Типизация и идентификация респондентов в социологии по их астрономическим показателям на момент рождения

При этом выясняется, что различные астропризнаки имеют различный вес как для дифференциации классов между собой, так и для идентификации респондентов с каждым из них. И зависимости выявляются уже между образом конкретного респондента и обобщенными образами классов (категорий), так и между классами или между самими астропризнаками. Этот подход существенно отличается от статистики. Проведенное исследование позволяет утверждать, что эти зависимости существуют и СК-анализ позволяет их выявить, изучить и использовать для решения задач идентификации (прогнозирования) и поддержки принятия решений. Особенно наглядно это видно при сравнении и сопоставлении реальной модели со случайной, аналогичной по размерностям справочников классов и признаков, а также объему обучающей выборки. Конечно отношение сигнал/шум различно для различных обобщенных категорий и различных конкретных респондентов, в результате чего некоторые из них идентифицируются очень хорошо, другие же гораздо хуже или практически на уровне случайного угадывания.

Была просчитана внешняя валидность на 5000 респондентов на случайной модели, по всем основным параметрам размерности аналогичной основной модели. Получилась достоверность значительно ниже, чем в основной модели. Эту разницу можно объяснить только тем, что в основной модели есть зависимости, отличающие ее от случайной. В то же время результаты анализа на случайной модели дают представление о величине возможных погрешностей в основной модели, т.е. об уровнях сходства при идентификации, которые уже невозможно объяснить случайными сочетаниями параметров.

Выходные формы реальной и случайной моделей закачаны по адресу: http://lc.kubagro.ru/1/astr14.rar

Эти формы нужно анализировать в сопоставлении с приведенными ранее: http://lc.kubagro.ru/1/astr13.rar

Из сопоставления этих форм можно сделать некоторые предварительные выводы.

Первое.

Разница между формами, полученными а реальной и случайной моделях очень заметная. Уровни сходства конкретных объектов с классами в случайной модели значительно ниже, чем в обычной. Уровни достоверности идентификации и внешняя валидность тоже. Ясно, что эти различия полностью обусловлены наличием зависимостей между астропризнаками и принадлежностью респондентов к различным категориям. В то же время необходимо отметить, что эта разница различна для различных категорий: для одних она очень большая, для других меньше, а для третьих практически отсутствует. На этом основании можно высказать гипотезу о том, что для различных категорий уровень сигнал/шум зависимостей между астропризнаками респондентов на момент рождения и принадлежностью этих респондентов к тем или иным категориям имеет различное значение.

Второе.

Даже для случайной модели видно, что метод СК-анализа даже на очень приличной по объему случайной выборке все дает результаты идентификации, отличающиеся от чисто случайных. Это объясняется тем, что этот метод находит различия в классах даже при такой большой случайно выборке.

Ниже приводится исходный текст программы генерации случайной выборки на языке xBase++ (Аляска). Это сделано для того, чтобы можно было проверить (при желании), что выборка действительно случайная. В программе используются генераторы псевдослучайных чисел с равномерным распределением.

***** ФОРМИРОВАНИЕ КЛАССИФИКАЦИОННЫХ И ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ, ******

***** А ТАКЖЕ ОБУЧАЮЩЕЙ ВЫБОРКИ СЛУЧАЙНЫМ ОБРАЗОМ ПО ПАРАМЕТРАМ АСТРОМОДЕЛИ

***** Луценко Е.В., 06/02/06 10:17am **************************************

#pragma Library("ADAC20B.LIB")

#pragma Library("KERNEL32.LIB")

#pragma Library("USER32.LIB")

#pragma Library("XBTBASE1.LIB")

#pragma Library("XBTBASE2.LIB")

#pragma Library("XBTNETB.LIB")

#pragma Library("XBTNETW.LIB")

#pragma Library("XPPDBGC.LIB")

#pragma Library("XPPRT0.LIB")

#pragma Library("XPPRT1.LIB")

#pragma Library("XPPUI2.LIB")

#pragma Library("XPPUI3.LIB")

#include "ACHOICE.CH"

#include "APP.CH"

#include "APPBROW.CH"

#include "APPEDIT.CH"

#include "APPEVENT.CH"

#include "ASSERT.CH"

#include "BOX.CH"

#include "CLASS.CH"

#include "COLLAT.CH"

#include "COLOR.CH"

#include "COMMON.CH"

#include "DAC.CH"

#include "DBEDIT.CH"

#include "DBFDBE.CH"

#include "DBSTRUCT.CH"

#include "DBTYPES.CH"

#include "DELDBE.CH"

#include "DIRECTRY.CH"

#include "DMLB.CH"

#include "ERROR.CH"

#include "FILEIO.CH"

#include "FONT.CH"

#include "GET.CH"

#include "GETEXIT.CH"

#include "GRA.CH"

#include "GRAERROR.CH"

#include "INKEY.CH"

#include "MEMOEDIT.CH"

#include "MEMVAR.CH"

#include "NATMSG.CH"

#include "NLS.CH"

#include "NTXDBE.CH"

#include "PROMPT.CH"

#include "SERVICE.CH"

#include "SET.CH"

#include "SETCURS.CH"

#include "SIMPLEIO.CH"

#include "STD.CH"

#include "THREAD.CH"

#include "TYPES.CH"

#include "VXBRIDGE.CH"

#include "XB2.CH"

#include "XBP.CH"

#include "XBPDEV.CH"

#include "XBPSYS.CH"

#include "XBT.CH"

#include "XBTCOM.CH"

#include "XBTDISK.CH"

#include "XBTDRV.CH"

#include "XBTKBD.CH"

#include "XBTMISC.CH"

#include "XBTNETB.CH"

#include "XBTNETW.CH"

#include "XBTNWPS.CH"

#include "XBTPRINT.CH"

#include "XBTSCAN.CH"

#include "XBTSYS.CH"

#include "XBTVIDEO.CH"

#include "XBTWIN.CH"

#include "GetCol.prg"

#include "xbpget.prg"

#include "xbpgetc.prg"

*PROCEDURE AppSys()

*RETURN

PROCEDURE Main()

***** БЛОК-1. ОТОБРАЖЕНИЕ ИНФОРМАЦИИ О ФУНКЦИЯХ ПРОГРАММНОГО ИНТЕРФЕЙСА

SET CURSOR OFF

SET DATE ITALIAN

SET DECIMALS TO 15

SET ESCAPE On

Mess1 = " === ГЕНЕРАЦИЯ СЛУЧАЙНЫХ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИЙ === "

Mess2 = " === ГЕНЕРАЦИЯ СЛУЧАЙНЫХ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ === "

Mess3 = " === ГЕНЕРАЦИЯ СЛУЧАЙНОЙ ОБУЧАЮЩЕЙ ВЫБОРКИ === "

** БЛОК-3. ЗАДАНИЕ В ДИАЛОГЕ ДИАПАЗОНОВ СТОЛБЦОВ С КЛАССАМИ И ФАКТОРАМИ

N_Obj = 500

Mess = "Задайте количество классов: #####"

@10,40-LEN(Mess)/2 SAY Mess COLOR "w+/rb"

@10,52 GET N_Obj PICTURE "#####" COLOR "rg+/r+"

N_Atr = 532

Mess = "Задайте количество признаков: #####"

@12,40-LEN(Mess)/2 SAY Mess COLOR "w+/rb"

@12,52 GET N_Atr PICTURE "#####" COLOR "rg+/r+"

N_Ank = 20007

Mess = "Задайте количество анкет: #####"

@14,40-LEN(Mess)/2 SAY Mess COLOR "w+/rb"

@14,52 GET N_Ank PICTURE "#####" COLOR "rg+/r+"

SET CURSOR ON;READ;SET CURSOR OFF

N_LogAnk = 7 && Среднее кол-во логических анкет в одной физической

CLOSE ALL

** БЛОК-7. ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИЙ

CLOSE ALL

USE Object EXCLUSIVE NEW;ZAP

FOR j=1 TO N_Obj

APPEND BLANK

REPLACE Kod WITH j

REPLACE Name WITH "Obj_"+ALLTRIM(STR(j,5))

NEXT

** БЛОК-8. ГЕНЕРАЦИЯ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ

A_nop := {}

A_kpp1:= {}

A_kpp2:= {}

AADD(A_nop,"NAKSATRA_M");AADD(A_kpp1, 1);AADD(A_kpp2, 27)

AADD(A_nop,"SUNLON ");AADD(A_kpp1, 2 ;AADD(A_kpp2, 39)

AADD(A_nop,"SUNLAT ");AADD(A_kpp1, 40);AADD(A_kpp2, 40)

AADD(A_nop,"SUNDIST ");AADD(A_kpp1, 41);AADD(A_kpp2, 41)

AADD(A_nop,"MOONLON ");AADD(A_kpp1, 42);AADD(A_kpp2, 53)

AADD(A_nop,"MOONLAT ");AADD(A_kpp1, 54);AADD(A_kpp2, 65)

AADD(A_nop,"MOONDIST ");AADD(A_kpp1, 66);AADD(A_kpp2, 66)

AADD(A_nop,"MERCURYLON");AADD(A_kpp1, 67);AADD(A_kpp2, 7

AADD(A_nop,"MERCURYLAT");AADD(A_kpp1, 79);AADD(A_kpp2, 90)

AADD(A_nop,"MERCURYDIS");AADD(A_kpp1, 91);AADD(A_kpp2, 91)

AADD(A_nop,"VENUSLON ");AADD(A_kpp1, 92);AADD(A_kpp2,103)

AADD(A_nop,"VENUSLAT ");AADD(A_kpp1,104);AADD(A_kpp2,115)

AADD(A_nop,"VENUSDIST ");AADD(A_kpp1,116);AADD(A_kpp2,127)

AADD(A_nop,"MARSLON ");AADD(A_kpp1,128);AADD(A_kpp2,139)

AADD(A_nop,"MARSLAT ");AADD(A_kpp1,140);AADD(A_kpp2,151)

AADD(A_nop,"MARSDIST ");AADD(A_kpp1,152);AADD(A_kpp2,163)

AADD(A_nop,"JUPITERLON");AADD(A_kpp1,164);AADD(A_kpp2,175)

AADD(A_nop,"JUPITERLAT");AADD(A_kpp1,176);AADD(A_kpp2,176)

AADD(A_nop,"JUPITERDIS");AADD(A_kpp1,186);AADD(A_kpp2,197)

AADD(A_nop,"SATURNLON ");AADD(A_kpp1,198);AADD(A_kpp2,209)

AADD(A_nop,"SATURNLAT ");AADD(A_kpp1,210);AADD(A_kpp2,221)

AADD(A_nop,"SATURNDIST");AADD(A_kpp1,222);AADD(A_kpp2,233)

AADD(A_nop,"URANUSLON ");AADD(A_kpp1,234);AADD(A_kpp2,245)

AADD(A_nop,"URANUSLAT ");AADD(A_kpp1,246);AADD(A_kpp2,257)

AADD(A_nop,"URANUSDIST");AADD(A_kpp1,258);AADD(A_kpp2,269)

AADD(A_nop,"NEPTUNELON");AADD(A_kpp1,270);AADD(A_kpp2,281)

AADD(A_nop,"NEPTUNELAT");AADD(A_kpp1,282);AADD(A_kpp2,293)

AADD(A_nop,"NEPTUNEDIS");AADD(A_kpp1,294);AADD(A_kpp2,305)

AADD(A_nop,"PLUTOLON ");AADD(A_kpp1,306);AADD(A_kpp2,317)

AADD(A_nop,"PLUTOLAT ");AADD(A_kpp1,318);AADD(A_kpp2,329)

AADD(A_nop,"PLUTODIST ");AADD(A_kpp1,330);AADD(A_kpp2,341)

AADD(A_nop,"CHIRONLON ");AADD(A_kpp1,342);AADD(A_kpp2,353)

AADD(A_nop,"CHIRONLAT ");AADD(A_kpp1,354);AADD(A_kpp2,365)

AADD(A_nop,"CHIRONDIST");AADD(A_kpp1,366);AADD(A_kpp2,374)

AADD(A_nop,"NODELON ");AADD(A_kpp1,375);AADD(A_kpp2,386)

AADD(A_nop,"NODELAT ");AADD(A_kpp1,387);AADD(A_kpp2,387)

AADD(A_nop,"NODEDIST ");AADD(A_kpp1,388);AADD(A_kpp2,388)

AADD(A_nop,"HOUSE1 ");AADD(A_kpp1,389);AADD(A_kpp2,400)

AADD(A_nop,"HOUSE2 ");AADD(A_kpp1,401);AADD(A_kpp2,412)

AADD(A_nop,"HOUSE3 ");AADD(A_kpp1,413);AADD(A_kpp2,424)

AADD(A_nop,"HOUSE4 ");AADD(A_kpp1,425);AADD(A_kpp2,436)

AADD(A_nop,"HOUSE5 ");AADD(A_kpp1,437);AADD(A_kpp2,448)

AADD(A_nop,"HOUSE6 ");AADD(A_kpp1,449);AADD(A_kpp2,460)

AADD(A_nop,"HOUSE7 ");AADD(A_kpp1,461);AADD(A_kpp2,472)

AADD(A_nop,"HOUSE8 ");AADD(A_kpp1,473);AADD(A_kpp2,484)

AADD(A_nop,"HOUSE9 ");AADD(A_kpp1,485);AADD(A_kpp2,496)

AADD(A_nop,"HOUSE10 ");AADD(A_kpp1,497);AADD(A_kpp2,508)

AADD(A_nop,"HOUSE11 ");AADD(A_kpp1,509);AADD(A_kpp2,520)

AADD(A_nop,"HOUSE12 ");AADD(A_kpp1,521);AADD(A_kpp2,532)

USE Priz_ob EXCLUSIVE NEW;ZAP

FOR i=1 TO LEN(A_nop)

APPEND BLANK

REPLACE Kod WITH i

REPLACE Name WITH A_nop[i]

f=3

FOR j=A_kpp1[i] TO A_kpp2[i]

FIELDPUT(f++, j)

NEXT

NEXT

USE Priz_per EXCLUSIVE NEW;ZAP

FOR i=1 TO LEN(A_nop)

FOR j=A_kpp1[i] TO A_kpp2[i]

APPEND BLANK

REPLACE Kod WITH j

REPLACE Name WITH A_nop[i]+"-"+STR(j,3)

REPLACE Kod_ob_pr WITH i

NEXT

NEXT

*** БЛОК-9. ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ

USE ObInfZag EXCLUSIVE NEW;ZAP

USE ObInfKpr EXCLUSIVE NEW;ZAP

FOR M_KodIst=1 TO N_Ank

SELECT ObInfZag

APPEND BLANK

REPLACE Kod_ist WITH M_KodIst

REPLACE Name_ist WITH "Ist-"+STRTRAN(STR(M_KodIst,5)," ","0")

A_Kkl := {}

DO WHILE LEN(A_kkl) < N_LogAnk

M_kkl = 1+INT(N_Obj*RANDOM()/65535) && Код класса

M_kkl = IF(M_Kkl<1,1,M_kkl)

M_kkl = IF(M_kkl>N_Obj,N_Obj,M_kkl)

IF ASCAN(A_kkl,M_kkl) = 0 && Если класс еще не встречался

IF LEN(A_kkl)+1 <= 4000

AADD(A_kkl,M_kkl)

ENDIF

ENDIF

ENDDO

ASORT(A_kkl)

FOR j = 1 TO N_LogAnk

FIELDPUT(2+j, A_kkl[j])

NEXT

***** Генерация массива кодов признаков в для БД ObInfKpr

A_Kpr := {}

FOR i = 1 TO LEN(A_nop)

M_Kpp = A_kpp1[i]+INT((1+A_kpp2[i]-A_kpp1[i])*RANDOM()/65535) && Код признака

M_Kpp = IF(M_Kpp<1,1,M_Kpp)

M_Kpp = IF(M_Kpp>N_Atr,N_Atr,M_Kpp)

IF ASCAN(A_Kpr,M_Kpp) = 0 && Если признак еще не встречался

IF LEN(A_Kpr)+1 <= 4000

AADD(A_Kpr,M_Kpp)

ENDIF

ENDIF

NEXT

ASORT(A_Kpr)

****** Запись массива кодов признаков в БД ObInfKpr

SELECT ObInfKpr

APPEND BLANK

FIELDPUT(1,M_KodIst)

k=2

FOR j=1 TO LEN(A_Kpr)

IF k <= 12

FIELDPUT(k++,A_Kpr[j])

ELSE

APPEND BLANK

FIELDPUT(1,M_KodIst)

k=2

FIELDPUT(k,A_Kpr[j])

ENDIF

NEXT

NEXT

Mess = " ПРОЦЕСС ГЕНЕРАЦИИ ЗАВЕРШЕН УСПЕШНО !!! "

MsgBox(Mess)

CLOSE ALL

RETURN

Для сравнения с полученной моделью приводим результаты измерения достоверности по случайной модели по всем параметрам размерностей аналогичной модели с внешней валидность на 5000 респондентах:

http://lc.kubagro.ru/astrolog/rnd/validsys.htm

Видно, что наивысшая эвристическая оценка достоверности составляет 1,206. Эту величину мы и предлагаем считать погрешностью модели, т.е. вкладом, который может дать белый шум в достоверность модели при таких размерностях.

Если сравнить этот отчет с отчетом по внешней валидности модели с реальными респондентами:

http://lc.kubagro.ru/astrolog/forum/validsys.htm

то между ними видна большая разница, которая, по всей видимости обусловлена наличием закономерностей в предметной области.

По-видимому, с достоверностью примерно 95% можно утверждать, что уровень достоверности 1,206 * 2,5 = 3,015 является не случайным, т.е. можно утверждать, что для довольно значительного количества категорий (около 80, в форме выделены красным цветом) выявлены закономерности между принадлежностью респондентов к ним и астрономическим данными на момент рождения этих респондентов.

Различие в формах по измерению внешней валидности моделей, содержательной и случайной, обусловлено наличием в изучаемой предметной области закономерностей, и тем, что они обнаружены методом АСК-анализа.

Чтобы убедиться в этом достаточно сравнить экранные формы по достоверности моделей и идентификации респондентов (приведена каточка наиболее достоверно идентифицируемого респондента):

содержательной модели:

и случайной модели:

Ссылки на соответствующие отчеты по достоверности этих моделей приведены выше.

Из приведенных форм видно, что:

- уровни сходства респондентов с классами в содержательной модели значительно выше, чем в случайной;

- в содержательной модели количество верно идентифицированных респондентов значительно превосходит количество ошибочно неидентифицированных, тогда как в случайно модели их примерно поровну.

Это позволяет высказать обоснованную на наш взгляд гипотезу о том, что эти довольно существенные и заметные различия в реальной содержательной и случайной моделях обусловлены наличием закономерностей, реально действующих в данной предметной области.

Мы предлагаем еще один критерий оценки достоверности модели: это преимущество, которое она обеспечивает при идентификации респондентов по сравнению со случайным угадыванием. Допустим к некоторой i-й категории по данным обучающей выборки из N респондентов фактически (действительно) относится Ni респондентов. Тогда вероятность того, что респондент выбранный случайным образом из некоторой генеральной совокупности, по отношению к которому обучающая выборка репрезентативна (это значит, что для нее сохраняется то же самое распределение респондентов по категориям) будет: Pi=Ni/N. Это и есть вероятность случайного угадывания принадлежности респондента к категории. А использование модели для идентификации обеспечивает более высокую вероятность правильного отнесения респондента к категории, равную, например, Pm. Тогда эффективность модели, т.е. преимущество, которое дает ее использование по сравнению со случайным угадыванием, будет: Pm/Pi. Форма, в которой категории ранжированы в порядке убывания данного критерия, доступна по ссылке: http://lc.kubagro.ru/astrolog/forum/VALIDSYS_eff_mod.htm. В статье она не приводится из-за ее большого объема и размерности. Интересно, что по этому критерию уже не 80, а 382 категории, распознаются с помощью модели лучше в 2,5 и более раз, чем с помощью случайного угадывания. Этот результат позволяет с достоверностью 95% высказать гипотезу о том, что для этих категорий действительно выявлены закономерности.

Приводим карточку идентификации респондентов (всех 5000) с наиболее достоверно идентифицируемым классом (327 CATEGORIES: C1603-Sports): http://lc.kubagro.ru/astrolog/forum/rspkart2.htm. Птички "v" указывают на респондентов, которые действительно относятся к этому классу. Еще раз отметим, что данные ЭТИХ респондентов не были использованы для синтеза модели.

Список астропризнаков, ранжированный в порядке убывания содержащегося в них среднего количества информации о принадлежности респондентов к категориям (аналог значимости, т.е. полезность для решения задачи идентификации): http://lc.kubagro.ru/astrolog/priz_per.htm. Видно, что там в начале почти один Плутон, и немного Нептун, и с количеством градаций от максимального до среднего.

Астросоциология

Так как при проведении данного исследования авторы никоим образом не использовали никаких априорных основных положений, аксиом и постулатов астрологии, а основывались лишь исключительно на эмпирических астрономических данных о респондентах на момент рождения и эмпирических, данных об их социальном, психологическом, психофизиологическом и медицинском статусе, а также методах искусственного интеллекта (в данном случае это АСК-анализ), то, как мы считаем, можно обоснованно говорить о том, что данное исследование фактически является исследованием в новой области науки, которую предлагается назвать астросоциологией.

По нашему мнению астросоциология является наукой, так как она:

- имеет свой специфический ОБЪЕКТ И ПРЕДМЕТ исследования: выявление и изучение взаимосвязей между астрономическими данными респондентов на момент рождения и их социальным, психологическим, психофизиологическим, физическим и медицинским статусом, а также использование знания этих взаимосвязей для прогнозирования и поддержки принятия решений;

- имеет свой МЕТОД и реализующий его программный инструментарий: в настоящее время это Автоматизированный системно-когнитивный анализ (АСК-анализ) и его инструментарий: Универсальная когнитивная аналитическая система "Эйдос", но в будущем, мы уверены, метод астросоциологии будет включать и другие математические методы и инструментальные системы искусственного интеллекта;

- позволяют открывать НОВЫЕ, ранее неизвестные ЗНАНИЯ непосредственно на основе анализа эмпирических данных и использовать эти знания для повышения эффективности достижения научных и прагматических целей (см.таблицу)

№	Характеристика	Астрология	Астросоциология
1	Цели и задачи	Прагматические: получение прогноза для конкретного респондента	Научные: выявление и изучение зависимостей между астрономическими данными респондентов на момент рождения и их статусом. Прагматические: получение прогноза для конкретного респондента
2	Объект и предмет исследования	Конкретный респондент	Базы данных по десяткам, а в перспективе сотням тысяч и даже миллионам респондентов.
3	Эмпирическая база	Отсутствует	Базы данных по десяткам, а в перспективе сотням тысяч и даже миллионам респондентов.
4	Метод исследования	Натальная карта	Естественно-научный метод, методы и инструментарий искусственного интеллекта (в настоящее время АСК-анализ и система "Эйдос")
5	Знания зависимостей между астрономическими данными на момент рождения респондентов и их статусом	Известны заранее	Выявляются непосредственно из эмпирических данных с применением методов и инструментария искусственного интеллекта
6	Содержательная интерпретация зависимостей между астрономическими данными респондентов на момент рождения и их статусом, т.е. выяснение реальных механизмов действия	Не предполагается	Является одной из задач

Конечно, цели и задачи, объект и предмет исследования астросоциологии сходен с предметом астрологии, однако это уже не астрология, а наука, т.к. в отличие от астрологии, в ней используется современный естественно-научный метод и полученные результаты не только в принципе допускают содержательную интерпретацию, но выяснение реальных механизмов реализации исследуемых взаимосвязей рассматривается как одна из задач астросоциологии.

Некоторые выводы и перспективы

Главный результат проведенного исследования состоит в том, что вообще нашлись довольно достоверно идентифицируемые классы (обобщенные категории). Значит все же зависимости между астропризнаками и принадлежностью респондентов к категориям существуют, но сильными они являются лишь для некоторых категорий, для которых и можно получить достаточно достоверные прогнозы. Для подавляющего же большинства категорий достаточно сильных для практического использования зависимостей между астропризнаками и принадлежностью респондентов к ним не обнаружено.

Сравнение содержательной модели, со случайной показывает (на взгляд авторов вполне убедительно), что в результате проведенного исследования в предметной области были выявлены закономерности, которые и нашли отражение в модели.

Другой вопрос в том, достаточно ли такого знания этих закономерностей и силы этих закономерностей для того, чтобы использовать это знание на практике для прогнозирования?

Вот на это вопрос пока не получено ясного и убедительного ответа. Над этим надо еще работать. В этом направлении прежде всего планируется автоматизировать алгоритм "Голосования моделей" ("коллективы решающих правил"), описанный в работах [11, 16], как показавший наиболее достоверные результаты прогнозирования (достаточно достоверные для их применения на практике), однако оказавшийся слишком трудоемким при ручной его реализации, что сдерживает широкое практическое использование этого алгоритма. В настоящее время этот алгоритм уже реализован программно авторами и проходит тестирование.

Второй по важности результат состоит в том что для одних респондентов прогнозы получаются очень достоверными, для других не очень, а для третьих их вообще нельзя назвать прогнозами. По-видимому, это связано с тем, к каким категориям в действительности относятся данные респонденты: к достоверно идентифицируемым или нет.

Но если бы таких зависимостей выявить не удалось, то для нас это не стало бы доказательством их не существования: мы бы лишь сказали, что применяемые нами математические методы и программный инструментарий (система "Эйдос") не позволили выявить этих зависимостей, а сами они может быть существуют, а может быть и нет.

Во всяком случае авторы считают, что любые высказывания о несуществовании чего-либо не являются научными, т.к. невозможно доказать несуществование, принципиально доказуемо только существование.

В данной работе мы оставили в стороне интереснейшие вопросы:

1. Какими физическими или иными механизмами (процессами) могут быть обусловлены выявленные зависимости, т.е. каким образом астрономические показатели респондентов на момент рождения (астропризнаки) детерминируют их принадлежность к тем или иным социальным и психофизиологическим категориям.

2. На сколько выявленные зависимости совпадают с уже известными в астрологии (если подобные зависимости уже известны).

Первый вопрос - это вопрос об "объяснении" механизма возникновения и действия этих зависимостей и об их содержательной интерпретации. По-видимому, в этом плане в настоящее время мы будем вынуждены ограничиться лишь высказыванием тех или иных гипотез. В любом случае это дело специалистов в области астрономии, социологии, психологии и психофизиологии.

Второй вопрос также выходит за рамки настоящей статьи и нуждается в совместном исследовании специалистов в области астрологии и интеллектуальных методов обработки эмпирических данных.

В любом случае рассматриваемая в статье задача представляют собой "крепкий орешек" для любой системы искусственного интеллекта, прежде всего из-за своей огромной размерности, а также сильной зашумленности и фрагментарности (неполноты) данных. Так что эта задача интересна не только для астрологов, но и для разработчиков интеллектуальных систем, для которых она может рассматриваться как довольно жесткий тест на качество математических моделей и реализующих их программных продуктов, типа репозитария UCI [12].

В перспективе авторы планируют продолжить исследования на больших объемах выборки и с более совершенными наборами категорий и астропризнаков, в частности с различным количеством интервалов (секторов) в описательных шкалах в одной модели. В результате авторы надеются разработать более качественные, надежные и достоверные модели, а затем провести их детальный системно-когнитивный анализ.

Благодарности

Данная статься является примером выполнения совместного исследования авторами, живущими в разных странах за тысячи километров друг от друга, что стало возможным благодаря Internet. Необходимо отметить, что работы выполнены при постоянной поддержке и участии посетителей сайтов www.trounev.net/, http://www.trounev.com/ .

Авторы искренне благодарят всех участников дискуссии.

Литература

1. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). Монография (научное издание). - Краснодар: КЮИ МВД РФ, 1996. - 280с.

2. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.

3. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности: 351400 "Прикладная информатика (по отраслям)". - Краснодар: КубГАУ. 2004. - 633 с.

4. Луценко Е.В. Математический метод АСК-анализа в свете идей интервальной бутстрепной робастной статистики объектов нечисловой природы. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №01(3). - Режим доступа: http://ej.kubagro.ru/2004/01/13/p13.asp

5. Луценко Е.В. Типовая методика и инструментарий когнитивной структуризации и формализации задач в АСК-анализе. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №01(3). - Режим доступа: http://ej.kubagro.ru/2004/01/16/p16.asp

6. Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шенка-Абельсона. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №03(5). - Режим доступа: http://ej.kubagro.ru/2004/03/04/p04.asp

7. Луценко Е.В. АСК-анализ как метод выявления когнитивных функциональных зависимостей в многомерных зашумленных фрагментированных данных. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2005. - №03(11). - 19 с. - Режим доступа: http://ej.kubagro.ru/2005/03/19/p19.asp

8. Луценко Е.В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №01(1). - Режим доступа: http://ej.kubagro.ru/2003/01/11/p11.asp

9. Луценко Е.В. Синтез астропрофессиограмм и прогнозирование успешности деятельности на основе применения АСК-анализа. Ж-л International Journal The World Astrology Review. [Электронный ресурс]. - Toronto, Canada, 2006. - №02(50), February 28. - Режим доступа: http://trounev.net/thewar/No50/EL.htm

10. Луценко Е.В., Трунев А., Шашин В. Система идентификации субъектов по астрономическим данным на момент рождения International Journal The World Astrology Review, No 9 (57), September 30, 2006. - Toronto, Canada, - Режим доступа: http://trounev.net/thewar/No57/ADOS.htm

11. Луценко Е.В., Трунев А., Шашин В. Метод пакетного распознавания карт рождения в системе искусственного интеллекта ЭЙДОС. International Journal The World Astrology Review, No 10 (58), October 31, 2006. - Toronto, Canada, - Режим доступа: http://trounev.com/thewar/No58/AIT58_1.htm

12. Луценко Е.В. Методика использования репозитария UCI для оценки качества математических моделей систем искусственного интеллекта. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №02(2). - Режим доступа: http://ej.kubagro.ru/2003/02/12/p12.asp

13. Lutsenko E.V. Conceptual principles of the system (emergent) information theory & its application for the cognitive modelling of the active objects (entities). 2002 IEEE International Conference on Artificial Intelligence System (ICAIS 2002). - Computer society, IEEE, Los Alamos, California, Washington - Brussels - Tokyo, p. 268-269. http://pitis.tsure.ru/files13/5.pdf http://csdl2.computer.org/comp/proceedings/icais/2002/1733/00/17330268.pdf

14. Pat Harris. If it works, it can't be astrology…/ Correlation, Vol. 23 (2), 2006.

15. Луценко Е.В., Трунев А., Шашин В. Типизация и идентификация респондентов, описанных астрономическими показателями на момент рождения, по социальным и психофизиологическим категориям с применением АСК-анализа. International Journal Chaos and Correlation, No 1, November 30, 2006. - Toronto, Canada, - Режим доступа: http://trounev.com/Chaos/No1/AIT59.htm

16. Lutsenko Eugene, Trounev Alexander, Shashin Vladimir. Method of birth chart recognition by using the artificial intelligence system AIDOS. International Journal Chaos and Correlation, No 1, November 30, 2006. - Toronto, Canada, - Режим доступа: http://trounev.com/WordPress/?p=23#more-23

Размещено на Allbest.ru

...