассматривается начальный отрезок результатов запроса, на котором достигается заданный уровень полноты. Для запроса, которого известно n релевантных документов, полнота может принимать дискретные значения 0, 1/n, 2/n, ... , 1.

Для того, чтобы можно было получать единый график полноты/точности для множества запросов

1. рассматриваются фиксированные значения полноты 0.0, 0.1, 0.2, ... , 1.0 (всего 11 значений);

2. используется специальная процедура интерполяции точности для данных фиксированных значений полноты;

3. для множества запросов производится усреднение точности для заданных уровней полноты.

Интерполированное значение точности равно максимальному значению точности при уровне полноты большем или равным заданному.

Подробно описывается процедура построения 11-точечного графика, а также пример построения графика.

3) Технологические характеристики:

- скорость обработки запросов;

- полнота охвата ресурсов;

- вероятность получения ответа от системы;

- нахождение документов, подобных найденным;

- возможность уточнения запросов;

- возможность подключения переводчиков и т.д.

4) Недостатки традиционных информационно-поисковых систем

- недостаточная оперативность;

- зависимость от выбора источников;

- слабые поисковые возможности;

- отсутствие средств уведомления о нахождении новой информации;

- недостаточная защита данных;

- слабо развитые средства обобщения данных.

ОСНОВНЫЕ МОДЕЛИ ПОИСКА

1) Булева модель поиска

Базируется на теории множеств и математической логике.

Каждый запрос – логическое выражение, связываемое операторами AND, OR, NOT.

Архитектура ИПС, базирующихся на булевой модели.

Пример – организация наборов данных в ИПС STAIRS (IBM).

Состав таблиц ИПС с инвертированными списками:

- текстовая;

- указатели на тексты;

- словарь уникальных слов;

- инверсная, содержащая списки номеров документов, соответствующих определенным словам.

Описание процесса поиска информации в ИПС с инвертированными списками:

- обращение к словарю уникальных слов;

- обращение к инверсной таблице;

- обращение к указателям на тексты;

- обращение к текстовой таблице.

2) Векторно-пространственная модель поиска

Классическая алгебраическая модель. Документ описывается вектором в некотором евклидовом пространстве. Каждому терму сопоставляется вес, характеризующийся частотой, местоположением, тематикой и т.п.

Запрос – также вектор в евклидовом пространстве. Близость запроса документу – скалярное произведение.

Подход к взвешиванию термов/документов – TF*IDF:

TF – частота появления терма в документе;

IDF – величина, обратная количеству документов массива, которые содержат данный терм.

Векторно-пространственная модель обеспечивает:

- обработку запросов без логических ограничений их длины;

- простоту реализации режима поска подобных документов;

- сохранение результатов поиска с возможностью выполнения уточняющего поиска.

3) Вероятностная модель поиска

Базируется на теоретических основах байесовой условной вероятности.

Основной подход – вероятностная оценка весов терминов в документах.

Функционирование модели базируется как на экспертных оценках пользователей, которые признают документ релевантным/нерелевантным, так и на априорных оценках вероятности того, что документ является релевантным исходя из состава входящих в него терминов.

Первоначально в вероятностной модели использовалось упрощение, предполагающее независимость вхождения в документ любой пары термов («наивный» байесовский подход).

В случае применения экспертных оценок процесс поиска – итерационный. На каждом шагу итерации, благодаря режиму обратной связи, определяется множество документов, отмеченных пользователем как удовлетворяющих его информационным потребностям.

Модель широко используется для решения вспомогательных задач: определения тональности сообщений, выявления спама и т.д.

4) Байесовский подход к решению проблемы спама

В методе Байеса подразумевается использование оценочной базы — двух корпусов электронных писем, один из которых составлен из спама, а другой — из обычных писем. Для каждого из корпусов подсчитывается частота использования каждого слова, после чего вычисляется весовая оценка (от 0 до 1), характеризующая условную вероятность того, что сообщение с этим словом является спамом. Значения весов, близкие к ½, не учитываются при интегрированном расчете, поэтому слова с такими весами игнорируются и удаляются из словарей.

В соответствии с методом, предложенным Полом Грэмом (Paul Graham), если сообщение содержит n слов с весовыми оценками w1...wn, то оценка условной вероятности того, что письмо окажется спамом, основанная на данных из оценочных корпусов, вычисляется по формуле:

Приведенная формула обосновывается следующим соображением. Предполагается, что S – cобытие, заключающееся в том, что письмо – спам, А – событие, заключающееся в том, что письмо содержит слово t. Тогда, в соответствии с формулой Байеса, справедливо:

Если изначально не известно, является письмо спамом или нет, исходя из опыта предполагается, что P(S) = λ P(S), из чего следует:

Далее формула обобщается следующим образом. Предполагается, что A1 и A2 – это события, заключающиеся в том, что письмо содержит слова t1 и t2. При этом вводится допущение, что эти события независимы (поэтому метод называется «наивным» байесовским). Условная вероятность того, что письмо, содержащее оба слова (t1 и t2) является спамом, равна:

Обобщением формулы на случай произвольного количества слов и λ=1 и является формула П. Грэма.

Следует отметить, что широкое применение находит именно значение λ=1. Хотя это несколько упрощает вычисления, но серьезно искажает действительность и снижает качество.

На практике на основе словарей, которые постоянно модифицируются, для каждого сообщения рассчитывается значение Spm. Если оно больше некоторого порогового, то сообщение считается спамом.

5) Недостатки рассмотренных моделей:

- Булева модель – невысокая эффективность поиска, жесткий набор операторов, невозможность ранжирования.

- Векторно-пространственная модель связана с расчетом массивов высокой размерности, малопригодна для обработки больших массивов данных.

- Вероятностная модель характеризуется низкой вычислительной масштабируемостью, необходимостью постоянного обучения системы.

Приведенные классические модели изначально предполагали рассмотрение документов как множества отдельных слов, не зависящих друг от друга. Такая упрощающая концепция имеет название «Bag of Words». В реальных системах это упрощение преодолевается, например, расширенная булева модель учитывает контекстную близость (операторы NEAR, ADJ во многих известных системах). Системы, базирующиеся на вероятностной модели учитывают вхождение словосочетаний и связи отдельных терминов, хотя большинство из известных систем борьбы со спамом, построенные на вероятностной модели все-таки базируются на упрощенном подходе независимости отдельных слов.

Кроме представленных существуют и другие методы поиска, например, семантические, в рамках которых делаются попытки организации смыслового поиска за счет анализа грамматики текста, использования баз знаний, тезаурусов, онтологий, реализующих семантические связи между отдельными словами и их группами. Такие подходы пока остаются очень затратными, область их применения – профессиональные аналитические системы.

РАНЖИРОВАНИЕ РЕЗУЛЬТАТОВ ПОИСКА

Ранжирование - процесс, при котором поисковая система:

- принимает запрос пользователя;

- находит все подходящие веб-страницы; и выстраивает их в определенном порядке по принципу наибольшего соответствия конкретному запросу.

Выведение рейтинга зависит от алгоритма ранжирования, которым пользуется поисковая машина.

1) Задача ранжирования

В результате поиска пользователь может получить обширный список релевантных документов. Сортировка этого списка таким образом, чтобы наиболее важные для пользователя документы были в начале этого списка, в технологиях ИПС принято называть ранжированием результатов поиска или ранжированием откликов ИПС.

Необозримость возможного списка приводит к идее сортировки всей базы данных по определенным параметрам, которая заменяет поиск.

Сортировка результатов поиска по уровню релевантности подходит не для всех моделей поиска (например, не подходит для булевой модели).

Перспективный путь – использование многопрофильных шкал, сформированных на основе метаданных, использование кластерного анализа.

Реализация сюжетных цепочек в тематических информационных массивах и их взвешивание рассматриваются как один из алгоритмов ранжирования.

2) Особенности ранжирования текстовых и гипертекстовых документов

- Ранжирование гипертекстовых документов по ссылкам.

- Ранжирование текстовых документов - по уровню релевантности и другим параметрам (времени публикации, авторитетности источника, автора).

3) Ранжирование с учетом гиперсвязей - HITS и PageRank HITS (Hyperlink Induced Topic Search):

Применение метода латентного семантического индексирования к ранжированию выдачи информационно-поисковых систем, основанному на цитировании.

Алгоритм HITS обеспечивает выбор из информационного потока лучших «авторов» (первоисточников) и «посредников» (документов от которых идут ссылки цитирования). Понятно, что страница является хорошим посредником, если она содержит ссылки на ценные первоисточники, и наоборот, страница является хорошим первоисточником, если она упоминается хорошими посредниками.

Для каждого документа рекурсивно вычисляется его значимость как первоисточника ap и посредника hp по формулам:

ap = Σ hq, hp=Σ aq.

Если ввести понятие матрицы инциденций A, элемент которой аij равен единице, если документ Di содержит ссылку на документ Dj, и нулю в противном случае, то алгоритм HITS обеспечивает выбор наиболее авторитетных документов документов (первоисточников – ap или посредников - hp), которые предположительно соответствуют собственным векторам матриц AAT и ATA с наибольшими модулями собственных значений. В этом смысле алгоритм HITS эквивалентен LSI.

Действительно, пусть, в соответствии с сингулярным разложением A= USVT, S – квадратная диагональная матрица. Тогда AAT = USVT VSUT = US I SUT = US2UT, где S2 – диагональная матрица с элементами sii

2. Очевидно, как и при LSI, собственные векторы, соответствующие наибольшим сингулярным значениям AAT и/или ATA будут соответствовать наиболее статистически важным авторам и/или посредникам.

Алгоритм вычисления рангов HITS влечет рост рангов страниц при увеличении количества и степени связанности страниц соответствующего сообщества. В этом случае в результат выдачи информационно-поисковой системы может попасть много страниц на темы, не соответствующие информационной потребности пользователя, то есть часть выдаваемых результатов, соответствующих требуемой теме, может оказаться не доминирующей. Это обуславливает присвоениe высших рангов страницам на тему, не требуемую пользователем, т.е. происходит смещение тематики (topic drift).

Как некоторое расширение стандартного алгоритма HITS рассматривается алгоритм PHITS - Probabilistic HITS, авторы - Д. Кон (D. Cohn) и Х. Чанг (H. Chang). Предполагается: D – множество цитирующих документов, C – множество ссылок, Z- множество классов (факторов).

Пусть d Є D, генерируется с вероятностью P(d).

Условные вероятности P(c|zk) и P(zk|d) для описания зависимостей между наличием ссылки c Є C, латентным фактором zk Є Z и документом - d.

Оценивается (максимизируется функция):

L(D,C) = П P(d,c) = Пc є C, d є D P(d)P(c|d),

где

P(c|d) = Σk P(c|zk) P(zk|d).__

Задача состоит в том, чтобы подобрать P(zk), P(c|zk), P(zk|d), чтобы максимизировать L(D,C).

После этого:

P(c|zk) – ранги первоисточников

P(d|zk) – ранги посредников.

Для вычисления рангов необходимо задать количество факторов в Z, и тогда P(c|zk) будет характеризовать качество страницы как “первоисточника” в контексте тематики zk. Кроме того, итеративный процесс зачастую останавливается не на абсолютном, а на локальном максимуме функции правдоподобия L.

В ситуациях, когда в множестве Web-страниц нет явного доминирования тематики запроса PHITS ведет себя лучше HITS.

PageRank:

Алгоритм PageRank близок по идеологии к литературному индексу цитирования и рассчитывается с учетом количества ссылок из других документов на данный документ. PageRank, в отличие от литературного индекса цитирования, не считает все ссылки равными.

Объяснение принципа подсчета ранга Web-страницы PageRank следующее. Рассматривается процесс, при котором пользователь сети Internet открывает случайную Web-страницу, из которой переходит по случайно избранной гиперссылке. Потом он перемещается на другую Web-страницу и снова активизирует случайную гиперссылку и т.д., постоянно переходя от странице к странице, никогда не возвращаясь. Иногда ему такое блуждание надоедает, и он снова переходит на случайную Web-страницу - не по ссылке, а набрав вручную некоторый URL. В этом случае, вероятность того, что блуждающий в Сети пользователь перейдет на некоторую определенную Web-страницу - это ее ранг - PageRank. PageRank Web-страницы тем выше, чем больше других страниц ссылается на нее, и чем эти страницы популярнее.

Пусть есть n страниц T={T1, Т2, …, Tn}, которые ссылаются на данный документ (Web страницу А) , а C(A) — общее число ссылок с Web-страницы А на другие документы. Пусть d (damping factor) - это вероятность того, что пользователь, пересматривая какую-нибудь Web страницу из множества Т, перейдет на страницу А по ссылке, а не набирая ее URL или другими средствами. Тогда вероятность продолжения Web-серфинга не используя гиперссылок, путем ручного введения адреса (URL) из случайной страницы будет составлять 1-d. Индекс PageRank PR(A) для страницы А вычисляется по формуле:

PR(A) = (1-d) + d (PR(T1)/C(T1) + … + PR(Tn)/C(Tn)).

Таким образом индекс легко подсчитывается простым итерационным алгоритмом.

Несмотря на расхождение данных алгоритмов, в них общее то, что авторитетность (вес) узла зависит от веса других узлов, а уровень "посредника" зависит от того, насколько авторитетные соседние узлы. Кроме того, оба алгоритмы используют вычисление собственных векторов для матриц взаимосвязи (инциденций) соответствующих Web-страниц. Расчет авторитетности отдельных документов сегодня широко используется в таких применениях, как определение порядка сканирования документов, ранжирование результатов поиска, формирование тематических сюжетов и т.п. Формулы расчета авторитетности постоянно совершенствуются. Предполагается, что применение этих алгоритмов в будущем станет еще более эффективным, так как гиперссылки между документами постоянно оптимизируются с учетом предпочтений пользователей и ориентируясь на существующие методы их обработки поисковыми системами.

4) Модель выявления основных и маргинальных тем в новостных потоках

В этом алгоритме ключевые слова (устойчивые словосочетания) из сообщений или отдельные сообщения информационных потоков, порождаемых информационными Web-сайтами, выступают аналогами дискретных сигналов. Каждому сообщению приписывается вес, который равен усредненной частоте появления во всем информационном потоке значимых ключевых слов. Очевидно, чем меньше этот вес, тем документ более уникальный. Рассматривается двухпроходный алгоритм формирования словаря уникальных слов из входного массива из N сообщений (первый проход), а также весов отдельных сообщений (второй проход). Вес сообщения определяется по формуле:

где WD – вес сообщения, w – ключевое слово из сообщение, |D| - количество ключевых слов в документе. В рамках модели как вес ключевых слов употребится частота их появлений во входном информационном потоке. В свою очередь, эта частота зависит от объема самого потока и от количества уникальных слов, т.е. объема автоматически формированного словаря уникальных слов.

5) Ранжирование новостных сайтов «по Хиршу»

В 2005 г. в области наукометрии произошло важное событие - физиком Йоргом Хиршем был предложен новый метод оценки научных публикаций, претендующий на более высокую точность и, что особенно важно, объективность по сравнению с получившим широкое распространение индексом цитирования.

Метод состоит в подсчете числа h публикаций одного автора, на которые имеется не менее h ссылок. Учёный имеет индекс h, если h из его Np статей цитируются как минимум h раз каждая, в то время как оставшиеся (Np – h) статей цитируются менее чем h раз каждая. На практике общая цитируемость соотносится с цитируемостью по Хиршу следующим образом:

Параметр Хирша для сайта-источника равен максимальному количеству дней в месяце (h), в течение которых было зафиксировано не менее h внешних ссылок на данный сайт (параметр на практике подсчитывается для новостных сайтов).

Рейтинг Хирша характеризует как регулярность ссылок на источники, так и количество этих ссылок. Показатель Хирша учитывает стабильность авторитетности источника на протяжении длительного периода.


 

А также другие работы, которые могут Вас заинтересовать

7916. Література. Драматургія. Архітектура та містобудування. Живопис. Музика. Музеї. Українські підприємці-благодійники. Родини Терещенків та Харитоненків 34.55 KB
  Література. Драматургія. Архітектура та містобудування. Живопис. Музика. Музеї. Українські підприємці-благодійники. Родини Терещенків та Харитоненків Мета: Створити умови для всебічного розуміння учнями всіх особливостей розвитку української культур...
7917. Фольклор та декоративно-ужиткове мистецтво. Повсякденне життя: звичаї, традиції, побут. Зміни у житті українських жінок. Особливості релігійного життя 26.35 KB
  Фольклор та декоративно-ужиткове мистецтво. Повсякденне життя: звичаї, традиції, побут. Зміни у житті українських жінок. Особливості релігійного життя МЕТА: розуміння учнями всіх особливостей розвитку народного мистецтва. пов...
7918. Поняття людини як біосоціальної істоти 22.26 KB
  Поняття людини як біосоціальної істоти Людина... Хто вона така? На перший погляд це питання зовсім просте. Хто ж не знає, хто така людина? Адже на рівні здорового глузду кожен з нас впевнено виділяє людину з оточуючого середовища, її відмінність від...
7919. Радянська українізація та культурна революція. Освіта та наука 68 KB
  Радянська українізація та культурна революція. Освіта та наука. Перемога радянської влади в Україні призвела до того, що всі досягнення в галузі українізації були визнані контрреволюційними, націоналістичними та ворожими народу. В 1919 та на початку...
7920. Українська культура періоду ІІ світової війни 58 KB
  Українська культура періоду ІІ світової війни Радянські митці у своїх творах оспівували масовий героїзм, стійкість, ратні подвиги радянських воїнів, їх безмежну відданість Комуністичній партії, беззавітну любов до Батьківщини. У період Великої Вітчи...
7921. Політика Українізації 59 KB
  Українізація Причини українізації Політикаукраїнізаціїсуперечила великодержавним прагненням ВКП(б), але була вимушена ворожим ставленням до радянської влади з боку населення України, національна свідомість якого зросла за попередні десят...
7922. Освіта: братські школи, Острозька та Києво-Могилянська колегії (Академії) 82.5 KB
  Освіта: братські школи, Острозька та Києво-Могилянська колегії (Академії). Братства - релігійно-національні товариства, що їх створювали при церковних парафіях члени ремісничих та цехових організацій по містах України в 15-17 ст., продовжуючи традиц...
7923. Як зацікавити сучасних школярів предметами духовно-морального спрямування 17.73 KB
  Як зацікавити сучасних школярів предметами духовно-морального спрямування. Ессе на конкурс до Острозької академії. На сучасному етапі розвитку українського суспільства постає проблема виховання моральності школярів. Так як, батьківська турбота сьогодні, в основному, орієнтується на матеріа...
7924. Правобережна Україна в другій половині ХVIII століття 65.5 KB
  Тема уроку. Правобережна Україна в другій половині ХVIII століття. Мета уроку: охарактеризувати події другої половині ХVIII століття на території правобережної України розглянути особливості повстань на західній Україні розвивати вміння учнів анал...