Педагогика

https://doi.org/10.53656/ped21-6s.20tec

2021/6s, стр. 224 - 234

TECHNICAL DIAGNOSTICS OF MARINE EQUIPMENT WITH PSEUDO-DISCRETE FEATURES

Guixin Fan
OrcID: 0000-0002-0334-2271
E-mail: gfan@utas.edu.au
Australian Maritime College
University of Tasmania
Launceston TAS Australia
Natalia Nikolova
OrcID: 0000-0001-6160-6282
E-mail: tasmith9@utas.edu.au
1Australian Maritime College
University of Tasmania
Launceston TAS Australia
Nikola Vaptsarov Naval Academy
Varna Bulgaria
Ty Smith
OrcID: 0000-0001-6803-7967
E-mail: ty@nmis.com.au
Australian Maritime College
University of Tasmania
Launceston TAS Australia
Kiril Tenekedjiev
OrcID: 0000-0003-3549-0671
E-mail: Kiril.Tenekedjiev@utas.edu.au
Australian Maritime College
University of Tasmania
Launceston TAS Australia
Nikola Vaptsarov Naval Academy
Varna Bulgaria

Резюме: We present a system for technical diagnostics (TD) that can recognize the actual state of marine equipment. A Bayesian classifier is trained to identify the different classes of a piece of equipment, monitored through multiple pseudodiscrete features. Data learning samples can be acquired with direct experiments for each class. The system is capable of merging subjective expert knowledge and data learning samples using pseudo-Bayesian estimates when the parameters of the conditional likelihood for the classes are identified. In the training process, correction is applied to solve numerical problems arising from zero probabilities. The pseudo-discrete features have hybrid nature and combine probabilistic and fuzzy approaches. They combine the ease of extracting subjective expert knowledge typical for the discrete features with the high precision of using the measured data during recognition typical for the continuous features. The domain of each pseudo discrete feature is divided into several main categories of non-overlapping intervals which are described as words by the expert. If a measured feature falls between two consecutive categories it is treated as a linear combination of those categories. The resubstitution performance of the classifier is assessed using an error matrix. A numerical example of a marine diesel generator demonstrates the proposed algorithm in a classification problem with nine different state classes of the generator, monitored through 23 pseudo-discrete features. Data learning samples are acquired with direct experiments for each class. The created TD system has potential applications in other complex engineering systems and may support improvements in marine engineering education and training.

Ключови думи: fuzzy-probabilistic merging; pseudo-bayesian parameter estimation; learning information, pattern recognition

Introduction

The technical diagnostics (TD) process has been a topic rising in popularity, as industry continues to seek ways to lower spendings on maintenance and minimize system downtime losses. With the aid of reliability engineering, the process of recognizing the working status of any machine or complex system into classes (Koc et al. 2012) has been simplified immensely. However, with a complex system or complex piece of machinery, the diagnostic process remains tedious for maintenance personnel. More and more unexperienced personnel, or staff unfamiliar with the workings/operations of such systems become in charge of maintenance and monitoring. Without a good knowledge of the proper workings of such systems, diagnosis of potential faults becomes problematic, since they often face large amount of monitored data without knowing the meaning behind it, or what it indicates.

In this paper, we introduce a TD system using a multi-class classifier, based on pseudo-discrete features (see (Duda et al. 2001) and (Nikolova et al. 2019) for further discussion on pseudo-discrete features). We shall demonstrate the application of the system to recognize the actual state of a hypothetical marine diesel generator in a numerical example. We shall train a Bayesian classifier to identify nine different state classes of the equipment, monitored through 23 pseudo-discrete features. For the learning process, we shall combine subjective expert knowledge and data learning samples using pseudo-Bayesian estimates (Skaggs et al. 1989) when the parameters of the conditional likelihood for the classes are identified. We shall apply epsilon correction in the training process to solve numerical problems arising from zero probabilities.

In what follows, we first present the structure of the technical diagnostics system, as well as the structure of the information we shall utilize for the training of the classifier and the epsilon corrections we shall apply. Then we present the application of the Bayesian classifier to a numerical example for the hypothetical MTU 8V396 marine diesel generator. The last section concludes the paper.

System Description

Let us analyse a complex system or a system component with several working statuses, categorized into classes. To monitor the system’s working status (or class), a vector \(\overrightarrow{X}\) is introduced as a \(d\)-dimensional measurement of properties (e.g. temperature, pressure, flowrate, displacement, etc.), where each measured property is a pseudo-discrete feature, represented with \(x_{i}, i=1,2,3 \ldots d\), , as follows: \(\overrightarrow{X}=\left(x_{1}, x_{2}, \ldots, x_{d}\right)^{T}\)

Therefore, at a given measured property of the component, the posterior probability of the component being in a given class/status can be written with the aid of Bayesian theorem (Ebeling 2010):

(1)\[ P\left(\omega_{k} \mid \overrightarrow{X}\right)=\tfrac{P\left(\omega_{k}\right) P\left(\overrightarrow{X} \mid \omega_{k}\right)}{P(\overrightarrow{X})} \]

where

(2)\[ P(\overrightarrow{X})=\sum_{k=1}^{c} P\left(\omega_{k}\right) P\left(\overrightarrow{X} \mid \omega_{k}\right) \]

The probabilities of each class \(P\left(\omega_{k}\right)\) are known as priors, \(P\left(\overrightarrow{X} \mid \omega_{k}\right)\) are the conditional likelihoods, and \(P(\overrightarrow{X})\) is the unconditional likelihood. The working status of the machine/system could be assessed by collecting data from various pseudo-discrete features \(x_{i}\). The assessment process would be simple provided that a sufficient, if not abundant, amount of data is available. In practice, however, not every personnel running such complex machineries could make a judgement on the working status based on recorded data.

Take an air compressor as an example. For simplicity, we can define three possible classes for the compressor: normal operation, air leak, and overheating. ( \(\omega_{1}, \omega_{2}\) and \(\omega_{3}\) ) To monitor these classes, we measure four pseudo-discrete features: air pressure, air flowrate, oil pressure and oil flowrate, i.e. \(\overrightarrow{X}=\left(x_{1}, x_{2}, x_{3}, x_{4}\right)^{T}\).

Measurements from each pseudo-discrete feature are recorded. An operator may have to make a judgement based on the information presented in Table 1. By looking at the numbers presented in Table 1, it is exceedingly difficult for anyone to decide as of which class the compressor is working under. However, the decision making would be much easier if the person is presented with system information as in Table 2.

Table 1. Numerical Data Presentation

Air Pressurex1200 kPaAir Flowratex21.5 kg/sOil Pressurex350 kPaOil Temperaturex440 degrees Celsius

By looking at the numbers presented in Table 1, it is exceedingly difficult for anyone to decide as of which class the compressor is working under. However, the decision making would be much easier if the person is presented with system information as in Table 2.

Table 2. Pseudo-Discrete Presentation

Air Pressurex1NormalAir Flowratex2NormalOil Pressurex3HighOil Temperaturex4Critical

Table 2 presents a much clearer picture of the system’s working status. Even a person not familiar with the compressor’s normal working condition could tell that the compressor is likely overheating. Therefore, we aim to build a technical diagnostic system, using simple pseudo-discrete features that are easy to understand, with the aid of some expert knowledge and learning sample.

Expert Knowledge

To build a diagnostic system based on Table 2, each pseudo-discrete feature \(x_{i}\) is categorized further into pseudo-discretesof the \(i^{\text {th }}\) pseudo-discrete feature), describing \(\mu_{j, i}\) the(meaning the measurement \(j^{t h}\) inpseudo-discrete “levels” such as “too high”, “high”, “normal”, “low” and “too low”. The pseudo-discretes are divided using expert knowledge.

Using the same air compressor example, the pseudo-discrete feature oil temperature could be divided into four levels: low, normal, high and critical, with corresponding temperature ranges assigned as shown in Table 3 and Figure 1.

Table 3. Division of pseudo-discretes for pseudo-discrete feature Oil Temperature

LowBelow 30oCNormal40-60oCHigh70-90oCCriticalAbove 100oC

The expert knowledge provides the level ranges for each pseudo-discrete feature. Such levels are a lot easier to assess than an unexplained/uncategorized data.

Note that the conditional probability of each pseudo-discrete feature can then be represented with \(h_{i}\) typical non-overlapping intervals \(\left[D_{j}, U_{j}\right]\), which according to (Tenekedjiev et al. 2006) are:

(3)\[ P\left(x_{i} \in\left[D_{j}, U_{j}\right] \mid \omega_{k}\right)=q_{j, i}^{k(x)} \]

For example, the conditional probability of the air compressor being in third class (overheating), with the fourth pseudo-discrete feature (oil temperature) being in the second pseudo-discrete \(h_{2}\) (normal), is:

\[ P\left(x_{4} \in\left[40^{\circ} \mathrm{C}, 60^{\circ} \mathrm{C}\right] \mid \omega_{3}\right)=q_{2,4}^{3} \]

Figure 1. Fuzzy membership Function for Pseudo-discrete feature oil temperature with four pseudo-discretes

After consulting with an expert, the term \(q_{j, i}^{k(e)}\) is gained as the reference probability of the \(i^{\text {th }}\) pseudo-discrete feature to be in the \(j^{\text {th }}\) pseudo-discrete while the system is working under class \(k\). We can then build an expert knowledge vector for the \(i^{\text {th }}\) pseudo-discrete feature as:

(4)\[ \overrightarrow{E}_{i}^{k}=\left(q_{1, i}^{k(e)}, q_{2, i}^{k(e)}, q_{3, i}^{k(e)}, \ldots, q_{h_{i}, i}^{k(e)}\right) \]

A confidence factor \(L_{d}^{k(e)}\) is applied to the expert knowledge. Such factor is a measurement of the expert’s accuracy or confidence when assigning probabilities to each pseudo-discrete with a given class. Applying the confidence factor to (4) gives the expert knowledge vector:

(5)\[ E_{k}=\left(\overrightarrow{E}_{1}^{k}-L_{1}^{k(e)}, \overrightarrow{E}_{2}^{k}-L_{2}^{k(e)}, \ldots, \overrightarrow{E}_{d}^{k}-L_{d}^{k(e)}\right) \]

With each measured property now divided into pseudo-discretes for easier recognition, it is necessary to give the machine a learning sample to study and recognize the class of a system.

Learning Sample

learningFor each and pseudo-discrete recognition. A feature, vector \(\overrightarrow{X}_{l}^{k}\) nkk observations consisting results are given of all to pseudo-discrete the program for features from the \(l^{\text {th }}\) observation in class \(k\), is then given as:

(6)\[ \overrightarrow{X}_{l}^{k}=\left(X_{l, 1}^{k}, X_{l, 2}^{k}, X_{l, 3}^{k} \ldots, X_{l, d}^{k}\right) \]

For example, in the air compressor case, the vector \(\overrightarrow{X}_{25}^{3}\) will be: \(\overrightarrow{X}_{25}^{3}=(101 \mathrm{kPa}\), \(1.5 \mathrm{~kg} / \mathrm{s}, 200 \mathrm{kPa}, 88^{\circ} \mathrm{C}\) ) and represents readings from all four pseudo-discrete feature of the \(25^{\text {th }}\) observation, when the compressor is overheating. The air pressure reads 101 kPa, air flow rate reads \(1.5 \mathrm{~kg} / \mathrm{s}\), oil pressure reads 200 kPa, and the oil pressure reads \(88 \mathrm{C}^{\circ}\).

The term \(q_{j, i}^{k(x)}\) from (3) is calculated using the frequentist definition of probability (Tenekedjiev et al. 2002)

(7)\[ q_{j, i}^{k(x)}=\tfrac{\sum_{l=1}^{n k} L_{l}^{k} \mu_{j, i}\left(X_{l, i}^{k}\right)}{\sum_{l=1}^{n k} L_{l}^{k}} \]

with a goodness-of-fit factor \(L_{l}^{k}\). The factor shows how well each observation truly represents the corresponding faults or class of a machine (Hald 2007).

Pseudo-discretes

There is a potential numerical problem with the conditional likelihood term \(P\left(\overrightarrow{X} \mid \omega_{k}\right)\) in (1). This term is often a small value, and when it is smaller than the machinenumerical problem, epsilon \(\varepsilon\), it is \(P\left(\omega_{k} \mid \overrightarrow{X}\right)\) treatedis split into two terms by taking its logarithm: as 0 in any machine language. To solve the stated

(8)\[ \ln P\left(\omega_{k} \mid \overrightarrow{X}\right)=A_{k}(\overrightarrow{X})+B(\overrightarrow{X}) \]

The \(B(\overrightarrow{X})\) part does not depend from the class \(k\), whereas the part \(A_{k}(\overrightarrow{X})\) is different for each class. It is called the discriminant function for class \(k\). That name originates from the fact that we can easily identify the class with the greatest posterior probability as the class with the greatest discriminant function (i.e. we can classify the observation \(\overrightarrow{x}\) using the maximum posterior probability method based only the discriminant functions): \(x \in \omega_{k}\) if \(A_{k}(\overrightarrow{X}) \geq A_{i}(\overrightarrow{X})\) for \(i=1,2,3, \ldots, c\)

Using the discriminant functions allows us to avoid any numerical problems. Although we will never calculate the part \(B(\overrightarrow{X})\), it is trivial to derive an expression for the posterior probabilities depending only on the discriminant functions:

(9)\[ P\left(\omega_{k} \mid \overrightarrow{X}\right)=\tfrac{1}{\sum_{j=1}^{c} e^{A_{j}(\overrightarrow{X})-A_{k}(\overrightarrow{X})}} \]

Taking the logarithm of \(P\left(\omega_{k} \mid \overrightarrow{X}\right)\) in equation (1) we have:

(10)\[ \ln P\left(\omega_{k} \mid \overrightarrow{X}\right)=\ln \left(\tfrac{P\left(\omega_{k}\right) P\left(\overrightarrow{X} \mid \omega_{k}\right)}{P(\overrightarrow{X})}\right)=\ln P\left(\omega_{k}\right)+\ln P\left(\overrightarrow{X} \mid \omega_{k}\right)-\ln P(\overrightarrow{X}) \]

Independent of the class number \(k\), it is then recognized that the term \(-\ln P(\overrightarrow{X})\)

is to be the term \(B(\overrightarrow{X})\), and the two terms \(\ln P\left(\omega_{k}\right)+\ln P\left(\overrightarrow{X} \mid \omega_{k}\right)\) are to be the term \(A(\overrightarrow{X})\) in (8).

Assuming the measured pseudo-discrete features \(x_{i}\) are all independent from each other, then:

(11)\[ P\left(\overrightarrow{X} \mid \omega_{k}\right)=\prod_{i=1}^{d} P\left(x_{i} \mid \omega_{k}\right)=P\left(x_{1} \mid \omega_{k}\right) P\left(x_{2} \mid \omega_{k}\right) P\left(x_{3} \mid \omega_{k}\right) \ldots P\left(x_{d} \mid \omega_{k}\right) \]

The term \(P\left(x_{i} \mid \omega_{k}\right)\) is of interest. If the measured feature \(X_{i}\) i is assumed to be a pseudo-discrete feature with \(h_{i}\) pseudo-discretes, then it is possible to represent the theoretical justification of the fuzzy measurements, which leads us back to the setup of pseudo-discrete features and the introduction of expert knowledge section.

Pseudo-Bayesian Estimation

Combining the learning sample \(q_{j, i}^{k(e)}\), and the expert knowledge \(q_{j, i}^{k(e)}\), the final probability \(q_{j, i}^{k}\) can then be estimated using the frequentist definition of probability with Pseudo-Bayesian Estimation, developed from (7):

(12)\[ q_{j, i}^{k}=\tfrac{\sum_{l=1}^{n k} L_{l}^{k} q_{j, i}^{k(x)}+50 L_{i}^{k(e)} q_{j, i}^{k(e)}}{\sum_{l=1}^{n k} L_{l}^{k}+50 L_{i}^{k(e)}} \]

The expert knowledge terms in (12) are applied with an accuracy factor that is subject to change. Here, 50 represents \(1 / 50=2 \%\) accuracy factor (Skaggs 1989).

Epsilon Correction

It is possible that a certain observation would contain no data in certain pseudodiscretes, a.k.a. \(q_{j, i}^{k}=0\). In this case, the zero probability is substituted with the machine epsilon \(\varepsilon\), while the probabilities from other pseudo-discretes are multiplied by \(1-\varepsilon\), so that the sum of probabilities form pseudo-discretes in the same observation still equal to one.

Using the compressor example again, in an observation from the \(4^{\text {th }}\) class “Overheating” (\(k=4\) ), the \(4^{\text {th }}\) pseudo-discrete feature “Oil Temperature” (\(i=4\) ) has 4 pseudo-discretes (low, normal, high, critical \(j=4\) ). However, no data falls under the “critical” level. In this case, epsilon correction is performed as shown in Table 4.

Table 4. Epsilon Correction for q

4 j,4

Pseudo-DisreteOriginal ObservationEpsilon-CorrectedObservation41,4q0.20.2(1)ε42,4q0.30.3(1)ε43,4q0.50.5(1)ε44,4q0εSum11

Application on Marine Diesel Generator

With the established theoretical background, we apply the Bayesian classifier within a numerical example of a hypothetical MTU 8V396 marine diesel generator. The data for our numerical example is obtained from an expert. A total of 9 classes are established, monitored through 23 pseudo-discrete features, i.e., \(k=9\), and \(i=23\). The classes and features are listed in Table 5 and Table 6.

Table 5. List of Classes for the Marine Diesel Generator Example

ω1Metal Fatigueω2Lost of DC Voltageω3Insu󰀩cient Output Frequencyω4Single Phase Voltage Dropω5Misalignmentω6Faulty Knock in Boreω7Incorrect Air/FuelRatioω8Cooler Overheatingω9Normal Operation

After consulting with an expert, the pseudo-discrete features are classified into 3 toand5 differentexpert knowledgepseudo-discretes, with ranges \(\left[D_{j}, U_{j}\right]\) given to each pseudo-discrete,every pseudo and expert knowledge \(q_{j, i}^{k(e)}\) given to discrete of every pseudodiscrete feature under every class. A learning sample, containing 10 observations in each class are given to the Bayesian classifier for learning and recognition. The confidence factor applied to the expert knowledge is set at \(100 \%\) for this analysis.

To demonstrate the parameter estimation methods and to test the performance of the classified the expert also provided 10 pseudo-observations to each class. Some of the observations are purposely put out of \(\left[D_{j}, U_{j}\right]\) for some pseudo-discrete features to see if the classifier would recognize them as being in a different class.

After recognition, the Bayesian classifier produces an error matrix that can be summarized as follows:

\(\omega_{1}\) : 8 observations recognized correctly;

2 observations recognized in class 9;

\(\omega_{2}\) : 8 observations recognized correctly;

1 observation recognized in class 8;

1 observation recognized in class 9;

\(\omega_{3}\) : 5 observations recognized correctly;

3 observations recognized in class 4;

2 observations recognized in class 9;

\(\omega_{4}\) : All observations recognized correctly;

\(\boldsymbol{\omega}_{\mathbf{5}}: 9\) observations recognized correcly;

1 observation recognized in class 9;

\(\omega_{6}: 8\) observations recognized correctly;

1 observation recognized in class 5;

1 observation recognized in class 9;

\(\omega_{7}: 9\) observations recognized correctly;

1 observation recognized in class 9;

\(\boldsymbol{\omega}_{\mathbf{8}}\) : All observations recognized correctly;

\(\omega_{9}: 9\) observations recognized correctly;

1 observation recognized in class 8. Conclusion

Table 6. List of Pseudo-Discrete Features for the Marine Diesel Generator Example

x1DC Voltage (V)x2Oil Pressure (psi)x3Oil Flowrate (L/min)x4Oil Temperature (K)x5Water Temperature (K)x6Water Flowrate (L/min)x7Boost Pressure (bar)x8Boost Temperature 1 (K)x9Boost Temperature 2 (K)x10Speed (rpm)x11Drive-end tri-axelAccelerometer x (mm/s)x12Drive-end tri-axelAccelerometer y (mm/s)x13Drive-end tri-axelAccelerometer z (mm/s)
x14Non-drive-end tri-axelAccelerometer x (mm/s)x15Non-drive-end tri-axelAccelerometer y (mm/s)x16Non-drive-end tri-axelAccelerometer z (mm/s)x17Output Frequency (Hz)x18BankAKnock Censor (mm/s)x19Bank B Knock Censor (mm/s)x20U Single-PhaseAC Voltage (V)x21V Single-PhaseAC Voltage (V)x22W Single-PhaseAC Voltage (V)x23Fule Flowrate (L/hr)

The process of applying pseudo-discrete features to complex systems could drastically simplify the technical diagnostics process. Our Bayesian classifier was able to recognize the state of the hypothetical generator with few errors on the 120 pseudo-observations provided by the expert. If the given machine is working under a certain class, with sufficient and accurate/confident expert knowledge, the classifier is able to accurately recognized the pattern within the measured pseudodiscrete features.

The use of pseudo-discrete features improves the quality of education in marine engineering, where students need pattern classification in technical diagnostics of marine equipment. These features are easy to use and comprehend. The pattern classification process is more transparent in that way because students can track the diagnostics decisions to their knowledge on how the marine equipment operates.

Future tests of the system should include actual recorded data from running the generator under different conditions, and a few expert knowledge should be made unavailable. The classifier would have to learn from two different scenarios: only learning sample data available with no expert knowledge; only expert knowledge available with no learning sample. In these cases, there is the ability to recognized a pattern by combining known and unknown information and then predict the working class of generator/system using test run data.

REFERENCES

Duda, R., Hart, P., Stork, D., 2001. Pattern classification. Second Edition. Wiley.

Ebeling, C. E., 2010. An Introduction to Reliability and Maintainability Engineering (2nd ed.). Long Grove, Illinois, United States: Waveland Press Inc.

Hald, A., 2007. A history of parametric statistical inference form Bernoulli for Fisher, 1713 to 1935., In: Sources and Studies in the History of Mathematics and Physical Sciences. NY USA: Springer Verlag.

Koc, L., Mazzuchi, Th., Sarkani, Sh., 2012. A network intrusion detection system based on a Hidden Naïve Bayes multiclass classifier. Expert Systems with Applications 39(18), 13492 – 13500.

Nikolova, N., Hirota, K., Kolev, K., Tenekedjiev, K., 2019. Technical diagnostic system in the maintenance of turbomachinery for ammonia synthesis in the process industries. Journal of Loss Prevention in the Process Industries 58, 102 – 115.

Skaggs, G., Stevenson, J., 1989. A Comparison of Pseudo-Bayesian and Joint Maximum Likelihood Procedures for Estimating Item Parameters in the Three-Parameter IRT Model. Applied Psychological Measurements. 13(4), 391 – 402.

Tenekedjiev, K., Dimitrakiev, D., Nikolova, N., 2002. Building frequentist distributions of continuous random variables. Machine Mechanics. 47, pp. 164 – 168.

Tenekedjiev, K., Kobashikawa, C., Nikolova, N., Hirota, K., 2006. Generic database for hybrid bayesian pattern recognition. Journal of Advanced Computational Intelligence and Intelligent Informatics. 10(3), 419 – 431.

2025 година
Книжка 9s
Книжка 9
DEVELOPMENT OF DEMOCRATIC CULTURE THROUGH CONTENTS ABOUT THE ROMA IN CLASSROOM TEACHING – STUDENTS’ PERCEPTION

Aleksandra Trbojević, Biljana Jeremić, Hadži Živorad Milenović, Bojan Lazić

Книжка 8
КАТЕГОРИАЛНИ ИЗМЕРЕНИЯ НА ИНФОРМАЦИОННО-КОМУНИКАЦИОННИТЕ ТЕХНОЛОГИИ В ОБУЧЕНИЕТО НА ДЕЦА И УЧЕНИЦИ СЪС СОП

д.п.н Мира Цветкова-Арсова, Данка Щерева, Славина Лозанова, Маргарита Томова

Книжка 7
ВРЪЗКА НА СОЦИАЛНО-ЕМОЦИОНАЛНОТО С КОГНИТИВНОТО РАЗВИТИЕ В ПРИОБЩАВАЩА СРЕДА

Милен Замфиров, Маргарита Бакрачева, Емилия Евгениева

Книжка 6
КОГНИТИВНО РАЗВИТИЕ НА ДЕЦА И УЧЕНИЦИ, ОБХВАНАТИ В ПРИОБЩАВАЩОТО ОБРАЗОВАНИЕ

Милен Замфиров, Емилия Евгениева, Маргарита Бакрачева

Книжка 5
COMPETENCE FOR SOCIAL PEDAGOGICAL PRACTICE: WHAT DO STUDENTS TELL US?

Maya Tcholakova, Marina Pironkova, Aleksandar Ranev, Yana Staneva

MULTIMODAL COMMUNICATION IN PHYSICAL EDUCATION CLASSES

Cristiana Lucretia Pop, Cristina Filip

Книжка 4s
GAMES IN FUNCTION OF DEVELOPMENT OF MULTIPLICATION SKILLS

Dasare Sylejmani, Vesna Makashevska, Jasmina Jovanovska

Книжка 4
ИЗПОЛЗВАНЕ НА СИСТЕМИТЕ ЗА УПРАВЛЕНИЕ НА ОБУЧЕНИЕТО В КОНТЕКСТА НА ИНТЕРАКТИВНОТО ОБРАЗОВАНИЕ

Силвия Парушева, Борис Банков, Гергана Касабова, Петя Страшимирова

MILITARY AND SOCIAL THREATS AS DETERMINANTS OF THE DEVELOPMENT OF CONTEMPORARY UKRAINIAN HIGHER EDUCATION

Mykola Pantiuk, Tetiana Pantiuk, Nataliia Bakhmat, Olena Nevmerzhytska, Svitlana Ivakh

STEM ОБУЧЕНИЕ НА СТУДЕНТИ ПЕДАГОЗИ В ТРАНСДИСЦИПЛИНАРНА ОБРАЗОВАТЕЛНА СРЕДА

Любен Витанов, Николай Цанев, Людмила Зафирова, Гергана Христова, Катерина Динкова, Калина Георгиева, Жорж Кюшев, Здравка Савчева

ИЗСЛЕДВАНЕ И АНАЛИЗ НА НАГЛАСИТЕ НА СТУДЕНТИТЕ ПРИ ИЗПОЛЗВАНЕ НА ГЕНЕРАТИВЕН ИНСТРУМЕНТ НА ИЗКУСТВЕН ИНТЕЛЕКТ

Николай Янев, Иглика Гетова, Теодора Христова, Ива Костадинова, Георги Димитров

Книжка 3
ДРУГИЯТ КАТО ЦЕННОСТ В УЧИЛИЩЕ

Александър Кръстев

Книжка 2
ASSESSMENTS OF TEACHERS AND PARENTS OF CHILDREN WITH DEVELOPMENTAL DISABILITIES ON INCLUSION IN PRE-SCHOOL INSTITUTIONS

Zagorka Markov, Hadzi Zivorad Milenovic, Biljana Jeremic, Radmila Zecevic, Milica Pavlovic

Книжка 1s
ПРИЛОЖЕНИЕ НА СРЕДСТВАТА ЗА ДОПЪЛВАЩА И АЛТЕРНАТИВНА КОМУНИКАЦИЯ В ОБРАЗОВАТЕЛНИТЕ ИНСТИТУЦИИ В БЪЛГАРИЯ

. Неда Балканска, . Анна Трошева-Асенова, . Пенка Шапкова, Снежина Михайлова

USE OF ARTIFICIAL INTELLIGENCE IN FOREIGN LANGUAGE TEACHING

Ekaterina Sofronieva, Christina Beleva, Galina Georgieva

Книжка 1
Скъпи читатели, автори, приятели на списание „Педагогика“,

В началото на 2025 година в първия брой на нашето списание „Педагогика“ бих искала от името на редакционната колегия и от мое име да Ви пожелая здраве, творческо вдъхновение и професионално удовлетворение от прино- са Ви към педагогическата наука и практика! Вярвам и се надявам, че списание „Педагоги- ка“ ще продължи да осигурява платформа за научен, обективен и откровен диалог, базиран на резултати от научни изследвания, за насто- ящето и бъдещето на обучението и образова- н

2024 година
Книжка 9s
Книжка 9
ANALYSIS AND IMPROVEMENT OF VIDEO LEARNING RESOURCES IN SMALL-SCALE LEARNING SCENARIOS

César Córcoles, Laia Blasco-Soplon, Germán Cobo Rodríguez, Ana-Elena Guerrero-Roldán

Книжка 8
АНГАЖИРАНОСТ КЪМ УЧЕНЕ ЧРЕЗ ИЗПОЛЗВАНЕ НА СМАРТ ТЕХНОЛОГИИТЕ В ОБРАЗОВАНИЕТО

Кирилка Тагарева, Дора Левтерова-Гаджалова, Ваня Сивакова

Книжка 7
Книжка 6
Книжка 5s
ПРЕДИЗВИКАТЕЛСТВАТА НА СТАЖАНТСКАТА ПРАКТИКА ПРЕД СТУДЕНТИ – БЪДЕЩИ УЧИТЕЛИ

Илиана Петкова, Марияна Илиева, Владислава Станоева, Георги Чавдаров

Книжка 5
FEATURES OF SPEECH COMPREHENSION TRAINING OF CHILDREN WITH AUTISM SPECTRUM DISORDERS

Maryna Branytska, Svitlana Myronova, Svitlana Mykhalska

OVERVIEW OF THE STEM EDUCATION IN ISRAEL

Aharon Goldreich, Elena Karashtranova

Книжка 4
НАГЛАСИ НА СТУДЕНТИТЕ КЪМ СМАРТ ТЕХНОЛОГИИТЕ В ОБРАЗОВАНИЕТО

Дора Левтерова-Гаджалова, Кирилка Тагарева, Ваня Сивакова

PROFESSIONAL SUPPORT FOR YOUNG RESEARCHERS

Emina Vukašinović, Marija Veselinović, Milan Milikić

РОБОТИТЕ В ОБУЧЕНИЕТО – ОБРАЗОВАТЕЛНА STEAM ИГРА

Мария Желязкова, Михаил Кожухаров, Даниела Кожухарова

Книжка 3s
Книжка 3
ATTITUDES AND EXPERIENCES OF THE PRESCHOOL TEACHERS IN THE APPLICATION OF DIGITAL TECHNOLOGIES IN ENVIRONMENTAL EDUCATION

Nataša Branković, Gordana Kozoderović, Biljana Jeremić, Danijela Petrović, Bojan Lazić, Slavica Karanović

ДИГИТАЛНИ ТЕХНОЛОГИИ В ПОДКРЕПА НА УЧЕНЕТО

Стоянка Георгиева-Лазарова, Лъчезар Лазаров

PREPARATION OF FUTURE TEACHERS FOR ORGANISING A HEALTH-PRESERVING INCLUSIVE SPACE IN EDUCATIONAL INSTITUTIONS

Nadiya Skotna, Tetiana Nadimyanova, Anna Fedorovych, Myroslava Sosiak, Oksana Yatsiv

Книжка 2s
Книжка 2
ОТ РИСУНКА – КЪМ СНИМКА

Камен Теофилов

Книжка 1s
Книжка 1
„ВТОРОТО“ БЪЛГАРСКО УЧИЛИЩЕ. ГЕНЕЗИСЪТ

Пенка Цонева, Бистра Мизова

2023 година
Книжка 9
EXPLORING THE NARRATIVE IDENTITY OF HUNGARIAN TEACHERS IN SLOVAKIA

Patrik Baka, Terézia Stredl, Kinga Horváth, Zsuzsanna Huszár, Melinda Nagy, Péter Tóth, András Németh

Книжка 8
A QUALITY “ONLINE” TEACHER – WHAT DO STUDENTS APPRECIATE AND VALUE IN TEACHERS DURING DISTANCE LEARNING?

Irena Golubović-Ilić, Ivana Ćirković-Miladinović, Nataša Vukićević

SUPPORT FOR THE INCLUSION OF ROMA CHILDREN THROUGH THE PROJECT TEACHING MODEL

Biljana Jeremić, Aleksandra Trbojević, Bojan Lazić, Gordana Kozoderović

TREND ANALYSIS OF PROFESSIONAL COMPETENCES OF SPORTS TEACHERS AND COACHES

Sergejs Capulis, Valerijs Dombrovskis, Svetlana Guseva, Alona Korniseva

Книжка 7
ЦЕННОСТЕН ПРОФИЛ НА УЧИТЕЛИТЕ В НАЦИОНАЛЕН КОНТЕКСТ

Цветан Давидков, Силвия Цветанска

Книжка 6s
MODELLING OF MARITIME CYBER SECURITY EDUCATION AND TRAINING

Gizem Kayisoglu, Pelin Bolat, Emre Duzenli

INTRODUCING THE USE OF CASE STUDIES METHODOLOGY IN TRAINING FOR SOFT SKILLS IN MARITIME UNIVERSITIES. THE ISOL-MET PROGRAM

Maria Lekakou, Helen Iakovaki, Dimitris Vintzilaios, Markella Gota, Giorgos Georgoulis, Thalia Vintzilaiou

THE ROLE OF MARITIME EDUCATION IN DIGITALIZATION

Kamelia Narleva, Yana Gancheva

Книжка 6
С МИСИЯ ЗА НАЦИОНАЛНА И КУЛТУРНА ИНДИВИДУАЛНОСТ

Надежда Кръстева, Йордан Колев

Книжка 5s
PREFACE

Nikola Vaptsarov Naval Academy is the oldest technical educational institution in Bulgaria. The Naval Academy is one of the symbols of Varna and Bulgaria in the world maritime community. Its history and achievements establish it as the most prestigious center for training of maritime specialists. At present, the Naval Academy trains specialists for the Navy and for the merchant marine in all areas of maritime life. Research and development conducted at the Naval Academy in Varna

A FAIR CONCERN ABOUT ECDIS

Nikolay Sozonov, Dilyan Dimitranov

DATA-DRIVEN LEARNING APPROACH TO MARITIME ENGLISH

Jana Kegalj, Mirjana Borucinsky, Sandra Tominac Coslovich

DEVELOPING CRITICAL THINKING SKILLS THROUGH THE “CASE STUDY” TEACHING METHOD IN MARITIME ENGLISH LANGUAGE TEACHING (MELT)

Tamila Mikeladze, Svetlana Rodinadze, Zurab Bezhanovi, Kristine Zarbazoia, Medea Abashidze, Kristine Iakobadze

MAXIMIZING STUDENTS’ LEARNING IN MARITIME ENGLISH ONLINE COURSE

Valentyna Kudryavtseva, Svitlana Barsuk, Olena Frolova

Книжка 5
Книжка 4s
Книжка 4
Книжка 3s
СПИРАЛАТА ОБЩЕСТВО – ОБРАЗОВАНИЕ

Иванка Шивачева-Пинеда

Книжка 3
ПРОЕКТНО БАЗИРАНО ОБУЧЕНИЕ ЗА СОЦИАЛНО-ЕМОЦИОНАЛНИ И ТЕХНОЛОГИЧНИ УМЕНИЯ ЧРЕЗ ПРОГРАМАТА „УМЕНИЯ ЗА ИНОВАЦИИ“

Галин Цоков, Александър Ангелов, Йоанна Минчева, Рени Димова, Мария Цакова

МЕДИЙНАТА ГРАМОТНОСТ И УЧИТЕЛИТЕ

Светла Цанкова, Стела Ангова, Мария Николова, Иван Вълчанов, Илия Вълков, Георги Минев

Книжка 2
INTONATION AND CHILDREN WITH EMOTIONAL AND BEHAVIORAL PROBLEMS

Katerina Zlatkova-Doncheva, Vladislav Marinov

Книжка 1
2022 година
Книжка 9
ТРАНСГРЕСИВНО-СИНЕРГИЧНО КАРИЕРНО РАЗВИТИЕ В „НЕФОРМАЛНО ОБРАЗОВАНИЕ“ В УНИВЕРСИТЕТА

д.п.н Яна Рашева-Мерджанова, Моника Богданова, Илиана Петкова

Книжка 8
INTEGRATING INTERCULTURAL EDUCATION IN THE PRIMARY SCHOOL CURRICULUM

Bujar Adili, Sonja Petrovska, Gzim Xhambazi

НАГЛАСИ НА БЪДЕЩИТЕ ДЕТСКИ УЧИТЕЛИ КЪМ STEM ПОДХОДА

Наталия Павлова, Михаела Тончева

Книжка 7
НАЦИОНАЛНАТА ИДЕЯ НА ПАИСИЙ ХИЛЕНДАРСКИ

Йордан Колев, Надежда Кръстева

Книжка 6
Книжка 5
ИВАН Д. ШИШМАНОВ – ЕВРОПЕИЗИРАНИЯТ БЪЛГАРИН

Надежда Кръстева, Йордан Колев

THE TECHNOLOGY OF DEVELOPMENT OF COMMUNICATIVE CULTURE OF ELEMENTARY SCHOOL TEACHERS

Mariia Oliiar, Nataliia Blahun, Halyna Bilavych, Nataliia Bakhmat, Tetyana Pantyuk

Книжка 4
TEACHERS’ATTITUDES BOUT TEACHING AND LEARNING MATHEMATICS

Aleksandra Mihajlović, Emina Kopas-Vukašinović, Vladimir Stanojević

EDUCATION 4.0 – THE CHANGE OF HIGHER EDUCATION INSTITUTIONS AND THE LABOUR MARKET

Gergana Dimitrova, Blaga Madzhurova, Stefan Raychev, Dobrinka Stoyanova

Книжка 3s
DISTANCE LEARNING IN THE CONTEXT OF THE COVID-19 PANDEMICS

Baktybek Keldibekov, Shailoobek Karagulov

DIGITAL UNIVERSITIES: FEATURES AND KEY CHARACTERISTICS

Marina Skiba, Maktagali Bektemessov, Alma Turganbayeva

Книжка 3
Книжка 2
TWO-TIER MODEL OF TRAINING FUTURE TEACHERS FOR COACHING AT OUT-OF-SCHOOL INSTITUTIONS

Borys Savchuk, Tetyana Pantyuk, Natalia Sultanova, Halyna Bilavych, Mykola Pantyuk

Книжка 1
2021 година
Книжка 9
ИЗСЛЕДВАНЕ НА ВЗАИМОДЕЙСТВИЕТО МЕЖДУ ФОРМАЛНОТО И НЕФОРМАЛНОТО ЗДРАВНО ОБРАЗОВАНИЕ

Вержиния Боянова, Константин Теодосиев, Берджухи Йорданова

FORMATION OF PROFESSIONAL COMPETENCE OF ASSISTANT TEACHER OF INCLUSIVE EDUCATION IN SECONDARY EDUCATION INSTITUTIONS

Vladyslava Liubarets, Nataliia Bakhmat, Olena Matviienko, Oksana Tsykhmeistruk, Inna Feltsan

Книжка 8
Книжка 7s
CONCEPT OF PRESENT PRACTICE IN CHOOSING OF OPTIMAL NUMBER OF TUGS

Rino Bošnjak, Zvonimir Lušić, Filip Bojić, Dario Medić

S-101 CHARTS, DATABASE TABLES FOR S-101 CHARTS, AUTONOMOUS VESSEL

Vladimir Brozović, Danko Kezić, Rino Bošnjak, Filip Bojić

INFLUENCE OF HYDRO-METEOROLOGICAL ELEMENTS ON THE SHIP MANOEUVRING IN THE CITY PORT OF SPLIT

Zvonimir Lušić, Nenad Leder, Danijel Pušić, Rino Bošnjak

MEETING SUSTAINABLE DEVELOPMENT GOALS – EXPERIENCE FROM THE LARGEST SHIPPING COMPANIES

Katarina Balić, Helena Ukić Boljat, Gorana Jelić Mrčelić, Merica Slišković

OPTIMISING THE REFERENCE POINT WITHIN A JOURNAL BEARING USING LASER ALIGNMENT

Ty Aaron Smith, Guixin Fan, Natalia Nikolova, Kiril Tenekedjiev

REVIEW OF THE CURRENT INCREASE OF NOISE UNIT COST VALUES IN TRANSPORT

Luka Vukić, Ivan Peronja, Mihaela Bukljaš, Alen Jugović

TARGET DETECTION FOR VISUAL COLLISION AVOIDANCE SYSTEM

Miro Petković, Danko Kezić, Igor Vujović, Ivan Pavić

NEW RESULTS FOR TEACHING SHIP HANDLING USING FAST TIME SIMULATION

Knud Benedict, Michèle Schaub, Michael Baldauf, Michael Gluch, Matthias Kirchhoff, Caspar Krüger

POTENTIAL BENEFITS OF ELECTRICALY DRIVEN FERRY, CASE STUDY

Tina Perić, Ladislav Stazić, Karlo Bratić

SITUATIONAL AWARENESS – KEY SAFETY FACTOR FOR THE OFFICER OF THE WATCH

Hrvoje Jaram, Pero Vidan, Srđan Vukša, Ivan Pavić

Книжка 7
INCLUSIVE INTELLIGENCE

Aleksandar Krastev

EDUCATION OF MORAL CULTURE OF STUDENT YOUTH IN THE CONDITIONS OF POLYCULTURAL SPACE

Natalia Bondarenko, Yevhen Rozdymakha, Lyudmila Oderiy, Anatoly Rozdymakha, Dilyana Arsova

PROFESSIONAL DEVELOPMENT IN KOSOVO – RESEARCH OF TRAINING PROGRAMS AND TESTS

Bekim Samadraxha, Veton Alihajdari, Besim Mustafa, Ramë Likaj

Книжка 6s
EVALUATION OF CRUISER TRAFFIC VARIABLES IN SEAPORTS OF THE REPUBLIC OF CROATIA

Maja Račić, Katarina Balić, Mira Pavlinović, Antonija Mišura

COMPARATIVE ANALYSIS OF THE CONTRACTS FOR MARITIME TRANSPORT SERVICES. CHAIN OF CHARTER PARTIES

Svetlana Dimitrakieva, Ognyan Kostadinov, Christiana Atanasova

THE LIGHTSHIP MASS CALCULATION MODEL OF A MERCHANT SHIP BY EMPIRICAL METHODS

Vedran Slapničar, Katarina Zadro, Viktor Ložar, Ivo Ćatipović

ON EDUCATION AND TRAINING IN MARITIME COMMUNICATIONS AND THE GMDSS DURING THE COVID-19

Chavdar Alexandrov, Grozdyu Grozev, Georgi Dimitrov, Avgustin Hristov

AIR POLLUTANT EMISSION MEASUREMENT

Nikola Račić, Branko Lalić, Ivan Komar, Frane Vidović, Ladislav Stazić

ASSESSMENT OF LNG BUNKERING ACCIDENTS

Peter Vidmar, Andrej Androjna

EGR OPERATION INFLUENCE ON THE MARINE ENGINE EFFICIENCY

Delyan Hristov, Ivan Ivanov, Dimitar Popov

THE MEASUREMENT OF EXHAUST GAS EMISSIONS BY TESTO 350 MARITIME – EXHAUST GAS ANALYZER

Bruna Bacalja, Maja Krčum, Tomislav Peša, Marko Zubčić

PROPELLER LOAD MODELLING IN THE CALCULATIONS OF MARINE SHAFTING TORSIONAL VIBRATIONS

Nenad Vulić, Karlo Bratić, Branko Lalić, Ladislav Stazić

TECHNICAL DIAGNOSTICS OF MARINE EQUIPMENT WITH PSEUDO-DISCRETE FEATURES

Guixin Fan, Natalia Nikolova, Ty Smith, Kiril Tenekedjiev

CONTRIBUTION TO THE REDUCTION OF THE SHIP’S SWITCHBOARD BY APPLYING SENSOR TECHNOLOGY

Nediljko Kaštelan, Marko Zubčić, Maja Krčum, Miro Petković

THE STAND FOR FIN DRIVES ENERGY TESTING

Andrzej Grządziela, Marcin Kluczyk, Tomislav Batur

INTRODUCTION OF 3D PRINTING INTO MARINE ELECTRICAL ENGINEERING EDUCATION – A CASE STUDY

Ivica Kuzmanić, Igor Vujović, Zlatan Kulenović, Miro Petković

SHIPYARD CRANE MODELING METHODS

Pawel Piskur, Piotr Szymak, Bartosz Larzewski

Книжка 6
TEACHERS' PERSPECTIVE ON THE EDUCATIONAL IMPLICATIONS OF ONLINE TEACHING

Julien-Ferencz Kiss, Florica Orțan, Laurențiu Mândrea

Книжка 5
ФИДАНА ДАСКАЛОВА ЗА ПЕДАГОГИКАТА

Маргарита Колева, Йордан Колев

Книжка 4
Книжка 3
НЕВРОДИДАКТИКА

Наталия Витанова

Книжка 2
Книжка 1
BULGARIAN SCHOOL – SHOWCASE OF IDENTITY

Veska Gyuviyska, Nikolay Tsankov

2020 година
Книжка 9
Книжка 8
EDUCATIONAL REASONS FOR EARLY SCHOOL DROP-OUT

Maria Teneva, Zlatka Zhelyazkova

Книжка 7s
TEACHING CHALLENGES IN SPORTS EDUCATION DURING THE PANDEMIC COVID-19

Evelina Savcheva, Galina Domuschieva-Rogleva

THE DIFFERENCES IN STUDENTS’ATTITUDES ABOUT ONLINE TEACHING DURING COVID-19 PANDEMIC

Aleksić Veljković Aleksandra, Slađana Stanković, Irena Golubović-Ilić, Katarina Herodek

ONLINE EDUCATION DURING PANDEMIC, ACCORDING TO STUDENTS FROM TWO BULGARIAN UNIVERSITIES

Antoaneta Getova¹, Eleonora Mileva², Boryana Angelova-Igova²

Книжка 7
Книжка 6
TEACHERS ATTITUDES ABOUT INTEGRATED APPROACH IN TEACHING

Emina Kopas-Vukašinović, Aleksandra Mihajlović, Olivera Cekić-Jovanović

Книжка 5
КОНЦЕПТУАЛНИ МОДЕЛИ ЗА РАЗРАБОТВАНЕ НА ПОЗНАВАТЕЛНИ ОНЛАЙН ИГРИ В ОБЛАСТТА НА КУЛТУРНОТО НАСЛЕДСТВО

Детелин Лучев, Десислава Панева-Мариновa, Радослав Павлов, Гита Сенка, Лилия Павлова

Книжка 4
A CONTINUUM OF APPROACHES TO SCHOOL INSPECTIONS: CASES FROM EUROPE

Rossitsa Simeonova, Yonka Parvanova, Martin Brown, Sarah Gardezi, Joe O’Hara, Gerry McNamara, Laura del Castillo Blanco, Zacharoula Kechri, Eleni Beniata

Книжка 3
Книжка 2
Книжка 1
2019 година
Книжка 9
Книжка 8
ОБРАЗОВАНИЕ НА БЪДЕЩЕТО

Наталия Витанова

Книжка 7
RISK FACTORS FOR EARLY SCHOOL LEAVING IN BULGARIA

Elena Lavrentsova, Petar Valkov

Книжка 6
Книжка 5
Книжка 4
Книжка 3
LEARNING MATURITY

Alina Gîmbuță, Daniela-Carmen Berințan, Marijana Mikulandra, Krzysztof Kij, Katja Sivka

Книжка 2
ДЕТЕТО И ПЕДАГОГИКАТА

Яна Рашева-Мерджанова

Книжка 1
УВАЖАЕМИ КОЛЕГИ,

На добър час!

УЧЕНИЧЕСКО САМОУПРАВЛЕНИЕ

Бисерка Михалева

2018 година
Книжка 9
ПРАВАТА НА ДЕТЕТО ПРЕЗ ПОГЛЕДА НА СТУДЕНТИ ПЕДАГОЗИ

Йорданка Николова, Даниела Рачева

Книжка 8
СПОДЕЛЕНО МНЕНИЕ

Йосиф Нунев

Книжка 7
РАДОСТТА ОТ ОБЩУВАНЕТО НА ЧУЖД ЕЗИК В ДЕТСТВОТО

Екатерина Софрониева, Христина Белева

ПРОФ. Д-Р ЕЛЕНА РУСИНОВА-БАХУДЕЙЛА

Розалина Енгелс-Критидис

Книжка 6
ПОЗИТИВНА УЧЕБНА СРЕДА

Валентина Шарланова

SENIOR CITIZENS’ EXISTENTIAL NEEDS AND EDUCATION FOR THE MEANING OF LIFE

Joanna Łukasik, Norbert Pikuła, Katarzyna Jagielska

Книжка 5
ПАРАДИГМАТА СЕМИОТИКА – ЕЗИК – ДЕТЕ ПРИ 6 – 7-ГОДИШНИТЕ

Жоржетина Атанасова, Любимка Габрова

Книжка 4
ДЕТСКИ КОНФЕРЕНЦИИ

Боряна Иванова

Книжка 3
Книжка 2
СЪВРЕМЕННИ МЕТАМОРФОЗИ НА ВЗАИМООТНОШЕНИЯТА В ДЕТСКАТА ГРУПА

Веселина Иванова, Виолета Кърцелянска-Станчева

SCHOOLS AND UNIVERSITIES AS SOCIAL INSTITUTIONS

Emilj Sulejmani, Shikjerije Sulejmani

ОТНОСНО УСЕТА ЗА БРОЕНЕ

Петър Петров, Мима Трифонова

Книжка 1
УВАЖАЕМИ КОЛЕГИ И ПРИЯТЕЛИ

Емилия Василева, главен редактор

ДОБРИ ПРАКТИКИ „ПАРТНЬОРСТВО РОДИТЕЛИ – УЧИЛИЩЕ“

Мехмед Имамов, Калинка Гайтанинчева

2017 година
Книжка 9
Книжка 8
ЧЕТЯЩИЯТ СТУДЕНТ, ЧЕТЯЩОТО ДЕТЕ – ЕДНО МАЛКО ПРОЗОРЧЕ, ЕДНА ВЕЛИЧЕСТВЕНА ГЛЕДКА

Мариана Мандева, Боряна Туцева, Габриела Николова, Цветелина Ковачева

Кампания на Институт за български език – БАН и вестник „Аз-буки“

на Институт за български език – БАН, и вестник „Аз-буки“

ЕДИН ТИП СЛОЖНИ НАРЕЧИЯ

Марияна Цибранска-Костова

СВАТБА

Палмира Легурска

Книжка 7
ДИДАКТИЧЕСКИ КОМПЕТЕНТНОСТИ

Нели Митева, Наталия Витанова

Книжка 6
АБВ ПОИСКА … ИЛИ АБВ ПОИСКАХА…?

Цветелина Георгиева

Книжка 5
НОВА И ПОЛЕЗНА КНИГА

Йонка Първанова

Книжка 4
Кампания на Института за български език – БАН и вестник „Аз-буки“

на Института за български език – БАН, и вестник „Аз-буки“

ИМЕНИЦИ И ИМЕННИЦИ

Ивелина Стоянова

НЕ МОГА ДА НЕ НЕДОВОЛСТВАМ

Ивелина Стоянова

ОБРЪЩЕНИЕ ИЛИ ОБРАЩЕНИЕ?

Диана Благоева

ОЩЕ ВЕДНЪЖ ЗА ГЛАВНИТЕ БУКВИ

Мая Влахова-Ангелова

Книжка 3
Книжка 2
ПРОБЛЕМИ И ПЕРСПЕКТИВИ В РАЗВИТИЕТО НА ХУДОЖЕСТВЕНОТО ОБРАЗОВАНИЕ У НАС ПРЕЗ ПОГЛЕДА НА ДЕТСКИЯ И НАЧАЛНИЯ УЧИТЕЛ

Теодора Власева, Даниела Гирджева-Валачева, Мария Калоферова, Найден Младенов, Илияна Шотлекова

Книжка 1
ФАКТОРИ ЗА УСПЕШНО ПРИЛАГАНЕ НА СМЕСЕНО ОБУЧЕНИЕ

Стоянка Георгиева-Лазарова, Лъчезар Лазаров

2016 година
Книжка 9
ВНИМАВАЙКИ В КАРТИНКАТА

Ивелина Стоянова

Книжка 8
Книжка 7
Кампания на Института за български език – БАН и в. „Аз-буки“

на Института за български език – БАН, и в. „Аз-буки“

ПРАВО В ДЕСЕТКАТА

Ивелина Стоянова

ЗДРАВЕЙТЕ, ЗАПЕТАИ!

Илияна Кунева

ЗА ЦИФРИТЕ И ЧИСЛАТА

Светлозара Лесева

Книжка 6
УЧИЛИЩЕ ЗА ЧЕТЕНЕ

Петя Георгиева, Христина Димитрова

Кампания на Института за български език – БАН и в. „Аз Буки“

на Института за български език – БАН, и в. „Аз Буки“

ДОШЛА ЛИ Е ИНСПЕКТОРЪТ?

Ванина Сумрова

ДА ВИ Е СЛАДКО!

Иво Панчев

ЩЕ ТЕ ЧАКАМ В/НА ЦЕНТЪРА

Илияна Гаравалова

КЪЩА-МУЗЕЙ ИЛИ КЪЩА МУЗЕЙ?

Ивелина Стоянова

КОЙ Е ПО-, ПÒ, НАЙ-?

Мария Тодорова

ТЪРСИ МЕ ПРОДАВАЧКА

Светлозара Лесева

ПРАВО В ДЕСЕТКАТА

Ивелина Стоянова

ПРОФ.Д.П.Н. СТОЯНКА ЖЕКОВА

Редколегия на сп. „Педагогика“

Книжка 5
Книжка 4
Книжка 3
AN OVERVIEW ON FORMAL SCHOOLING SYSTEM IN SEVEN COUNTRIES

Alina Gîmbută, Maria Fili, Cemile Yavuz, Radmila Jeřábková, Nikolina Ratković, Paulo Manuel Oliveira Mengo de Abreu, Chiara Sega

Книжка 2
Книжка 1
IN MEMORIAM

На 10.12.2015 г. ни напусна нашият колега и приятел проф. д-р Иван Пет ков Иванов. Той беше уважаван учен и експерт в областта на педагогическите науки – автор на 10 монографии, 8 учебника, 10 учебни помагала, 6 студии и над 100 статии в специализирани периодич- ни издания и научни сборници; участник в 28 между- народни и национални проекта; председател и член на експертни групи към НАОА, член на редакционната ко- легия на сп. „Педагогика“. Проф. д-р Иван Иванов беше уважаван и оби

2015 година
Книжка 9
Книжка 8
Книжка 7
ДИСКУСИЯТА В УРОКА ПО ЛИТЕРАТУРА

Огняна Георгиева-Тенева

Книжка 6
ГОТОВНОСТ ЗА ОГРАМОТЯВАНЕ

Екатерина Чернева

Книжка 5
Книжка 4
Книжка 3
Книжка 2
ПРОБЛЕМИ НА СОЦИАЛНАТА АДАПТАЦИЯ НА ПЪТУВАЩИ УЧЕНИЦИ ОТ МАЛКИ НАСЕЛЕНИ МЕСТА\(^{1)}\)

Траян Попкочев, Бонка Гергинова, Тереза Карамангалова

ТУРНИР ПО КАНАДСКА БОРБА

Д. Евтимова, Е. Павлова, И. Радославова и Б. Иванов

ДЕТСКА ЛЯТНА ОЛИМПИАДА

Нели Бъчварова, Десислава Дургова

Книжка 1
ORGANIZATIONAL CULTURE: THEORY AND REALITY

Inna Leonidovna Fedotenko

2014 година
Книжка 9
ДА ЗАПАЛИШ ИСКРАТА

Дафинка Самарджиева

НА УЧИЛИЩЕ – С УСМИВКА!

Снежана Якимова

УЧИТЕЛЯТ – ЕТАЛОН ЗА ФОРМИРАНЕ НА ДЕТСКАТА ЛИЧНОСТ

Катя Коруджийска, Янка Маринкова

Книжка 8
Книжка 7
ЗАЕДНО МОЖЕМ ПОВЕЧЕ

Диана Смиленова

Книжка 6-bad
ЗА ДУМАТА КАТО СРЕДСТВО ЗА ОБЩУВАНЕ

ЗА ДУМАТА КАТО СРЕДСТВО ЗА ОБЩУВАНЕ

УСПЕШНИЯТ УЧИТЕЛ – МЕЖДУ ПРОФЕСИОНАЛНАТА НОРМА И СТРАСТТА ДА ПРЕПОДАВАШ

Проф. д-р Ангел Петров е преподавател по методика на обучението по български език в СУ „Св. Климент Охридски“. Ръководител е на най- старата катедра по методика на филологически- те дисциплини в страната – Катедрата по ме-

Книжка 6
Книжка 5
LE PROJET PÉDAGOGIQUE, SOURCE DE MOTIVATION DANS L’ENSEIGNEMENT ET L’APPRENTISSAGE DU FLE

THE EDUCATIONAL PROJECT, MEANS OF MOTIVATION IN TEACHING AND LEARNING FLE

LA PÉDAGOGIE DU PROJET ET LA MOTIVATION DES ÉLÈVES POUR L’APPRENTISSAGE DU FRANÇAIS

PROJECT PEDAGOGY AND PUPILS’ MOTIVATION IN LEARNING FRENCH

Книжка 4
КАЖДЫЙ ДЛЯ МЕНЯ УЧИТЕЛЬ

Ш.А.Амонашвили

Книжка 3
АНТОАНЕТА ЙОВЧЕВА (1952 – 2014)

След трудна борба с тежката болест ни напусна един добър и мил човек, една светла личност – Анто- анета Йовчева, нашата обичана колежка Тони. Нейните колеги и приятели, многобройните автори и сътрудници на сп. „Начално образование“ и на сп. „Педагогика“ ще запазят завинаги спомена за нейната приветлива усмивка, за нейната отзивчивост и преда- ност към работата, за нейната широка култура и стре- меж към познание, към развитие. Родена на 20 март 1952 г. в София в интелигентно се- мей

Книжка 2
ПОСТМОДЕРНИЗЪМ И ВЪЗПИТАНИЕ

Клавдия Сапунджиева

ДЕТСКИ УНИВЕРСИТЕТИ

Боряна Иванова

ПРОФ. Д-Р ЕЛКА ПЕТРОВА

Златка Петрова

МЕЖДУНАРОДНЫЙ ЦЕНТР ГУМАННОЙ ПЕДАГОГИКИ

Международният център „Хуманна педагогика“ организира XIII педаго- гически четения в периода 20 – 23.03.2014 г. в гр.Тбилиси, Грузия. Форумът се организира със съдействието на грузинското правителство. „Учителят“ е темата, която ще обедини участниците: учители, експерти, родители, универ- ситетски преподаватели, представители на педагогическата общност от мно- го страни, за да се осъществи дискусия за мисията на съвременния учител в съвременния образователен контекст. Ръководството на

Книжка 1
ОСНОВНИ ХАРАКТЕРИСТИКИ НА МОБИЛНОТО ОБУЧЕНИЕ

Стоянка Георгиева-Лазарова, Лъчезар Лазаров

2013 година
Книжка 9
УЧИТЕЛИ ВЪЗРОЖДЕНЦИ В ТЪРНОВО

Венка Кутева-Цветкова

Книжка 8
ДИМИТЪР ДОНЧЕВ – С ВЪЗХИТА ЗА БЪЛГАРСКИЯ УЧИТЕЛ

100 ГОДИНИ ОТ РОЖДЕНИЕТО НА ДИМИТЪР ЕВСТАТИЕВ ДОНЧЕВ (5.10.1913 – 15.02.1997)

Книжка 7
„СЛЪНЦЕТО“ НА ВЪЗПИТАТЕЛНАТА СИСТЕМА В ТВУ – РАКИТОВО

85 ГОДИНИ ОТ РОЖДЕНИЕТО НА АНГЕЛ УЗУНОВ (1928 – 1999)

ЦЕННОСТИ И ДУХОВНО-НРАВСТВЕНО РАЗВИТИЕ НА МАЛКИЯ УЧЕНИК

Марияна Ешкенази, Гергана Фиданова, Марияна Вишева, Цветанка Годжилова

МАЛКИЯТ УЧЕНИК ЧЕТЕ

Марияна Механджиева Венета Велева

С БАБА И ДЯДО В КЛАС

Цветелин Горанов, Таня Илиева, Цветанка Берова, Нели Иванова, Борка Бончева

РОД РОДА НЕ ХРАНИ, НО ТЕЖКО МУ, КОЙТО ГО НЯМА!

Диляна Вачкова Евелина Димитрова

ДА ПОМОГНЕМ НА ДЕЦАТА ДА ОТВОРЯТ СЪРЦАТА СИ

Иванка Дебелушина, Нина Маврикова

ДОБРОТО Е У ВСЕКИ

Мария Наскова

ОТЛИЧЕН ПЕДАГОГ, ПСИХОЛОГ И ПСИХОТЕРАПЕВТ

ДОЦ. СВЕТОСЛАВ СТАМЕНОВ (1939 – 2013)

Книжка 6
ТЕОРЕТИКО-ПРИЛОЖНИ ПРОБЛЕМИ НА КОНСТРУИРАНЕТО НА ТЕСТ ЗА НАЦИОНАЛНО ВЪНШНО ОЦЕНЯВАНЕ ПО „ЧОВЕКЪТ И ОБЩЕСТВОТО“ ЗА 4. КЛАС (2013)

Ваня Петрова, Цонка Каснакова, Мариан Делчев Жана Минчева Радостина Стоянова, Рада Димитрова Мария Темникова

MEDIA IN PRESCHOOL AGE OF CHILD’S LIFE

Sonja Petrovska Jadranka Bocvarova

Книжка 5
ШАЛВА АЛЕКСАНДРОВИЧ АМОНАШВИЛИ – УЧИТЕЛ ОТ БЪДЕЩЕТО

В сложното битие на науката и метамор- фозите на социалната реалност, неотменими и общовалидни остават само най-стойностни- те постижения и безспорни истини, които не само маркират и остойностяват територията на човешко познание, но извисяват самия чо- век, поддържат неговата вяра в доброто, под- хранват чувството му за собствена значимост, укрепват неговия дух. Приемайки извечните послания на класи- ческата философско-педагогическа мъдрост и дълбоко обвързан с педагогическата р

МАНИФЕСТ ГУМАННОЙ ПЕДАГОГИКИ

Преамбула 25 лет тому назад группа учителей новаторов провозгласила манифест „Пе- дагогика сотрудничества“ (Переделкино, 1986 год). В последующие годы были опубликованы отчеты встреч учителей новаторов, в которых рассматри- вались разные аспекты педагогики сотрудничества: „Демократизация лично- сти“ (Цинандали, Телавский район, Грузия, 1987 год), „Методика обновления“ (Москва, 1988 год), „Войдем в новую школу“ (Краснодарский край, 1988 год). Идеи педагогики сотрудничества воодушевленно

ПОРТФОЛИОТО НА УЧЕНИКА КАТО ПРОЦЕС НА САМОПОЗНАНИЕ

Радка Топалска Емилия Вълкова, Албена Атанасова

ДОПИРНИ СВЕТОВЕ

Албена Димитрова, Стилияна Гронева

ПРЕДИ ГОДИНА И СЕГА

Веселка Аршинкова

Книжка 4
СВЕЩЕНИК ГЕОРГИ МАРИНОВ ПОЛУГАНОВ – ОСНОВАТЕЛЯТ НА УЧИЛИЩЕТО И ПЪРВИЯТ УЧИТЕЛ В ПОЛИКРАЙЩЕ

Георги Георгиев Трифонка Попниколова Марияна Георгиева–Гроссе

ЕВРОПЕЙСКИ ПРИКАЗКИ

Светла Попова

Книжка 3
ДА ОПАЗИМ ДЕТСКОТО ЗДРАВЕ!

Мая Топалова, Симона Пейчева

КАК ДА ОТГЛЕДАМЕ МАЛЪК ПРИРОДОЛЮБИТЕЛ?

Мадлена Николова Ани Цветкова

Книжка 2
Книжка 1
ИЗКУСТВОТО ЗА ПРЕВЕНЦИЯ НА АГРЕСИВНОТО ПОВЕДЕНИЕ НА ДЕЦАТА

Евгения Миланова Виолета Николова Величка Радева

ПРИЯТЕЛСТВОТО В ЖИВОТА НА ДЕТЕТО

Даниела Димитрова, Красимира Василева

ПРЕДАЙ НАТАТЪК

Вилдан Мехмедова

2012 година
Книжка 9
ПЕДАГОГЪТ – РИЦАР НА ДЕТСТВОТО

Януш Корчак бе написал, че животът на великите хора е като легендите: труден, но красив. И се оказва пророчески прав, сякаш е писал за себе си! Наследник на семейство с богата духовна култура и традиции, останал отрано без баща, той не просто се справя с несгодите на сирачеството, но развива у себе си три могъщи извора на живот: любов към свободата и справедливостта, страст към знанието и творчеството, отдаденост на децата и тяхното щастие. Лекарят Корчак лекува децата и душите им. Безплатн

ЯНУШ КОРЧАК – ВЕЛИК ХУМАНИСТ И ПЕДАГОГ

„Със сила и мощ поведох своя живот, който беше привидно неподреден, самотен и чужд. За син избрах идеята да служа на детето и неговото дело. Привидно загубих.“ Бе лекар, писател, мислител. Бе философ, учен, моралист. Издател. Възпи- тател и педагог. Бе герой. Бе скромен. Във всяка от тези области той има изключителни постижения. В течение на по- вече от четиридесет години работи като педагог и писател. Четиридесет години безкористно служене на слабите и беззащитните. Създава съвременна кон

ЕВОЛЮЦИЯ НА ПРАВАТА НА ДЕТЕТО

„Детето има право на сериозно отношение към проблемите му, на справедливото им решаване.“

THE KORCZAK’S RIGHT TO SOCIAL PARTICIPATION OF CHILDREN THE CITIZENSHIP OF CHILDREN

A speech by Marek Michalak, the Ombudsman for Children, given during the seminar„The Polish-Israeli pioneer in the fi eld of human rights, Janusz Korczak (1879–1942) and today’s Convention on Children’s Rights as the part of the international law“, Geneva, the 6 of June 2009

ЗА ДЕТЕТО, ДЕТСТВОТО ИЛИ НАУКА ЗА НЕГО?

В памет на Януш Корчак – по повод 70 г. от неговата смърт и 100 г. от създаването на „Дом за сираци“ във Варшава Албена Чавдарова

Книжка 8
CHANGES IN UNIVERSITY TEACHING – THE ROAD FROM KNOWLEDGE TO COMPETENCIES

Slađana Anđelković Zorica Stanisavljević Petrović

ДОСТОЕН ЖИВОТ, ОТДАДЕН НА ПРОСВЕЩЕНИЕТО… ПРОФ. СТОЙКА ЗДРАВКОВА – ЕДИН СЪВРЕМЕНЕН БУДИТЕЛ НА 70 ГОДИНИ

Неуморна и взискателна! Енергична и всеотдай- на! Работохолик и перфекционист! Това е проф. д-р Стойка Здравкова! Не е за вярване, че в началото на ноември 2012 година навърши 70 години. И не е слу- чайно това, че тази светла дата е непосредствено бли- зо до Деня на будителите. А това, че проф . Здравкова е съвременен български будител, е толкова безспорно и видимо! 70–годишнината ù е един чудесен повод ретрос- пективно да си припомним и проследим най-значи-

Книжка 7
ОЧАКВАНА И ПОЛЕЗНА

Емилия Василева

Книжка 6
Книжка 5
ЦЕННО ПОМАГАЛО ЗА ПСИХОЛОЗИ И ПЕДАГОЗИ (Надежден инструмент за диагностициране смисъла на живота)

Любен Десев Минчев, Борис. Тест на Дж. Крумбъг и Л. Махолик за смисъл в живота. Българска версия. Варна, ВСУ „Черноризец Храбър“,

ГЕОРГИ MАВРОВ ЖИВОТ, ОТДАДЕН НА НАУКАТА И ОБРАЗОВАНИЕТО

Така най-общо, но и най-точно можем да охарак- теризираме дейността на ст. н. с. д-р Георги Петков Мавров. Той ни напусна неочаквано в края на април т.г. И до последния си ден не преставаше да се вълнува от проблемите на образованието. Споделяше инте- ресни мисли относно предстоящото приемане на За- кона за образованието. Пестелив на думи, но щедър на дела – това ясно проличава от неговата богата би- ография.

Книжка 4
ОЩЕ ЕДНА ИДЕЯ

Галина Стоянова

Книжка 3
С ИНОВАТИВЕН ПОГЛЕД КЪМ ЛИЧНОСТТА НА ДЕТЕТО

Маргарита Абрашева Любимка Габрова

БИЗНЕС ОБУЧЕНИЕ В ДЕТСКАТА ГРАДИНА

Красимира Костова Петя Драгоданова

ДЕТСКАТА БЕЗОПАСНОСТ

Любимка Габрова

БАБА ПРИКАЗКИ РАЗКАЗВА... (МИКС ОТ ПРИКАЗКИ)

Кева Захариева, Мария Мичева

Книжка 2
ДЕТЕ ПЪТУВА В АВТОМОБИЛА

Красимира Михайлова

ПРОТИВОПОСТАВЯНЕ

Пюрвя Ердниев, Б. Ердниев

ЗДРАВКА НОВАКОВА – ПРЕПОДАВАТЕЛ И ТВОРЕЦ

Седемдесетгодишният юбилей е вълнуващ повод да проследим трудния, богат и съдържателен професионално-творчески път на доц. д-р Здравка Новакова, да под- чертаем нейната важна роля за утвърждаване на дидактика на математиката като

IN MEMORIAM Иван Марев

Напусна ни проф. Иван Марев – философ, педагог, демократ, родолюбец. В далечната 1975 г., зареден с енергия, пълен с идеи, той създаде в Техническия

Книжка 1
ДЕЛЕГИРАНЕ НА ПРАВА ЧРЕЗ КОМИСИИТЕ В ДЕТСКАТА ГРАДИНА

Маргарита Абрашева Политиката, наречена управление на качеството, не е самоцел, нито поредна обра- зователна „мода“. Тя е практически необходима за поддържане от директора на учеб- ното заведение на един привлекателен образ в условията на конкуренция на пазара на учебни заведения. Това се отнася най-вече за детските градини. Политиката на упра- вление на качеството съдържа недостатъчно използван ресурс, включително за спечел- ване и запазване доверието на потребителя – родителите на децата,

ИНОВАЦИОННИ И ИНТЕРАКТИВНИ МЕТОДИ В КВАЛИФИКАЦИОННАТА ДЕЙНОСТ НА ПЕДАГОГИЧЕСКИЯ КОЛЕКТИВ

Стоилка Ташева, Севда Лукайчева Развиващото се с динамични темпове общество в днешно време налага необ- ходимостта от иновационни промени в областта на образованието. И в предучи- лищната педагогика все по-често се търсят алтернативни педагогически техноло- гии както за възпитанието и обучението на децата, така и при провеждането на квалификационната дейност на самите педагози. Използването на интерактивните методи дава възможност да се възлагат за- дачи, които предполагат съвместна работа,

НА УЛИЦАТА Е ОПАСНО

Таня Янчева, Зоя Кацарова