Теория и методика профессионального образования | Мир педагогики и психологии №02 (115) Февраль 2026

Формирование учебной автономности на основе цифрового метакогнитивного трекера

Устюжанина Диана Дмитриевна
ассистент преподавателя, Ижевский технический университет имени М.Т. Калашникова, РФ, г. Ижевск, e-mail: d.d.ustyuzhanina@istu.ru

Аннотация: Статья посвящена проблеме формирования учебной автономности будущих педагогов инженерно-технического профиля в условиях цифровой трансформации образования. Целью исследования является теоретическое обоснование и практическая разработка инновационного метода формирования учебной автономности студентов педагогических направлений подготовки на основе цифрового метакогнитивного трекера. В основу метода положены идеи педагогики автономии, теории саморегулируемого обучения и метакогнитивного развития. Методологическую базу исследования составили труды, посвященные цифровым методом формирования учебной автономности и концепции цифровой педагогики. В ходе исследования применялись методы анализа и систематизации научных данных, моделирования педагогических процессов, синтеза идей использования современных цифровых платформ для формирования учебной автономности будущих педагогов. Результаты. Полученные теоретические данные могут быть использованы для разработки педагогического метода цифрового метакогнитивного трекера, который, в свою очередь, может выступать средством индивидуальной аналитики и самооценки студентов: фиксации динамики и уровня достижения учебных целей, а также подготовки рефлексивных отчётов по итогам выполненной деятельности. Предусмотренный в рамках метода ИИ чат-бот может быть использован для автоматической визуализации прогресса и рекомендаций по дальнейшему развитию учебной автономности. Заключение. Предложенный метод позволит интегрировать цифровые средства аналитики и педагогические принципы автономности в единый процесс формирования метакомпетенций будущего педагога инженерно-технического профиля. Его внедрение будет способствовать формированию у студентов способности к саморазвитию, самоорганизации, рефлексии и принятию ответственности за учебный результат. Метод может быть адаптирован для различных направлений подготовки и использоваться как инструмент педагогического сопровождения в цифровой образовательной среде.
Ключевые слова: будущие педагоги, учебная автономность, метакогнитивные стратегии, цифровая образовательная среда, саморегуляция, искусственный интеллект.

Ustyuzhanina Diana Dmitrievna
teaching assistant, Kalashnikov Izhevsk State Technical University, Russia, Izhevsk

Abstract: The article addresses the problem of developing learning autonomy among future teachers in the context of the digital transformation of education. The purpose of the study is to provide theoretical justification and practical development of an innovative method for fostering learning autonomy among students of pedagogical programs in engineering and technical education based on a digital metacognitive monitoring. The method is grounded in the principles of the pedagogy of autonomy, self-regulated learning theory, and metacognitive development. The methodological framework is based on studies devoted to digital approaches to the formation of learning autonomy and the concepts of digital pedagogy. The research employed methods of analysis and systematization of scientific data, pedagogical process modeling, and synthesis of ideas related to the use of modern digital platforms for developing learning autonomy in future teachers. Results. The theoretical findings can be used to design a pedagogical method built around a digital metacognitive monitoring, which serves as a tool for individual analytics and self-assessment, allowing learners to track the dynamics of their learning goals, evaluate achievement levels, and record reflective reports. The integrated AI chatbot can automatically visualize students’ progress and generate recommendations for further development of learning autonomy. Conclusion. The proposed method enables the integration of digital analytics tools and pedagogical principles of autonomy into a unified process for developing the meta-competencies of future teachers in engineering and technical fields. Its implementation contributes to the formation of students’ capacities for self-development, self-organization, reflection, and responsibility for their learning outcomes. The method can be adapted for various areas of teacher education and used as an instrument of pedagogical support in a digital learning environment.
Keywords: future teachers, learning autonomy; metacognitive strategies; digital learning environment; self-regulation; artificial intelligence.

Введение. Современное образование развивается в условиях цифровизации всех сфер общественной жизни. Цифровые технологии и искусственный интеллект становятся не только инструментами автоматизации рутинных процессов, но и ключевыми факторами трансформации содержания и методов обучения. Однако традиционные методы формирования учебной автономности (учебный контракт, портфолио, дневники и др.) не в полной мере учитывают влияние цифровой образовательной среды и возможности интеллектуальной аналитики.

Между тем, немногочисленные исследования в этой сфере, преимущественно зарубежные, свидетельствуют об эффективности процесса развития автономности обучающихся и успешного усвоения ими учебного материала с помощью разработанных для этой цели адаптивных приложений.

Возникает потребность в новых методах, которые интегрируют метакогнитивное сопровождение, саморегуляцию, цифровую рефлексивность, поддерживаемые цифровыми средствами и искусственным интеллектом. Таким образом актуальность исследования обусловлена цифровой трансформацией образования, за счет которой значительная часть учебной деятельности переместилась в электронную среду, которая требует от обучающихся принципиально иного уровня самостоятельности, при котором они выступают активными субъектами собственного образования и требует от них высокого уровня сформированности учебной автономности.

Научная новизна работы заключается в решение данной потребности посредством теоретического обоснования разработки метода формирования учебной автономности на основе метакогнитивного трекера.

Цель исследования: теоретически обосновать и разработать метод формирования учебной автономности обучающихся на основе метакогнитивного трекера как средства формирования учебной автономности будущих педагогов инженерно-технического профиля.

В процессе исследования использовались следующие методы исследования: анализ психолого-педагогической и научно-методической литературы по проблеме формирования учебной автономности и цифровизации образования; сравнительно-сопоставительный анализ традиционных и инновационных подходов к развитию учебной автономности обучающихся; системно-структурный анализ компонентов метакогнитивного трекера учебной автономности; прогностический метод для определения перспектив внедрения разработанного метода в образовательную практику.

Современное состояние проблемы. По определению Leutner D., система считается адаптивной, если она способна самостоятельно подстраиваться к изменяющимся условиям. Сегодня существует множество адаптивных обучающих сред, однако единых стандартов их построения пока нет [1].

В статье Rachel Van Campenhout 2020 года «Supporting Metacognitive Learning Strategies Through an Adaptive Application» изучаются возможные методы помощи обучающимся при использовании метакогнитивных стратегий и определяются характеристики адаптивного приложения, которое может быть использовано для успешного ее предоставления [2].

Campenhout предлагает осуществлять трансляцию учебных теорий обучающимся через систему, которую она концептуализирует как адаптивное приложение. По задумке автора, приложение должно собирать данные о студенте (цели, установки, мотивация через опросники), а также получать информацию о его активности (частота входа, работа с материалом, выполнение заданий). На основе этого оно выдаёт в нужное время метакогнитивные подсказки, которые, по идее Campenhout, являются главным инструментом адаптивного приложения [2].

Исследования показывают, что:

• адаптивные подсказки эффективнее случайных [3];
• подсказки помогают студентам лучше осознавать своё обучение и повышают его результативность [4], [5].

В статье «SRLAgent: Enhancing Self-Regulated Learning Skills through Gamification and LLM Assistance» 2025 года проведено исследование, представляющее смешанный подход к обучению, содержащий полуструктурированные интервью и опросы [6].

Основываясь на результатах формирующего исследования, авторами разработана SRLAgent – ​​интерактивная система на базе Minecraft, предназначенная для развития навыков самообучения в реальной жизни студентов, предусматривающая помощь большой языковой модели (LLM) [6].

SRLAgent помогает студентам на этапах постановки целей (предварительное обдумывание), стратегического мониторинга и активного обучения (результат), и рефлексивной оценки своего опыта обучения (рефлексия), встраивая стратегии самообучения в увлекательный игровой процесс [6].

Результаты исследования показали, что SRLAgent эффективно развивает способности учащихся на этапах предвидения и выполнения модели SRL Циммермана, подчеркивая ценность явного целеполагания и механизмов обратной связи в реальном времени [7]. Описательные тенденции указывают на то, что SRLAgent может положительно влиять на вовлеченность и доверие обучающихся к системам искусственного интеллекта, предлагая перспективные направления для будущих исследований и улучшений в разработке [6].

Также в исследовании «SRLAgent: Enhancing Self-Regulated Learning Skills through Gamification and LLM Assistance» были рассмотрены Большие языковые модели (LLM), такие как GPT, открывающие новые возможности для поддержки SRL [6].

Эксперимент подтвердил, что SRLAgent:

• способствует развитию метакогнитивных стратегий (цели, мониторинг, рефлексия);
• повышает мотивацию и вовлечённость через геймификацию;
• может служить полезным инструментом для тренировки SRL в цифровой среде [6].

Авторы отмечают, что важным условием успеха является баланс: подсказки должны быть адаптивными и ненавязчивыми, чтобы поддерживать, но не подменять саморегуляцию.

Полученные результаты исследования «SRLAgent: Enhancing Self-Regulated Learning Skills through Gamification and LLM Assistance» являются обоснованием для внедрения в наш метакогнитивный трекер обратной связи от LLM в качестве позитивного помощники рефлексии обучающимся.

В статье Qianrun Mao «Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework» 2024 года  представлена ​​новая концептуальная модель, интегрирующая генеративный искусственный интеллект (GAI) и учебную аналитику (LA) для развития самонаправленного роста – динамической компетенции, позволяющей учащимся итеративно управлять собственными траекториями развития в различных контекстах [8].

В условиях цифровизации и широкого внедрения ИИ возникает угроза чрезмерной зависимости студентов от образовательных технологий и генеративного ИИ, что снижает их самостоятельность. ИИ часто упрощает доступ к информации, но не всегда формирует субъектность обучающегося (learner agency), его способность к саморазвитию. Требуется новый подход, где ИИ не подменяет мышление, а поддерживает развитие самообучающейся личности. Поэтому авторы вводят новое понятие Self-Directed Growth (SDG) или самонаправленное развитие как расширение концепции самонаправленного обучения (SDL) [8].

SDG – это динамическая компетенция, объединяющая саморефлексию, критическое мышление и стратегическое самооценивание [8].

Концептуальная модель A2PL (Aspire to Potentials for Learners) заключается в переосмыслении самонаправленного развития (SDG), которое включает в себя три важных компонента:

1. 1. Capacity to Aspire – компетенция к стремлениям (человеческая перспектива: ценности, устремления, долгосрочные цели).
   2. Complex Thinking – комплексное мышление (конструктивистская перспектива: умение работать с неопределёнными, сложными задачами).
   3. Self-Assessment – самооценка (прагматическая перспектива: навыки суммативной и формирующей самооценки) [8].

В данной модели самонаправленного обучения ИИ используется не как источник готовых знаний, а как коллаборативный партнёр, помогающий студенту: формулировать вопросы, строить самооценку, рефлексировать над собственными целями. В приложении используется связка Generative AI + Learning Analytics, где LA отслеживает данные об учебной активности, GAI помогает превращать эти данные в рефлексивные практики (подсказки для саморефлексии, вопросы о целях и стратегии) [8].

Модель A2PL может использоваться как методологическая база для построения «адаптивного метакогнитивного трекера учебной автономности», так как учит выстраивать долгосрочные личные и профессиональные траектории.

В статье «The FLoRA Engine: Using Analytics to Measure and Facilitate Learners’ own Regulation Activities» 2024 года авторами описана созданная ими FLoRA Engine – цифровая система встроенных подсказок, которая поддерживает саморегулируемое обучение в процессе выполнения заданий, связанных с чтением и написанием эссе. Авторы разработали механизм триггеров, запускающих подсказки на разных стадиях учебной деятельности. В качестве технической базы была выбрана система Moodle Education [9].

Исследование «The FLoRA Engine: Using Analytics to Measure and Facilitate Learners’ own Regulation Activities» демонстрирует, что цифровые системы с адаптивными подсказками могут способствовать формированию учебной автономности и саморегуляции обучающихся [9].

Исследования показывают, что разговорные технологии могут значительно повысить мотивацию к обучению и его успеваемость. В частности, многофункциональные чат-боты на базе ИИ представляют собой перспективное решение для персонализации обучения, повышения вовлеченности и содействия исследовательскому обучению, чему посвящена статья «AI Chatbots as Multi-Role Pedagogical Agents: Transforming Engagement in CS Education» 2023 года [10].

Чат-боты на базе LLM способны быть не только источником знаний, но и педагогическими помощниками, которые повышают вовлечённость, поддерживают эмоции студентов и развивают их самостоятельность. Что может положительно сказываться на развитии их рефлексии и автономности.

Среди российских исследований можно выделить статью М.С. Добривской и А.А. Ворновской «Метакогнитивные стратегии в развитии учебной автономии бакалавров языковых направлений подготовки». Авторы теоретически обосновывают эффективность использования метакогнитивных стратегий для развития учебной автономии студентов бакалавриата языковых направлений подготовки. Осознанное использование описанных стратегий способствует формированию у студентов ответственности, инициативности, способности к саморегуляции и критической рефлексии [11].

Исследованием стратегий формирования метакогнитивных навыков занимались также такие авторы, как П.Х. Альмурзаева и З.А. Алтамирова. В статье «Инновационные стратегии формирования метакогнитивных навыков у студентов в условиях цифровой трансформации высшего образования» они описывают три ключевые стратегии развития метакогнитивных навыков в цифровой образовательной среде: 1) рефлексивное электронное портфолио; 2) интерактивные метакогнитивные дневники; 3) адаптивные системы обратной связи. Исследование убедительно доказало эффективность разработанных инновационных стратегий в плане формирования метакогнитивных навыков студентов, таких как: целеполагание, планирование, мониторинг, контроль, рефлексия [12].

Вместе с тем, несмотря на теоретическую и практическую значимость представленных исследований, следует отметить, что проблема разработки эффективного метода, интегрирующего наиболее актуальные компоненты развития учебной автономности студентов, такие как: адаптивная поддержка студентов с использованием ИИ чат-ботов; визуализация прогресса через дашбоард; системное связывание метакогнтивных практик с личной образовательной траекторией и цифровой рефлексивностью ˗ в настоящее время рассмотрена недостаточно и требует дальнейшего изучения.

Описание решения проблемы, предложенное автором. Одним из таких методов, по нашему мнению, может стать «Метод формирования учебной автономности на основе цифрового метакогнитивного трекера».  Этот метод является инновационным способом формирования учебной автономности через развитие цифровой рефлексивности и саморегуляции поведения, основанным на анализе поставленных целей и их достижения, управлении вниманием в цифровой среде и аналитике ИИ.

Предлагаемый метод представляет собой интеграцию педагогических и цифровых практик и обладает следующими отличительными особенностями:

1. В качестве основы формирования учебной автономности используется цифровая рефлексивность, понимаемая как способность обучающегося осознавать и анализировать собственную деятельность в цифровой среде.
2. Метод объединяет метакогнитивное сопровождение (цели, планирование, самоконтроль) и поведенческую саморегуляцию, включая управление вниманием и временем в онлайн-пространстве.
3. Вводится ИИ-аналитика учебной деятельности (анализ выполнения целей, мониторинг активности, адаптивные подсказки), которая обеспечивает персонализированную поддержку.
4. Метод предусматривает постепенное снижение внешней поддержки по мере роста самостоятельности студента.

В отличие от традиционных методов (портфолио, дневники, самооценка, адаптивные приложения), предложенный способ не ограничивается фиксацией результатов, а обеспечивает динамический анализ учебной активности в цифровой среде. В отличие от классических адаптивных систем (LMS), метод акцентируется не только на учебных действиях, но и на метакогнитивных и поведенческих аспектах (внимание, саморегуляция, критическое мышление). В отличие от обычных трекеров прогресса, метод интегрирует ИИ-аналитику, которая формирует рефлексивность, предлагает индивидуальные рекомендации и поддерживает осознанное обучение. Сравнительный анализ цифровых решений представлен в таблице 1.

Таблица 1. Сравнительный анализ цифровых решений

Исходя из сравнительного анализа можно выделить следующие отличие от существующих подходов:

• В отличие от традиционных методов, метакогнитивный трекер не только фиксирует уровень учебной автономности, но и производит ее динамический анализ.
• В отличие от LMS, метод делает акцент на метакогнитивные и поведенческие аспекты.
• В отличие от трекеров прогресса, интегрирует ИИ-аналитики и рефлексивных подсказок.

Цель метода: формирование и развитие учебной автономности будущих педагогов инженерно-технического профиля на основе систематического метакогнитивного сопровождения, саморефлексии и адаптивной обратной связи.

Задачи метода:

1. Сформировать у студентов умение самостоятельно ставить и уточнять учебные цели.
2. Развить навыки планирования и регуляции собственной учебной деятельности.
3. Обеспечить регулярную рефлексию и самооценку образовательных результатов.
4. Поддержать мотивацию студентов средствами рефлексии и визуализации достижений.
5. Создать условия для постепенного перехода от внешнего сопровождения к полной самостоятельности.

Инструменты метода:

• Учебный контракт – фиксация целей, задач, сроков и критериев выполнения учебной деятельности.
• Метакогнитивный дневник (журнал по модели GROW) – регулярная рефлексия и самооценка.
• Электронное портфолио – накопление доказательств личного прогресса.
• Адаптивный трекер с дашбордом – визуализация данных об учебной активности и автономности.
• Анализ цифровой тени – учет факторов, влияющих на учебную деятельность (время онлайн, отвлекающие активности).
• ИИ-помощник – генерация рефлексивных вопросов и персонализированных подсказок.

Этапы реализации:

1. Диагностический – тестирование, интервью, заключение учебного контракта.
2. Планирующий – совместное построение траектории.
3. Трекинговый (трекер) – ведение дневника, сбор данных.
4. Рефлексивно-коррекционный – обратная связь от ИИ и преподавателя.
5. Автономное функционирование – снижение поддержки, рост самостоятельности.

Преимущества метода:

• Позволяет студенту выстраивать и корректировать индивидуальную образовательную траекторию.
• Повышает уровень саморегуляции и ответственности за результат.
• Развивает критическое и гибкое мышление, готовность к обучению в условиях неопределённости.
• Формирует компетенцию «обучение через всю жизнь» благодаря сочетанию цифровой грамотности и автономного обучения.

Метод формирования учебной автономности на основе цифрового метакогнитивного трекера реализуется через систему взаимосвязанных метакогнитивных и регулятивных механизмов, обеспечивающих переход обучающегося от внешне управляемой к внутренне организованной учебной деятельности. Теоретической основой выделения механизмов выступают положения теории саморегулируемого обучения B. Zimmerman, а также современные концепции учебной аналитики и генеративного искусственного интеллекта, представленные в модели A2PL Q. Mao.

Ключевые механизмы метакогнитивного трекера учебной автономности описаны в таблице 2.

Таблица 2. Ключевые механизмы метакогнитивного трекера учебной автономности

Представленные механизмы в таблице 2 образуют единый цикл: 1) целеполагание; 2) мониторинг; 3) рефлексия; 4) адаптивная корректировка; 5) автономное функционирование.

Таким образом, цифровой метакогнитивный трекер выступает не просто инструментом фиксации активности, а системным средством формирования учебной автономности, интегрирующим когнитивные, метакогнитивные и поведенческие компоненты в единую модель саморазвития будущих педагогов инженерно-технического профиля.

Методика и организация исследования. С целью проверки эффективности разработанного метода формирования учебной автономности на основе цифрового метакогнитивного трекера будет проведено эмпирическое исследование, включающее количественные и качественные методы анализа.

В исследовании будут принимать участие студенты со 2 по 4 курсы направления подготовки 44.03.04 «Профессиональное обучение (по отраслям)» профиль «Электроника, радиотехника и связь».

Инструментами диагностики являются тестирование («Шкала личностной автономности» и «Шкала учебной автономности»), полуструктурированное интервью (6 блоков: целеполагание, самостоятельность, рефлексия, мотивация, адаптивность, критическое мышление) и сравнительный анализ самооценки и реальных проявлений автономности.

Количественные данные тестирования будут обрабатываться с использованием методов описательной статистики – вычисление средних значений, анализ динамики показателей, определение процентного прироста. Качественные данные интервью будут анализироваться методом тематического анализа с выделением повторяющихся категорий и смысловых единиц.

Эффективность внедрения цифрового метакогнитивного представлена в таблице 3.

Таблица 3. Критерии и показатели эффективности внедрения цифрового метакогнитивного трекера

Заключение. В условиях цифровой трансформации образования формирование учебной автономности будущих педагогов инженерно-технического профиля приобретает системный характер и требует новых решений. Проведённый теоретический анализ отечественных и зарубежных исследований показал, что существующие цифровые инструменты поддержки саморегулируемого обучения ориентированы преимущественно на развитие отдельных компонентов метакогниции (целеполагание, мониторинг, обратная связь), однако не обеспечивают целостной модели формирования автономности, учитывающей поведенческие аспекты деятельности обучающегося в цифровой среде.

Теоретическая значимость работы состоит в расширении представлений о механизмах формирования учебной автономности в цифровой образовательной среде и уточнении роли генеративного ИИ в развитии субъектной позиции обучающегося. Предложенный метод позволяет рассматривать автономность, как динамическую компетенцию, формируемую в процессе систематического метакогнитивного сопровождения.

Предложенный метод представляет собой инновационный способ формирования учебной автономности у будущих педагогов инженерно-технического профиля в условиях цифровизации. Его отличительная особенность – интеграция метакогнитивных практик, цифровой рефлексивности и ИИ-аналитики. Направления дальнейших исследований связаны с апробацией метода в образовательной практике, разработкой цифрового прототипа метакогнитивного трекера учебной автономности, эмпирической проверкой его эффективности, а также уточнением критериев и показателей сформированности учебной автономности в условиях интеграции генеративного искусственного интеллекта.

1. Leutner D. Adaptivität und Adaptierbarkeit multimedialer Lehr- und Informationssysteme [Adaptation and Adaptability in multimedia teaching systems and multimedia information systems] // Issing L. (ed.) Information und Lernen mit Multimedia. – Weinheim: Psychologie Verlags Union, 1995. – P. 139–149.
2. Van Campenhout R. Supporting Metacognitive Learning Strategies Through an Adaptive Application // Adaptive Instructional Systems: Adaptation and Personalization. Lecture Notes in Computer Science. – Springer, 2020. – Vol. 12214. – P. 218–227. – DOI: 10.1007/978-3-030-50788-6_16.
3. Schwonke R., Hauser S., Nückles M., Renkl A. Enhancing computer-supported writing of learning protocols by adaptive prompts // Computers in Human Behavior. – 2006. – Vol. 22. – P. 77–92.
4. Colthorpe K., Ogiji J., Ainscough L., Zimbardi K., Anderson S. Effect of metacognitive prompts on undergraduate pharmacy students’ self-regulated learning behavior // American Journal of Pharmaceutical Education. – 2019. – Vol. 83, No. 4. – P. 526–536.
5. Sonnenberg C., Bannert M. Discovering the effects of metacognitive prompts on the sequential structure of SRL-processes using process mining techniques // Journal of Learning Analytics. – 2015. – Vol. 2, No. 1. – P. 72–100.
6. Ge W., Sun Y., Wang Z., Zheng H., He W., Wang P., Zhu Q., Wang B. SRLAgent: Enhancing Self-Regulated Learning Skills through Gamification and LLM Assistance // arXiv preprint. – 2025. – arXiv:2506.09968. – DOI: 10.48550/arXiv.2506.09968.
7. Zimmerman B. J. Attaining Self-Regulation: A Social Cognitive Perspective // Boekaerts M., Pintrich P., Zeidner M. (eds.) Handbook of Self-Regulation. – San Diego: Academic Press, 2000. – P. 13–39.
8. Mao Q. Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework // arXiv preprint. – 2025. – arXiv:2504.20851. – DOI: 10.48550/arXiv.2504.20851.
9. Li X., Fan Y., Li T., Rakovic M., Singh S., van der Graaf J., Lim L., Moore J., Molenaar I., Bannert M., Gasevic D. The FLoRA Engine: Using Analytics to Measure and Facilitate Learners’ Own Regulation Activities // arXiv preprint. – 2024. – arXiv:2412.09763. – DOI: 10.48550/arXiv.2412.09763.
10. Cao C. C., Ding Z., Lin J., Hopfgartner F. AI Chatbots as Multi-Role Pedagogical Agents: Transforming Engagement in CS Education // arXiv preprint. – 2023. – arXiv:2308.03992. – DOI: 10.48550/arXiv.2308.03992.
11. Добривская М. С., Ворновская А. А. Метакогнитивные стратегии в развитии учебной автономии бакалавров языковых направлений подготовки // Вестник Калининградского филиала Санкт-Петербургского университета МВД России. – 2025. – № 2(80). – С. 165–175. – EDN: VAARIH.
12. Альмурзаева П. Х., Алтамирова З. А. Инновационные стратегии формирования метакогнитивных навыков у студентов в условиях цифровой трансформации высшего образования // Управление образованием: теория и практика. – 2024. – № 7-1. – С. 80–88. – DOI: 10.25726/h2938-7820-4816-d. – EDN: AMWWPM.