Размещено на http://www.allbest.ru/

1

Научный журнал КубГАУ, №119(06), 2016 года

Наукометрическая интеллектуальная измерительная система по данным РИНЦ на основе АСК-анализа и системы "Эйдос"

Луценко Евгений Вениаминович, д.э.н., к.т.н., профессор

Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия

Орлов Александр Иванович, д.э.н., д.т.н., к.ф.-м.н., профессор

Московский государственный технический университет им. Н.Э. Баумана, Россия, 105005, Москва, 2-я Бауманская ул., 5, prof-orlov@mail.ru

Глухов Виктор Алексеевич

к.т.н., зам. директора по научной работе ИНИОН РАН, руководитель Фундаментальной библиотеки, заместитель генерального директора НЭБ, г. Москва, Россия

Адекватная и технологичная оценка результативности, эффективности и качества научной деятельности конкретных ученых и научных коллективов является актуальной проблемой для информационного общества и общества, основанного на знаниях. Решение этой проблемы является предметом наукометрии и ее целью. Современный этап развития наукометрии существенно отличается от предыдущих появлением в открытом, а также платном on-line доступе огромного объема детализированных данных по большому числу показателей как об отдельных авторах, так и о научных организациях и вузах. В мире, это известные библиографические базы данных: Web of Science, Scopus, Astrophysics Data System, PubMed, MathSciNet, zbMATH, Chemical Abstracts, Springer, Agris или GeoRef. В России это прежде всего Российский индекс научного цитирования (РИНЦ). РИНЦ - это национальная информационно-аналитическая система, аккумулирующая более 9 миллионов публикаций российских ученых, а также информацию о цитировании этих публикаций из более 6000 российских журналов. Данных очень много, это так называемые «Большие данные» ("Big Data"). Но проблема состоит в том, чтобы осмыслить эти большие данные, точнее, выявить смысл значений наукометрических показателей) и тем самым преобразовать их в большую информацию («great information»), а затем применить эту информацию для достижения цели наукометрии, т.е. преобразовать ее в большие знания («great knowledge») о конкретных ученых и научных коллективах. Решение этой проблемы предлагается путем создания «Наукометрической интеллектуальной измерительной системы» на основе применения автоматизированного системно-когнитивного анализа и его программного инструментария - интеллектуальную систему «Эйдос». Приводится численный пример создания и применения Наукометрической интеллектуальной измерительной системы, на основе небольшого объема реальных наукометрических данных, находящихся в открытом бесплатном on-line доступе в РИНЦ

Ключевые слова: КОЛИЧЕСТВЕННАЯ ОЦЕНКА, СТЕПЕНЬ МАНИПУЛИРОВАНИЯ, ИНДЕКС ХИРША, МОДИФИКАЦИЯ, УСТОЙЧИВАЯ, НЕЧУВСТВИТЕЛЬНАЯ

Содержание

• 1. Формулировка проблемы
• 2. Требования к методу решения проблемы и недостатки традиционных методов
• 3. Идея решения проблемы с применением наукометрической интеллектуальной измерительной системы
• 4. Краткое описание АСК-анализа, как метода решения проблемы
• 4.1 Кратко об АСК-анализе
• 4.2 Истоки АСК-анализа
• 4.3 Методика АСК-анализа
• 4.4 Некоторые результаты применения АСК-анализа в различных предметных областях
• 5. Численный пример синтеза и применения наукометрической интеллектуальной измерительной системы
• 5.1 Когнитивно-целевая структуризация предметной области
• 5.2 Формализация предметной области
• 5.3 Синтез и верификация модели
• 5.4 Решение наукометрических задач с помощью модели
• Выводы, перспективы и рекомендации
• Литература

1. Формулировка проблемы

Адекватная и технологичная оценка результативности, эффективности и качества научной деятельности конкретных ученых и научных коллективов была важной всегда, но особенно актуальной она стала в информационном обществе и обществе, основанном на знаниях.

Однако реализация этой оценки на практике является как научной, так и чисто технологической проблемой, не решенной и в настоящее время [1].

Решение этой проблемы является предметом наукометрии и ее целью. В современной наукометрии огромное количество проблем и нерешенных вопросов, по которым идет интенсивная очень содержательная и богатая идеями научная дискуссия [1]. По мнению авторов источником подавляющего большинства этих проблем является принципиально новая особенность современной наукометрии, существенно качественно отличающая ее от предыдущих этапов ее развития, которая заключается в появлении в открытом (а также платном) on-line доступе огромного объема детализированных данных по большому числу накометрических показателей как об отдельных авторах, так и о научных организациях и вузах.

В мире наукометрические данные содержатся в известных библиографических базах данных: Web of Science, Scopus, Astrophysics Data System, PubMed, MathSciNet, zbMATH, Chemical Abstracts, Springer, Agris, GeoRef и др. В России также есть много библиографических баз данных из которых выделяется Российский индекс научного цитирования (РИНЦ) (http://elibrary.ru/).

Так что исходных наукометрических данных уже очень и очень много, это так называемые «Большие данные» ("Big Data"). А большие данные [34] - это само по себе большие проблемы, которые «часто разделяют на три основные группы: объем, скорость, неоднородность (так называемые «3 V»: Volume, Velocity, Variety См., например: http://blogs.gartner.com/doug-laney/deja-vvvue-others-claiming-gartners-volume-velocity-variety-construct-for-big-data/ ) [2]». Первые две из этих проблем скорее относятся к аппаратному обеспечению поддержки больших данных и обеспечения доступа к ним, но третья проблема касается уже научно-методологических, математических, алгоритмических и программных (инструментальных) средств обработки больших данных.

В работе [2] третья проблема характеризуется следующим образом: «проблема неоднородности состоит в том, что данные зачастую происходят из разных источников и бывают в разных форматах и разного качества. Их невозможно просто сложить вместе и обработать - требуются сложная работа, чтобы привести их в пригодный для анализа вид».

Здесь говорится о малопригодности этих данных для анализа в сыром виде, но ничего не говорится о цели этого анализа и его методах и способах. Поэтому авторы предлагают разбить третью проблему на две части: в первой части конкретнее описать технические причины малопригодности сырых больших данных для обработки; а во второй части описать цель этой обработки.

Авторская формулировка третьей проблемы обработки больших наукометрических данных («Big scientometric data»):

- наукометрические показатели, содержащиеся в библиографических базах данных, зашумлены, фрагментированы (не полны), представлены в разных типах измерительных шкал (номинальных, порядковых и количественных) и в разных единицах измерения, зависят друг от друга, т.е. описывают нечисловые [35] и/или нелинейные объекты, вследствие чего не подчиняются нормальному распределению [36];

- цель обработки больших наукометрических данных состоит в том, чтобы осмыслить эти зашумленные, фрагментированные взаимозависимые большие данные, измеряемые в разных типах шкал и в разных единицах измерения, точнее, выявить смысл в значениях наукометрических показателей, и тем самым преобразовать их в большую информацию («great information»), а затем применить эту информацию для достижения цели наукометрии, т.е. преобразовать ее в большие знания («great knowledge») о результатах, эффективности и качестве научной деятельности конкретных ученых и научных коллективов.

2. Требования к методу решения проблемы и недостатки традиционных методов

наукометрический интеллектуальный измерительный анализ

Из вышеприведенной авторской формулировки проблемы обработки больших наукометрических данных вытекают следующие требования к методу их обработки, также состоящие из двух частей, обеспечивающих соответственно решение технических аспектов проблемы и достижение цели обработки. Этот метод должен обеспечивать:

- корректную сопоставимую обработку числовых и нечисловых данных, представленных в разных типах измерительных шкал и разных единицах измерения и являться устойчивым к шуму в исходных данных непараметрическим методом, обеспечивающим создание моделей больших размерностей при неполных и зашумленных исходных данных о сложном нелинейном динамическом объекте моделирования, имеющим программный инструментарий;

- преобразование данных в информацию, а ее в знания о результатах, эффективности и качестве научной деятельности конкретных ученых и научных коллективов и решение на этой основе задач многопараметрической типизации и системной идентификации, а также задач исследования моделируемого объекта путем создания и анализа его модели.

Факторный анализ - один из наиболее популярных методов выявления причинно-следственных зависимостей в исходных данных [37]. Он является параметрическим методом, требующим абсолютно точных исходных данных, полных повторностей всех возможных сочетаний значений независимых друг от друга факторов, которых должно быть не более 5-6, измеряемых в числовых шкалах и одних единицах измерения. Факторный анализ не обеспечивает преобразование исходных данных в информацию, а ее в знания и решение задач многопараметрической типизации и системной идентификации, а также исследования моделируемого объекта путем исследования его модели. Таким образом, факторный анализ не удовлетворяет практически ни одному из требований, предъявляемы к методу обработки.

3. Идея решения проблемы с применением наукометрической интеллектуальной измерительной системы

Всем обоснованным выше требованиям к методу решения поставленной проблемы соответствует автоматизированный системно-когнитивный анализ (АСК-анализ) [13] и его программного инструментарий - интеллектуальная система «Эйдос» [14].

Метод АСК-анализа является устойчивым к шуму и неполноте в исходных данных непараметрическим методом и обеспечивает создание моделей больших размерностей сложных нелинейных объектов моделирования на основе корректной сопоставимой обработки числовых и нечисловых данных о них, представленных в различных типах измерительных шкал и разных единицах измерения [15] и имеет программный инструментарий - интеллектуальную систему «Эйдос». Этот метод обеспечивает преобразование данных в информацию, а ее в знания о результатах, эффективности и качестве научной деятельности конкретных ученых и научных коллективах и решение на этой основе задач многопараметрической типизации и системной идентификации, а также исследования моделируемого объекта путем исследования его модели.

Поэтому метод АСК-анализа и будет использован для решения поставленной в статье проблемы.

По сути проблема состоит в поиске или разработке адекватных частных критериев результатов научной деятельности и методов интеграции этих частных критериев для оценки результатов как отдельных ученых, так и научных коллективов. В настоящее время практика наукометрии, или, может быть, даже точнее сказать «псевдонаукометрии», сильно опережает теорию, так как и сами частные критерии, и методы их интеграции и применения вызывают большую и хорошо обоснованную критику [1, 3-11].

Ясно, что разные значения частных наукометрических критериев характеризует разное качество результатов научной деятельности, что и заложено в наукометрических методиках. Но не понятно, откуда их разработчики этих методик взяли именно сами эти значения. Скорее всего они сделали это на основе экспертных оценок, т.е. на основе интуиции, опыта и профессиональной компетенции.

Конечно, разработчики частных наукометрических критериев старались сконструировать их таким образом, чтобы они адекватно отражали определенные признаки степени успешности научной деятельности. Но возникает закономерный и существенный вопрос о том, на сколько или в какой степени это действительно удалось им сделать. Это вопрос о том, на сколько те или иные частные наукометрические критерии действительно «работают» и выполняют свою функцию индикаторов результатов научной деятельности.

Какими способами это можно проверить и кто это проверял?

По-видимому, способом проверки адекватности частных наукометрических критериев является сравнение результатов оценки результатов научной деятельности ученых по этим частным критериям с экспертными оценками этих же результатов. Если эти оценки совпадают, то критерии адекватны, если же нет, то значит они не работают и не пригодны для тех целей, для которых были разработаны.

Мысли о подобной проверке высказывались (см., например, [55]), но никто не осуществлял попыток такой проверки. В данной работе фактически впервые это также будет сделано.

Но даже если частные наукометрические критерии не выполняют своей функции, которая планировалась при их конструировании, то можно узнать в количественной форме, какую функцию они фактически выполняют и использовать их в этом качестве. Это же касается и критериев, которые работают. Что имеется в виду?

Авторы предлагают на основе экспертных оценок оценивать не сами частные критерии, а значения интегральных критериев для различных категорий авторов, отличающихся результативностью научной деятельности, и на основе этого строить модель, определяющую смысл различных значений частных критериев, т.е. количество информации в их значениях о различных результатах научной деятельности.

Суть предлагаемого подхода в том, что частные наукометрические критерии рассматриваются не сами по себе, как это обычно делается, а сначала на основе эмпирических данных об общих наукометрических показателях различных ученых (в нашем случае данных РИНЦ) и экспертных оценок результатов их деятельности создается и верифицируется модель, в которой рассчитывается, какое количество информации содержится в частных критериях о значениях интегральных критериев (результативности деятельности ученого), а затем эта модель применяется для оценки результатов деятельности других ученых, данные о которых не входили в обучающую выборку. Естественно, эти другие ученые должны входить в генеральную совокупность, по отношению к которой обучающая выборка репрезентативна, для чего они, например, должны относиться к тому же направлению науки. Для оценки результатов деятельности ученого с помощью модели рассчитывается суммарное количество информации, которое содержится в его наукометрических показателях о различных результатах деятельности, и считается, что у него скорее всего наиболее ценны те результаты, о которых в его наукометрических показателях содержится наибольшее суммарное количество информации. Эта оценка с помощью аддитивного интегрального критерия является сопоставимой количественной оценкой результатов научной деятельности различных ученых. В идеале наукометрическая интеллектуальная измерительная система должна оценивать ученых на основе их наукометрических показателей и модели так же, как эксперты на основе своей интуиции, опыта и профессиональной компетенции.

В этом и состоит суть предлагаемой наукометрической интеллектуальной измерительной системы [12], в которой значения частных наукометрических критериев будут рассчитываться непосредственно на основе эмпирических данных и экспертных оценок значений интегральных критериев по научно обоснованной методике на основе применения АСК-анализа [13] и системы «Эйдос» [14].

4. Краткое описание АСК-анализа, как метода решения проблемы

4.1 Кратко об АСК-анализе

Системный анализ представляет собой современный метод научного познания, общепризнанный метод решения проблем [13, 16, 19, 20]. Однако возможности практического применения системного анализа ограничиваются отсутствием программного инструментария, обеспечивающего его автоматизацию. Существуют разнородные программные системы, автоматизирующие отдельные этапы или функции системного анализа в различных конкретных предметных областях.

Автоматизированный системно-когнитивный анализ (АСК-анализ) представляет собой системный анализ, структурированный по базовым когнитивным операциям (БКО), благодаря чему удалось разработать для него математическую модель, методику численных расчетов (структуры данных и алгоритмы их обработки), а также реализующую их программную систему - систему «Эйдос» [13, 16, 17]. Система «Эйдос» разработана в постановке, не зависящей от предметной области, и имеет ряд программных интерфейсов с внешними данными различных типов [17]. АСК-анализ может быть применен как инструмент, многократно усиливающий возможности естественного интеллекта во всех областях, где используется естественный интеллект. АСК-анализ был успешно применен для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемого объекта путем исследования его модели во многих предметных областях, в частности в экономике, технике, социологии, педагогике, психологии, медицине, экологии, ампелографии, геофизике, энтомологии, криминалистике и многих других [13, 14] См., например: http://ej.kubagro.ru/a/viewaut.asp?id=11 http://lc.kubagro.ru/aidos/index.htm .

4.2 Истоки АСК-анализа

Известно, что системный анализ является одним из общепризнанных в науке методов решения проблем и многими учеными рассматривается вообще как метод научного познания. Однако, как впервые заметил еще в 1984 году проф. И.П. Стабин, на практике применение системного анализа наталкивается на проблему [24]. Суть этой проблемы в том, что обычно системный анализ успешно применяется в сравнительно простых случаях, в которых в принципе можно обойтись и без него, тогда как в действительно сложных ситуациях, когда он действительно чрезвычайно востребован и у него нет альтернатив, сделать это удается гораздо реже. Проф. И.П. Стабин предложил и путь решения этой проблемы, который он видел в автоматизации системного анализа [24].

Однако путь от идеи до создания программной системы долог и сложен, т.к. включает ряд этапов:

- выбор теоретического математического метода;

- разработка методики численных расчетов, включающей структуры данных в оперативной памяти и внешних баз данных (даталогическую и инфологическую модели) и алгоритмы обработки этих данных;

- разработка программной системы, реализующей эти математические методы и методики численных расчетов.

4.3 Методика АСК-анализа

Перегудов Ф.И. и Тарасенко Ф.П. в своих основополагающих работах 1989 и 1997 годов [19, 20] подробно рассмотрели математические методы, которые в принципе могли бы быть применены для автоматизации отдельных этапов системного анализа. Однако даже самые лучшие математические методы не могут быть применены на практике без реализующих их программных систем, а путь от математического метода к программной системе долог и сложен. Для этого необходимо разработать численные методы или методики численных расчетов (алгоритмы и структуры данных), реализующие математический метод, а затем разработать программную реализацию системы, основанной на этом численном методе.

В числе первых попыток реальной автоматизации системного анализа следует отметить докторскую диссертацию проф. Симанкова В.С. (2001) [25]. Эта попытка была основана на высокой детализации этапов системного анализа и подборе уже существующих программных систем, автоматизирующих эти этапы. Идея была в том, что чем выше детализация системного анализа, чем мельче этапы, тем проще их автоматизировать. Эта попытка была реализована, однако, лишь для специального случая исследования в области возобновляемой энергетики, т.к. системы оказались различных разработчиков, созданные с помощью различного инструментария и не имеющие программных интерфейсов друг с другом, т.е. не образующие единой автоматизированной системы. Эта попытка, безусловно, явилась большим шагом по пути, предложенному проф. И.П. Стабиным, но и ее нельзя признать обеспечившей достижение поставленной цели, сформулированной Стабиным И.П. (т.е. создание автоматизированного системного анализа), т.к. она не привела к созданию единой универсальной программной системы, автоматизирующий системный анализ, которую можно было бы применять в различных предметных областях.

Необходимо отметить работы Дж. Клира по системологии и автоматизации решения системных задач, которые внесли большой вклад в автоматизацию системного анализа путем создания и применения универсального решателя системных задач (УРСЗ), реализованного в рамках оригинальной экспертной системы [26, 27]. Однако в экспертной системе применяется продукционная модель знаний, для получения которых от эксперта необходимо участие инженера по знаниям (когнитолога). Этим обусловлены следующие недостатки экспертных систем:

- они генерируют знания каждый раз, когда они необходимы для решения задач, и это может занимать значительно большее время, чем при использовании декларативной формы представления знаний;

- продукционные модели обычно построены на бинарной логике (if then else), что вызывает возможность логического конфликта продукций в процесс логического вывода, что приводит к необратимому останову логического процесса при противоречивых исходных данных;

- эксперты - люди чаще всего заслуженные и их время и знания стоят очень дорого; поэтому привлечение экспертов для извлечения готовых знаний на длительное время проблематично и обычно эксперт просто физически не может сообщить очень большой объем знаний, а иногда и не хочет этого делать по тем или иным причинам («ноу-хау», нарушение морально-этических норм или даже ГК или УК, конфликт интересов) и сознательно сообщает неадекватные знания;

- чаще всего эксперты формулируют свои знания неформализуемым путем на основе своей интуиции, опыта и профессиональной компетенции, т.е. не могут сформулировать свои знания в количественной форме, а пользуются для их формализации порядковыми или даже номинальными шкалами, поэтому экспертные знания являются не очень точными и для их формализации необходим инженер по знаниям (когнитолог).

АСК-анализ как решение проблемы. Автоматизированный системно-когнитивный анализ разработан профессором Е.В. Луценко и предложен в 2002 году [13], хотя разработан он был значительно раньше, причем с программным инструментарием: системой «Эйдос» [17]. Основная идея, позволившая сделать это, состоит в рассмотрении системного анализа как метода познания (отсюда и «когнитивный» от «cognitio» - знание, познание, лат.). Эта идея позволила структурировать системный анализ не по этапам, как пытались сделать ранее, а по базовым когнитивным операциям системного анализа (БКОСА), т.е. таким операциям, к комбинациям которых сводятся остальные. Эти операции образуют минимальную систему, достаточную для описания системного анализа, как метода познания, т.е. конфигуратор. Понятие конфигуратора предложено В.А. Лефевром [28]. В 2002 году Е.В. Луценко был предложен когнитивный конфигуратор [13], включающий 10 базовых когнитивных операций.

Когнитивный конфигуратор:

1) присвоение имен;

2) восприятие (описание конкретных объектов в форме онтологий, т.е. их признаками и принадлежностью к обобщающим категориям - классам);

3) обобщение (синтез, индукция);

4) абстрагирование;

5) оценка адекватности модели;

6) сравнение, идентификация и прогнозирование;

7) дедукция и абдукция;

8) классификация и генерация конструктов;

9) содержательное сравнение;

10) планирование и поддержка принятия управленческих решений.

Каждая из этих операций оказалась достаточно элементарна для формализации и программной реализации.

Компоненты АСК-анализа:

- формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор;

- теоретические основы, методология, технология и методика АСК-анализа;

- математическая модель АСК-анализа, основанная на системном обобщении теории информации;

- методика численных расчетов, в универсальной форме реализующая математическую модель АСК-анализа, включающая иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА;

- специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод АСК-анализа - Универсальная когнитивная аналитическая система "Эйдос".

Этапы АСК-анализа:

1) когнитивно-целевая структуризация предметной области;

2) формализация предметной области (конструирование классификационных и описательных шкал и градаций и подготовка обучающей выборки);

3) синтез системы моделей предметной области (в настоящее время система «Эйдос» поддерживает 3 статистические модели и 7 системно-когнитивных моделей (моделей знаний);

4) верификация (оценка достоверности) системы моделей предметной области;

5) повышение качества системы моделей;

6) решение задач идентификации, прогнозирования и поддержки принятия решений;

7) исследование моделируемого объекта путем исследования его моделей является корректным, если модель верно отражает моделируемый объект и включает: кластерно-конструктивный анализ классов и факторов; содержательное сравнение классов и факторов; изучение системы детерминации состояний моделируемого объекта; нелокальные нейроны и интерпретируемые нейронные сети прямого счета; классические когнитивные модели (когнитивные карты); интегральные когнитивные модели (интегральные когнитивные карты), прямые обратные SWOT-диаграммы; когнитивные функции и т.д.

Суть метода АСК-анализа состоит в последовательном повышении степени формализации модели и преобразовании данных в информацию, а ее в знания и решении на основе этих знаний задач идентификации (распознавания, классификации и прогнозирования), поддержки принятия решений и исследования моделируемой предметной области (рисунки 1 и 2):



Рисунок 1. О соотношении содержания понятий: «данные», «информация» и «знания» в АСК-анализе

Рисунок 2. Последовательность преобразования данных в информацию, а ее в знания и решения задач в АСК-анализе и системе «Эйдос»

Математические аспекты АСК-анализа. Математическая модель АСК-анализ основана на теории информации, точнее на системной теории информации (СТИ), предложенной Е.В. Луценко [13, 16] Математическая модель АСК-анализа описана в ряде работ: http://elibrary.ru/author_items.asp?authorid=123162. Это значит, что в АСК-анализе все факторы рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта, на который они действуют, в определенное состояние, и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации [8, 9].

Это напоминает подход Дугласа Хаббарда [15], но, в отличие от него, имеет открытый универсальный программный инструментарий (систему «Эйдос»), разработанный в постановке, не зависящей от предметной области [13, 14]. К тому же на систему «Эйдос» уже в 1994 году было три патента РФ [13, 14 См., например: http://lc.kubagro.ru/aidos/index.htm ], а первые акты ее внедрения датируются 1987 годом [13, 14] http://lc.kubagro.ru/aidos/aidos02/PR-4.htm , тогда как основная работа Дугласа Хаббарда [29] появилась лишь в 2009 году. Это означает, что идеи АСК-анализа не только появились, но и были доведены до программной реализации в универсальной форме и применены в различных предметных областях на 22 с лишним года раньше появления работ Дугласа Хаббарда.

Поэтому АСК-анализ обеспечивает корректную сопоставимую обработку числовых и нечисловых данных, представленных в разных типах измерительных шкал и разных единицах измерения [13, 23]. Метод АСК-анализа является устойчивым непараметрическим методом, обеспечивающим создание моделей больших размерностей при неполных и зашумленных исходных данных о сложном нелинейном динамичном объекте управления. Этот метод является чуть ли не единственным на данный момент, обеспечивающим многопараметрическую типизацию и системную идентификацию методов, инструментарий которого (интеллектуальная система «Эйдос») находится в полном открытом бесплатном доступе [13, 14] http://lc.kubagro.ru/aidos/_Aidos-X.htm .

Система Эйдос обеспечивает:

1. Многопараметрическую типизацию, т.е. формирование обобщенных образов классов на основе конкретных примеров объектов, которые к ним относятся.

2. Системную идентификацию, т.е. определение степени сходства образа конкретного объекта с обобщенными образами классов (сравнение конкретных объектов с обобщенными образами классов).

3. Формирование кластеров классов (сравнение обобщенных образов классов друг с другом).

4. Формирование конструктов кластеров (сравнение кластеров друг с другом и формирование конструктов).

5. Исследование моделируемой предметной области путем исследования ее модели.

4.4 Некоторые результаты применения АСК-анализа в различных предметных областях

Метод системно-когнитивного анализа и его программный инструментарий интеллектуальная система "Эйдос" были успешно применены при проведении 6 докторских и 7 кандидатских диссертационных работ в ряде различных предметных областей по экономическим, техническим, психологическим и медицинским наукам.

АСК-анализ был успешно применены при выполнении десятка грантов РФФИ и РГНФ различной направленности за длительный период - с 2002 года по настоящее время (2016 год).

По проблематике АСК-анализа издано 22 монографии, получено 29 патентов на системы искусственного интеллекта, их подсистемы, режимы и приложения, опубликовано более 200 статей в изданиях, входящих в Перечень ВАК РФ (по данным РИНЦ). В одном только Научном журнале КубГАУ (входит в Перечень ВАК РФ с 26-го марта 2010 года) автором АСК-анализа Луценко Е.В. опубликовано 186 статей общим объёмом 321,559 у.п.л., в среднем 1,729 у.п.л. на одну статью.

По этим публикациям, грантам и диссертационным работам видно, что АСК-анализ уже был успешно применен в следующих предметных областях и научных направлениях: экономика (региональная, отраслевая, предприятий, прогнозирование фондовых рынков), социология, эконометрика, биометрия, педагогика (создание педагогических измерительных инструментов и их применение), психология (личности, экстремальных ситуаций, профессиональных и учебных достижений, разработка и применение профессиограмм), сельское хозяйство (прогнозирование результатов применения агротехнологий, принятие решений по выбору рациональных агротехнологий и микрозон выращивания), экология, ампелография, геофизика (глобальное и локальное прогнозирование землетрясений, параметров магнитного поля Земли, движения полюсов Земли), климатология (прогнозирование Эль-Ниньо и Ла-Нинья), возобновляемая энергетика, мелиорация и управление мелиоративными системами, криминалистика, энтомология и ряд других областей.

АСК-анализ вызывает большой интерес во всем мире. Сайт автора АСК-анализа [16] посетило около 500 тыс. посетителей с уникальными IP-адресами со всего мира. Еще около 500 тыс. посетителей открывали статьи по АСК-анализу в Научном журнале КубГАУ.

Необходимо отметить, что в развитии различных теоретических основ и практических аспектов АСК-анализа приняли участие многие ученые: д.э.н., к.т.н., проф. Луценко Е.В., Засл. деятель науки РФ, д.т.н., проф. Лойко В.И., к.ф.-м.н., Ph.D., проф., Трунев А.П. (Канада), д.э.н., д.т.н., к.ф.-м.н., проф. Орлов А.И., к.т.н., доц. Коржаков В.Е., д.э.н., проф. Барановская Т.П., д.э.н., к.т.н., проф. Ермоленко В.В., к.пс.н. Наприев И.Л., к.пс.н., доц. Некрасов С.Д., к.т.н., доц. Лаптев В.Н., к.пс.н, доц. Третьяк В.Г., к.пс.н., Щукин Т.Н., д.т.н., проф. Симанков В.С., д.э.н., проф. Ткачев А.Н., д.т.н., проф. Сафронова Т.И., д.э.н., доц. Горпинченко К.Н., к.э.н., доц. Макаревич О.А., к.э.н., доц. Макаревич Л.О., к.м.н. Сергеева Е.В. (Фомина Е.В.), Бандык Д.К. (Белоруссия), Чередниченко Н.А., к.ф.-м.н. Артемов А.А., д.э.н., проф. Крохмаль В.В., д.т.н., проф. Рябцев В.Г., к.т.н., доц. Марченко А.Ю., д.т.н., проф. Фролов В.Ю., д.ю.н, проф. Швец С.В., Засл. деятель науки Кубани, д.б.н., проф. Трошин Л.П., Засл. изобр. РФ, д.т.н., проф. Серга Г.В., Сергеев А.С., д.б.н., проф. Стрельников В.В. и другие.

В заключение отметим, что программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» находится в полном открытом бесплатном доступе на сайте автора (вместе с исходными текстами) по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm.

5. Численный пример синтеза и применения наукометрической интеллектуальной измерительной системы

Рассмотрим численный пример решения поставленной проблемы в соответствии с приведенными выше в разделе 3.3.2 и на рисунке 2 этапами АСК-анализа:

1) когнитивно-целевая структуризация предметной области;

2) формализация предметной области (конструирование классификационных и описательных шкал и градаций и подготовка обучающей выборки);

3) синтез системы моделей предметной области (в настоящее время система «Эйдос» поддерживает 3 статистические модели и 7 системно-когнитивных моделей (моделей знаний);

4) верификация (оценка достоверности) системы моделей предметной области;

5) повышение качества системы моделей;

6) решение задач идентификации, прогнозирования и поддержки принятия решений;

7) исследование моделируемой предметной области путем исследования ее модели.

5.1 Когнитивно-целевая структуризация предметной области

Содержание этого этапа АСК-анализа, единственного неформализованного и не реализованного в системе «Эйдос», состоит в том, что необходимо определиться что мы будем рассматривать в качестве факторов, а что в качестве результатов их влияния.

В данном случае ясно, что на основе значений общих наукометрических показателей авторов необходимо оценивать результаты их научной деятельности.

Таким образом данный этап выполнен.

5.2 Формализация предметной области

На этом этапе АСК-анализа создаются классификационные и описательные шкалы и градации, а затем с их использованием кодируются исходные данные и в результате чего формируются база событий и обучающая выборка (рис. 2). По сути этап формализации предметной области является нормализацией базы исходных данных, в результате чего степень формализации исходных данных возрастает до уровня, необходимого и достаточного для их обработки на компьютере в программной системе.

Исходные данные по авторам

Источник исходных данных

Исходные данные любезно предоставлены в удобной для проведения исследования форме Глуховым Виктором Алексеевичем, - к.т.н., зам. директора по научной работе ИНИОН РАН, руководителем Фундаментальной библиотеки, г. Москва. Необходимо отметить, что все эти исходные данные находятся в полном открытом бесплатном доступе на сайте РИНЦ http://elibrary.ru/ в авторском указателе и представляют собой ни что иное, как «Общие показатели» по каждому автору.

Форма представления исходных данных

Исходные данные представляются в форме Excel-таблицы, в которой каждая строка описывает один объект обучающей выборки. В первой колонке этой таблицы содержится идентифицирующая информация об объекте обучающей выборки, затем идут колонки, являющиеся классификационными шкалами, а затем колонки, являющиеся описательными шкалами.

Классификационные и описательные шкалы могут быть текстового и числового типа. Если они текстового типа, то значениями градаций шкал являются уникальные текстовые наименования в них. Если шкалы числового типа, то в них ищется минимальное и максимальное числовое значение, а затем диапазон изменения числовой величины делится на заданное пользователем (в диалоге) число интервальных числовых значений, которые и являются градациями шкал. Градации классификационных шкал являются классами и по ним проводится группировка строк базы исходных данных и обобщение. Градации описательных шкал являются значениями факторов, характеризующих объекты обучающей выборки. Требования к файлу исходных данных приведены на рис. 3:

Рисунок 3. Требования к файлу исходных данных

Таблица 1 - Исходные данные

Примечание: Изображения таблицы исходных данных представлены с разрешением 600 dpi и при увеличении изображения хорошо читабельны.

Организация группы экспертов и методика взвешивания экспертных оценок. В соответствии с идеей решения проблемы, поставленной в данном исследовании, исходные данные, представленные в таблице 1 дополняются экспертными оценками результативности научной деятельности авторов.

Выбор ученых для исследования был осуществлен по нескольким направлениям науки («Экономика», "Математика", "Технические науки" и др.) таким образом, чтобы в выборку попали и очень известные ученые, известные своими научными результатами, и менее известные.

В качестве экспертов выступали сотрудники ведущих НИИ и вузов страны. Имена экспертов не сообщаются из этических соображений.

Взвешивание экспертных оценок производилось с учетом «научного веса» эксперта, соответствующего его ученой степени и научному званию.

Первичные и расчетные показатели.

Все показатели в таблице исходных данных делятся на первичные и расчетные на их основе. Обычно эти расчетные показатели даются в процентах.

Классификационные и описательные шкалы и градации. Классификационные и описательные шкалы и градации приведены в таблицах 2 и 3:

Таблица 2 - Классификационные шкалы и градации

Код	Наименование шкалы и градации
1	СТЕПЕНЬ-ЗВАНИЕ-1/4-1-Канд.наук
2	СТЕПЕНЬ-ЗВАНИЕ-2/4-2-Докт.наук
3	СТЕПЕНЬ-ЗВАНИЕ-3/4-3-Чл.корр.
4	СТЕПЕНЬ-ЗВАНИЕ-4/4-4-Акад.РАН
5	НАУЧНЫЕ ДОСТИЖЕНИЯ-1/3-1-Низкие
6	НАУЧНЫЕ ДОСТИЖЕНИЯ-2/3-2-Средние
7	НАУЧНЫЕ ДОСТИЖЕНИЯ-3/3-3-Высокие

Таблица 3 - Описательные шкалы и градации

Код	Наименование шкалы и градации
1	CITED-1/4-{1.0000000, 39.0000000}
2	CITED-2/4-{39.0000000, 91.0000000}
3	CITED-3/4-{91.0000000, 237.0000000}
4	CITED-4/4-{237.0000000, 9704.0000000}
5	PUBLICATIONS-1/4-{13.0000000, 33.0000000}
6	PUBLICATIONS-2/4-{33.0000000, 80.0000000}
7	PUBLICATIONS-3/4-{80.0000000, 170.0000000}
8	PUBLICATIONS-4/4-{170.0000000, 320.0000000}
9	GRANTS-1/4-{1.0000000, 1.0000000}
10	GRANTS-2/4-{1.0000000, 4.0000000}
11	GRANTS-3/4-{4.0000000, 8.0000000}
12	GRANTS-4/4-{8.0000000, 51.0000000}
13	NUMOFITEMS-1/4-{5.0000000, 20.0000000}
14	NUMOFITEMS-2/4-{20.0000000, 34.0000000}
15	NUMOFITEMS-3/4-{34.0000000, 62.0000000}
16	NUMOFITEMS-4/4-{62.0000000, 265.0000000}
17	СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ АВТОРА-1/4-{12.0000000, 113.0000000}
18	СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ АВТОРА-2/4-{113.0000000, 203.0000000}
19	СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ АВТОРА-3/4-{203.0000000, 674.0000000}
20	СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ АВТОРА-4/4-{674.0000000, 12391.0000000}
21	ИНДЕКС ХИРША-1/4-{1.0000000, 4.0000000}
22	ИНДЕКС ХИРША-2/4-{4.0000000, 6.0000000}
23	ИНДЕКС ХИРША-3/4-{6.0000000, 7.0000000}
24	ИНДЕКС ХИРША-4/4-{7.0000000, 45.0000000}
25	ЧИСЛО ПУБЛИКАЦИЙ АВТОРА В РИНЦ-1/4-{5.0000000, 25.0000000}
26	ЧИСЛО ПУБЛИКАЦИЙ АВТОРА В РИНЦ-2/4-{25.0000000, 43.0000000}
27	ЧИСЛО ПУБЛИКАЦИЙ АВТОРА В РИНЦ-3/4-{43.0000000, 77.0000000}
28	ЧИСЛО ПУБЛИКАЦИЙ АВТОРА В РИНЦ-4/4-{77.0000000, 369.0000000}
29	ЧИСЛО САМОЦИТИРОВАНИЙ-1/4-{2.0000000, 20.0000000}
30	ЧИСЛО САМОЦИТИРОВАНИЙ-2/4-{20.0000000, 55.0000000}
31	ЧИСЛО САМОЦИТИРОВАНИЙ-3/4-{55.0000000, 114.0000000}
32	ЧИСЛО САМОЦИТИРОВАНИЙ-4/4-{114.0000000, 507.0000000}
33	ЧИСЛО САМОЦИТИРОВАНИЙ (%)-1/4-{0.2824859, 6.8181818}
34	ЧИСЛО САМОЦИТИРОВАНИЙ (%)-2/4-{6.8181818, 13.0494505}
35	ЧИСЛО САМОЦИТИРОВАНИЙ (%)-3/4-{13.0494505, 37.5000000}
36	ЧИСЛО САМОЦИТИРОВАНИЙ (%)-4/4-{37.5000000, 69.0265487}
37	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ-1/4-{2.0000000, 23.0000000}
38	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ-2/4-{23.0000000, 33.0000000}
39	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ-3/4-{33.0000000, 52.0000000}
40	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ-4/4-{52.0000000, 343.0000000}
41	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ (%)-1/4-{32.5000000, 60.0000000}
42	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ (%)-2/4-{60.0000000, 72.7272727}
43	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ (%)-3/4-{72.7272727, 77.7777778}
44	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ (%)-4/4-{77.7777778, 103.2258065}
45	ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ-1/4-{1.0000000, 1.0000000}
46	ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ-2/4-{1.0000000, 2.0000000}
47	ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ-3/4-{2.0000000, 4.0000000}
48	ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ-4/4-{4.0000000, 222.0000000}
49	ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ (%)-1/4-{1.2987013, 2.3809524}
50	ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ (%)-2/4-{2.3809524, 4.3478261}
51	ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ (%)-3/4-{4.3478261, 9.3023256}
52	ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ (%)-4/4-{9.3023256, 62.7118644}
53	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК-1/4-{6.0000000, 14.0000000}
54	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК-2/4-{14.0000000, 24.0000000}
55	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК-3/4-{24.0000000, 43.0000000}
56	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК-4/4-{43.0000000, 219.0000000}
57	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК (%)-1/4-{15.0000000, 38.0952381}
58	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК (%)-2/4-{38.0952381, 51.7441860}
59	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК (%)-3/4-{51.7441860, 60.8108108}
60	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК (%)-4/4-{60.8108108, 100.0000000}
61	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ-1/4-{1.0000000, 3.0000000}
62	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ-2/4-{3.0000000, 7.0000000}
63	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ-3/4-{7.0000000, 11.0000000}
64	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ-4/4-{11.0000000, 71.0000000}
65	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ (%)-1/4-{1.3513514, 5.0505051}
66	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ (%)-2/4-{5.0505051, 10.0000000}
67	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ (%)-3/4-{10.0000000, 22.9508197}
68	ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ (%)-4/4-{22.9508197, 52.0000000}
69	ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ-1/4-{2.0000000, 29.0000000}
70	ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ-2/4-{29.0000000, 88.0000000}
71	ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ-3/4-{88.0000000, 193.0000000}
72	ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ-4/4-{193.0000000, 1322.0000000}
73	ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ (%)-1/4-{3.9548023, 15.3310105}
74	ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ (%)-2/4-{15.3310105, 30.4812834}
75	ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ (%)-3/4-{30.4812834, 46.6666667}
76	ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ (%)-4/4-{46.6666667, 78.3018868}
77	ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ-1/4-{3.0000000, 13.0000000}
78	ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ-2/4-{13.0000000, 23.0000000}
79	ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ-3/4-{23.0000000, 48.0000000}
80	ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ-4/4-{48.0000000, 312.0000000}
81	ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ (%)-1/4-{21.8750000, 47.5000000}
82	ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ (%)-2/4-{47.5000000, 59.2592593}
83	ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ (%)-3/4-{59.2592593, 68.4931507}
84	ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ (%)-4/4-{68.4931507, 84.9710983}
85	ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-1/4-{1.0000000, 9.0000000}
86	ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-2/4-{9.0000000, 14.0000000}
87	ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-3/4-{14.0000000, 35.0000000}
88	ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-4/4-{35.0000000, 231.0000000}
89	ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-1/4-{7.6923077, 20.0000000}
90	ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-2/4-{20.0000000, 30.4347826}
91	ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-3/4-{30.4347826, 52.5000000}
92	ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-4/4-{52.5000000, 71.4285714}
93	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ-1/4-{6.0000000, 77.0000000}
94	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ-2/4-{77.0000000, 156.0000000}
95	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ-3/4-{156.0000000, 401.0000000}
96	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ-4/4-{401.0000000, 6281.0000000}
97	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ (%)-1/4-{25.0000000, 52.3489933}
98	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ (%)-2/4-{52.3489933, 62.8099174}
99	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ (%)-3/4-{62.8099174, 73.0263158}
100	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ (%)-4/4-{73.0263158, 91.1504425}
101	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ-1/4-{1.0000000, 4.0000000}
102	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ-2/4-{4.0000000, 17.0000000}
103	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ-3/4-{17.0000000, 36.0000000}
104	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ-4/4-{36.0000000, 1486.0000000}
105	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ (%)-1/4-{0.4926108, 2.1739130}
106	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ (%)-2/4-{2.1739130, 3.3112583}
107	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ (%)-3/4-{3.3112583, 11.0795455}
108	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ (%)-4/4-{11.0795455, 70.8333333}
109	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК-1/4-{5.0000000, 56.0000000}
110	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК-2/4-{56.0000000, 100.0000000}
111	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК-3/4-{100.0000000, 279.0000000}
112	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК-4/4-{279.0000000, 4871.0000000}
113	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК (%)-1/4-{15.2173913, 35.5963303}
114	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК (%)-2/4-{35.5963303, 40.5612245}
115	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК (%)-3/4-{40.5612245, 53.7087912}
116	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК (%)-4/4-{53.7087912, 90.2654867}
117	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ-1/4-{1.0000000, 2.0000000}
118	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ-2/4-{2.0000000, 12.0000000}
119	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ-3/4-{12.0000000, 50.0000000}
120	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ-4/4-{50.0000000, 744.0000000}
121	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ (%)-1/4-{0.1373626, 0.8710801}
122	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ (%)-2/4-{0.8710801, 4.1666667}
123	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ (%)-3/4-{4.1666667, 14.8016050}
124	ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ (%)-4/4-{14.8016050, 44.2477876}
125	ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-1/4-{3.0000000, 20.0000000}
126	ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-2/4-{20.0000000, 33.0000000}
127	ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-3/4-{33.0000000, 49.0000000}
128	ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-4/4-{49.0000000, 322.0000000}
129	ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-1/4-{25.0000000, 55.5555556}
130	ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-2/4-{55.5555556, 65.2173913}
131	ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-3/4-{65.2173913, 77.7777778}
132	ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-4/4-{77.7777778, 97.1428571}
133	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-1/4-{6.0000000, 75.0000000}
134	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-2/4-{75.0000000, 157.0000000}
135	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-3/4-{157.0000000, 401.0000000}
136	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-4/4-{401.0000000, 6276.0000000}
137	ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-1/4-{43.3673469, 55.1860040}
138	ЧИСЛО Ц...

Страница:

•  1 
•  2 

статья "Наукометрическая интеллектуальная измерительная система по данным РИНЦ на основе АСК-анализа и системы "Эйдос"" скачать

Подобные документы

• Коммерциализация объектов интеллектуальной собственности

  Внедрение инноваций на коммерческой основе или процесс коммерциализации интеллектуальной собственности. Оценка интеллектуальной собственности - изобретений, защищенных патентами, заявок на изобретения - "patent pending","ноу-хау", торговых марок.
  
  реферат [47,7 K], добавлен 10.02.2009
  

• Экспертные системы в управлении качеством

  Роль менеджеров по качеству в разработке и реализации экспертных систем. Обоснование проблемы для решения на основе ЭС. Идентификация проблемы. Извлечение, структурирование и формализация знаний. Тестирование и разработка прототипа экспертной системы.
  
  контрольная работа [135,4 K], добавлен 14.04.2015
  

• Совершенствование системы управления персоналом организации

  Понятие системы управления персоналом, ее сущность и ставные элементы, основные цели и функции на предприятии. Анализ системы управления персоналом на ООО УК "Спецстройгарант", ее особенности. Выявленные в ходе анализа проблемы и пути их решения.
  
  дипломная работа [125,7 K], добавлен 09.05.2009
  

• Методы принятия управленческих решений для конкретной проблемы

  Описание проблемной ситуации с использованием методов SWOT-анализа. Построение дерева целей для решения проблемы. Расчет коэффициентов оценки альтернатив решений с помощью экспертного опроса. Разработка планов и системы контроля за выполнение решений.
  
  курсовая работа [286,1 K], добавлен 07.09.2010
  

• Интеллектуальная собственность в инновационном процессе

  Определение термина "инновации", их связи с интеллектуальной собственностью. Инновационная деятельность и экономическое развитие страны, механизм глобального "кризиса перепотребления". Правовая защита интеллектуальной собственности в современных условиях.
  
  контрольная работа [732,7 K], добавлен 21.06.2010
  

• Система управления интеллектуальной собственностью

  Понятие интеллектуальной собственности в соответствии с российским и западным законодательством. Подготовка внешней и внутренней информации при оценке интеллектуальной собственности. Классификация методов оценки объектов интеллектуальной собственности.
  
  дипломная работа [109,5 K], добавлен 21.10.2010
  

• Коммерческая деятельность на рынке интеллектуальной собственности

  Понятие, виды и защита прав интеллектуальной собственности. Основные формы коммерческой реализации объектов интеллектуальной собственности и обмена технологиями. Монополия на объекты интеллектуальных прав и "виртуальная экономика", вопросы брендинга.
  
  курсовая работа [163,8 K], добавлен 11.11.2010
  

• Закон единства и анализа синтеза в организации

  Постоянный процесс анализа и синтеза в социальной и биологической системах. Особенности анализа и синтеза в социальных организациях. Формулировка закона единства анализа и синтеза и его математическая интерпретация.
  
  курсовая работа [54,6 K], добавлен 08.01.2004
  

• Использование моделей жизненного цикла информационной системы. Каскадная модель. Спиральная модель. Проведение анализа

  Стадии жизненного цикла информационной системы (ИС). Проблемы спирального цикла. Проблемы внедрения при использовании итерационной модели жизненного цикла. Положительные стороны применения каскадного подхода. Поэтапная модель с промежуточным контролем.
  
  лабораторная работа [52,9 K], добавлен 02.02.2015
  

• Изучение методов принятия управленческих решений для конкретной проблемы

  Оценка проблемы неэффективной деятельности ЗАО "Аксит" с помощью СВОТ-анализа. Построение дерева целей для ее решения. Расчет коэффициентов оценки вариантов решений методом экспертного опроса. Разработка планов и системы контроля за выполнением решений.
  
  курсовая работа [67,0 K], добавлен 03.09.2010
  

• Разработка управленческого решения для компании "МегаФон"

  Компания "Мегафон": отрасль деятельности, миссия и цель деятельности. Факторы внутренней и внешней среды организации. Разработка управленческого решения для решения проблемы с применением метода мозгового штурма, его преимущества, этапы и функции.
  
  контрольная работа [29,9 K], добавлен 08.01.2012
  

• Управление интеллектуальной собственностью организации

  Объекты интеллектуальной собственности. Правовое регулирование и лицензирование индивидуальной собственности. Типы лицензий на интеллектуальную собственность. Защита инноваций как объектов интеллектуальной собственности, ее правовое регулирование.
  
  контрольная работа [36,9 K], добавлен 29.01.2013
  

• Управленческие решения

  Описание психологических феноменов процесса принятия решений. Пример ситуации, которая характеризуется условиями системного риска. Системные риски системы финансовых посредников. Особенности технологической эффективности управленческого решения.
  
  контрольная работа [27,0 K], добавлен 28.04.2011
  

• Системы управления предприятием

  Характеристика информационно-измерительной системы. Основные виды понятий интеграции: пространственная, временная, организационная и программная. Автоматизированные системы управления научными исследованиями, проектированием и технологическими процессами.
  
  курсовая работа [40,5 K], добавлен 27.02.2012
  

• Практическая реализация требований стандарта ISO 9001

  Проблемы проектирования схем анализа и усовершенствования деятельности организации; построение действенной системы анализа и усовершенствование процессов управления. Рассмотрение информации и принятие решений на ее основе, методика выполнения процессов.
  
  статья [28,3 K], добавлен 19.08.2010
  

• Системный анализ по жилищной проблеме приобретения собственного жилья

  Анализ и выявление основных проблем приобретения квартиры на современном этапе. Порядок и принципы применения методов системного анализа в решении данной проблемы. Выбор системы оценки для решений и выявление оптимального решения поставленной задачи.
  
  контрольная работа [31,1 K], добавлен 18.10.2010
  

• Решение управленческих проблем

  Управленческие проблемы, их суть, классификация и природа возникновения. Инструментарий, использованный для анализа и решения проблем. Анализ и решения проблем компании. Децентрализация структуры управления. Информационная система и нововведение.
  
  курсовая работа [47,0 K], добавлен 13.03.2011
  

• Системный подход в системах управления

  Сущность и содержание системного подхода, анализа и синтеза систем управления. Обратимые и необратимые динамические системы. Компоненты системы. Понятие границы системы: материальные и нематериальные ограничители, дистанцирующие систему от внешней среды.
  
  курсовая работа [34,5 K], добавлен 27.03.2009
  

• Методы анализа иерархий (МАИ): особенности применения, достоинства и недостатки

  Основные понятия и характеристика метода анализа иерархий. Изучение закона единства анализа и синтеза как в природе, так и в конкретной организации. Оценка операционной эффективности промышленных предприятия холдинга ОАО "Концерн ПВО "Алмаз-Антей".
  
  курсовая работа [65,0 K], добавлен 17.03.2012
  

• Формы документов и порядок их заполнения для проведения процедуры "Мозговой штурм"

  Идея метода мозгового штурма Алекса Осборна - оперативный метод решения проблемы на основе стимулирования творческой активности участников. Этапы проведения мозгового штурма: постановка проблемы; генерация идей; группировка, отбор и оценка идей.
  
  реферат [16,3 K], добавлен 18.07.2010
  

Другие документы, подобные "Наукометрическая интеллектуальная измерительная система по данным РИНЦ на основе АСК-анализа и системы "Эйдос""

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам