Аск-анализ динамики научных исследований по публикациям в научном журнале КУБГАУ

Размещено на http://www.allbest.ru/

Данная статья написана в связи с выходом юбилейного 100-го номера Научного журнала КубГАУ [1]. Это событие наводит на мысль о возможности исследования динамики проблематики научных исследований по публикациям в Научном журнале КубГАУ. Этому вопросу и посвящена данная статья. В качестве инструментов данного исследования применены автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - Универсальная когнитивная аналитическая система «Эйдос-Х++» [1-33].

АСК-анализ предполагает следующие этапы формирования и повышения степени формализации модели, решения различных задач и проведения исследования [2] (рисунок 1):

1. Когнитивная структуризация предметной области.

2. Формализация предметной области (разработка классификационных и описательных шкал и градаций и обучающей выборки).

3. Синтез и верификация модели.

4. Решение задач идентификации, прогнозирования и принятия решений.

5. Исследование предметной области.

Рисунок 1. Этапы АСК-анализа

Рассмотрим эти этапы конкретно применительно к решаемой в статье задаче.

1. Когнитивная структуризация предметной области

На этом этапе исследователь должен решить для себя, что он хочет исследовать и на основе чего. В данном случае мы хотим понять, каким направлениям науки посвящены в основном конкретные номера Научного журнала КубГАУ и по каким направлениям науки в основном публиковали статьи авторы журнала в различные годы с 2003 по 2014., т.е. с 1-го номера по 99-й.

Конечно, можно было бы просто посчитать количество статей в различных номерах, посвященных различным направлениям науки или содержащих в наименовании статьи те или иные слова. Можно также рассчитать и процент статей для каждого номера и года по различным направлениям науки. Но авторы считают, что этого недостаточно и необходимо сравнить процентные распределения и получить количественную информацию о том, в какой степени характерно или нехарактерно то или иное направление науки для каждого конкретного номера журнала или года. А для этого уже необходимо применение АСК-анализа.

2. Формализация предметной области (разработка классификационных и описательных шкал и градаций и обучающей выборки)

Итак, чтобы решить поставленную задачу, исходные данные необходимо преобразовать в информацию. Для этого необходимо провести их анализ с целью их осмысления, а для этого согласно концепции смысла Шенка-Абельсона [4] необходимо на основе исходных данных выявить события в исследуемой предметной области и причинно-следственные связи между этими событиями [19].

Для классификации и кодирования событий-причин и событий-следствий создаются справочники, которые в АСК-анализе и системе «Эйдос» называются классификационными и описательными шкалами и градациями [33]. Затем с помощью этих справочников исходные данные кодируются в результате чего и получается обучающая выборка.

Таким образом, в результате выполнения этапа формализации предметной области базы исходных данных преобразуются в базы событий, состоящие из баз классификационных и описательных шкал и градаций и закодированных с их использованием исходных данных, представляющие собой обучающую выборку.

Этап формализации предметной области может выполняться вручную. Но чаще всего намного удобнее и эффективнее использовать для этого универсальный программный интерфейс с внешними базами данных, имеющийся в системе «Эйдос». Этот интерфейс предъявляет определенные нежесткие требования к структуре файла исходных данных, которые приведены на рисунке 2.

В качестве исходных данных для исследования использована выборка из баз данных англоязычной версии сайта Научного журнала КубГАУ http://sj.kubsau.ru/ , предоставленная web-мастером журнала, начальником Центра информационных технологий КубГАУ http://kubsau.ru/university/departments/it_center/ , к.т.н., доцентом А.С.Креймером (таблица 1). Эта выборка полностью соответствует требованиям универсального программного интерфейса, приведенным на рисунке 2. Полностью исходные данные в статье не могут быть приведены, т.к. они представляют собой Excel-файл из 3834 строк.

Рисунок 2 - Требования к структуре файла исходных данных

(Help универсального программного интерфейса системы «Эйдос» с внешними базами данных)

Таблица 1 - Исходные данные для изучения динамики научных исследований по публикациям в Научном журнале КубГАУ (фрагмент)

Для выполнения данного этапа запишем файл исходных данных с именем: c:\Aidos-X\AID_DATA\Inp_data\Inp_data.xls и запустим универсальный программный интерфейс, т.е. режим 2.3.2.2 системы «Эйдос» с параметрами, заданными на рисунке 3:

Рисунок 3. Запуск Универсального программного интерфейса

системы «Эйдос с внешними базами данных

журнал научный выборка градация

Здесь необходимо обратить внимание на задание опции «Применить специальную интерпретацию текстовых полей файла Inp_data» и задание рассматривать в качестве классов целые значении полей, а в качестве признаков - слова. Это позволит в последующем определить наиболее характерные и наиболее нехарактерные для номеров журнала и лет издания слова наименований статей.

После нажатия клавиши «ОК» появляется окно внутреннего калькулятора интерфейса, представленное на рисунке 4:

Рисунок 4. Внутренний калькулятор Универсального программного

интерфейса системы «Эйдос с внешними базами данных

В данном случае этот калькулятор играет чисто информационную роль, т.к. в исходных данных нет числовых классификационных или описательных шкал и поэтому нет возможности задавать количество градаций (интервальных значений) в этих шкалах. Кликаем по кнопке: «Выйти на создание модели» и наблюдаем процесс исполнения на экранной форме, представленной на рисунке 4:

Рисунок 4. Экранная форма процесса исполнения режима 2.3.2.2.

В результате исполнения данного режима (который, как мы видим, исполнялся 1 минуту) формируются классификационные и описательные шкалы и градации и обучающая выборка, фрагменты которых приведены на рисунках 5, 6 и 7.

Рисунок 5. Экранная форма отображения классификационной шкалы

«Год» и ее градаций

Рисунок 6. Экранная форма отображения описательной шкалы

«Направление науки» и ее градаций

Рисунок 7. Экранная форма отображения обучающей выборки

3. Синтез и верификация модели

Таким образом, этап формализации предметной области подготавливает все необходимо для синтеза и верификации моделей, что осуществляется в режиме 3.5 системы «Эйдос» (рисунок 8):

Рисунок 8. Экранная форма управления режимом синтеза

и верификации моделей системы «Эйдос»

На рисунке 9 показала экранная форма, отображающая процесс исполнения режима синтеза и верификации моделей с указанием исполняемых функций и прогнозом времени исполнения:

Рисунок 9. Экранная форма, отображения процесса исполнения

режима синтеза и верификации моделей

Расчет моделей ведется в порядке, приведенном на рисунке 1:

- сначала на основе непосредственно обучающей выборки рассчитывается матрица абсолютных частот (ABS);

- затем рассчитываются разными способами матрицы условных и безусловных процентных распределений (PRC1 и PRC2);

- после этого на основе матрицы ABS или матриц PRC1 и PRC2 по формулам, приведенным в таблице 2, рассчитываются модели знаний: INF1, INF2, INF3, INF4, INF5, INF5 и INF7.

Таблица 2 -. Частные критерии знаний, используемые в настоящее время в СК-анализе и системе «Эйдос-Х++»

Обозначения:

i - значение прошлого параметра;

j - значение будущего параметра;

Nij - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра;

M - суммарное число значений всех прошлых параметров;

W - суммарное число значений всех будущих параметров.

Ni - количество встреч i-го значения прошлого параметра по всей выборке;

Nj - количество встреч j-го значения будущего параметра по всей выборке;

N - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра по всей выборке.

Iij - частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;

Ш - нормировочный коэффициент (Е.В.Луценко, 2002), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;

Pi - безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке;

Pij - условная относительная частота встречи i-го значения прошлого параметра при j-м значении будущего параметра .

На рисунке 10 и в таблицах 3, 4, 5 и 6 приведены соответственно фрагменты моделей ABS, PRC2, INF1 и INF3:

Рисунок 10. Экранная форма режима 5.5 системы «Эйдос», отображающая фрагмент модели ABS

Таблица 3 - Матрица абсолютных частот (фрагмент)

Таблица 4 - Условные и безусловные процентные распределения,

модель PRC2 (фрагмент)

Таблица 5 - Матрица информативностей модели INF1 (частный критерий - семантическая мера количества информации по А.Харкевичу в миллибитах) (фрагмент)

Таблица 6 - Матрица информативностей модели INF3

(частный критерий - Хи-квадрат) (фрагмент)

Полностью эти модели приведены быть не могут из-за большой размерности.

Матрицы информативностей содержат результаты сравнения условных и безусловных процентных распределений, т.е. система «Эйдос» автоматизирует работу, которую обычно «вручную», т.е. с помощью своего естественного интеллекта, выполняет аналитик [19, 33].

Результаты измерения достоверности созданных моделей приведены на рисунке 11. Из этого рисунка мы видим, что:

- модели знаний INF1-INF7 обладают значительно более высокой достоверностью, чем статистические модели ABS, PRC1 и PRC2. Эта ситуация наблюдается в большинстве исследований [1-33] и в этом и состоит смысл использования моделей знаний;

- в модели INF1 достоверность верной идентификации составляет 61.7%, а верной не идентификации 58,1%. Много это или мало, достаточно ли для целей нашего исследования или нет?

Рисунок 11. Результаты измерения достоверности созданных моделей

Пояснения по смыслу рисунка 11 даны в рисунке 12:

Рисунок 12. Виды прогнозов и ошибки 1-го и 2-го рода

Таблица 7 - Информация о достоверности модели INF1 (частный критерий - семантическая мера количества информации по А.Харкевичу, интегральный критерий - сумма знаний) (фрагмент)

Таблица 7 создана на основе баз данных, формируемых системой «Эйдос» в режиме 4.1.3.8 по данным режима 3.5. Из этой таблицы мы видим, что вероятность правильного отнесения и правильного не отнесения статей к годам с помощью модели INF1 с интегральным критерием «Сумма знаний» [33] примерно в 10 раз выше, чем если делать это случайным образом. Для наших целей этого достаточно.

4. Решение задач идентификации, прогнозирования и принятия решений

Результаты идентификации выдаются системой «Эйдос» в различных формах (см. рисунки 13, 14):

Рисунок 13. Режим вывода результатов идентификации

Рисунок 14. Определение года публикации статьи по направлению науки, которому она посвящена

5. Исследование предметной области

Распределение статей по годам и направлениям науки видно из таблицы 3. Но ответ на вопрос о том, чем отличаются по направлениям науки номера Научного журнала КубГАУ, изданные в одном году от изданных в другом году, дает не она, а таблицы 5 и 6. Повторим таблицу 5 ниже для удобства (таблица 8):

Таблица 8 - Матрица информативностей модели INF1 (частный критерий - семантическая мера количества информации по А.Харкевичу в миллибитах) (фрагмент)

Из этой таблицы сразу видно, что количество направлений науки, которым посвящены статьи Научного журнала КубГАУ, закономерно увеличивается с годами (рисунок 15):

Рисунок 15. Зависимость количества направлений науки от года выпуска Научного журнала КубГАУ

2014 год на рисунке 15 не учитывается, чтобы не искажать картину, т.к. на момент написания статьи он еще не закончился и данные по нему неполные.

Из таблицы 4 видно, что за весь период с 2013 по 2014 годы 82% статей опубликованы всего по 5 направлениям науки из 24:

Таблица

Рассмотрим, для каких годов эти направления науки характерны и не характерны и в какой степени (см. рисунки 16):

Рисунок 16. Степень характерности в миллибитах для разных лет выхода Научного журнала КубГАУ по различным направлениям науки в модели INF1 (семантическая мера информации А.Харкевича)

В данной модели характерность рассчитывается как нормированное относительное превышение количества публикаций по данному направлению науки к суммарному числу публикаций по всем направлениям за год (таблица 2).

Для каждого года может быть составлен список направлений науки в порядке убывания их характерности для данного года. Такой список в АСК-анализе называется информационным портретом года. Ниже приведены информационные портреты всех 10 лет выхода Научного журнала КубГАУ (таблица 9). Таким образом, информационные портреты лет показывают, что наиболее особенное, специфическое есть в статьях, изданных в этом году, чем этот год сильнее всего отличается от остальных. Негативные информационные портеры, наоборот, показывают наиболее нехарактерное для каждого года.

Таблица 9 - Информационные портреты различных лет выхода

Научного журнала КубГАУ в модели INF1 (семантическая мера информации А.Харкевича)

По сути, информационные портреты классов - лет, показывают, то новое в проблематике Научного журнала КубГАУ, что появилось и всерьез заявило о себе количеством публикаций в этом году.

В режиме 4.3.1. можно получить информационные портреты признаков, которые показывают для каких номеров журнала или лет его выхода наиболее характерны статьи по тому или иному направлению науки. Например, как видно из рисунка 17, «наиболее экономическими» являются 2004, 2005, 2003, 2008 и 2007 годы, а «не экономическими» - 2012, 2011 и 2013.

Кроме того, информация о взаимосвязи направлений науки с годами выхода и номерами журнала в компактной наглядной форме приведена в когнитивных функциях (рисунки 18, 19) [21].

Рисунок 17. Экранные формы режима 4.3.1 системы «Эйдос» с отображением информационных портретов признака: «НАПРАВЛЕНИЕ_НАУКИ-08_00_00_Экономические_науки»

Рисунок 18. Взаимосвязь направлений науки с годами выхода научного журнала КубГАУ

Рисунок 19. Взаимосвязь направлений науки с номерами научного журнала КубГАУ

Выводы

Таким образом, в данной статье, написанной по случаю выхода юбилейного 100-го номера Научного журнала КубГАУ, исследована динамика проблематики научных исследований, опубликованных в журнале. В качестве инструментов данного исследования применены автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - Универсальная когнитивная аналитическая система «Эйдос-Х++»

Научный журнал КубГАУ сыграл большую роль в обеспечении доступа научной общественности к работам авторов [1-33] и другим http://ej.kubagro.ru/a/viewaut.asp?id=11 http://ej.kubagro.ru/a/viewaut.asp?id=10 .

Литература Многие из этих работ размещены на сайте: http://lc.kubagro.ru/

Луценко Е.В. Современное состояние и перспективы развития Политематического сетевого электронного научного журнала Кубанского государственного аграрного университета / Е.В. Луценко, В.И. Лойко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №06(100). - IDA [article ID]: 1001406008. - Режим доступа: http://ej.kubagro.ru/2014/06/pdf/08.pdf, 0,000 у.п.л.

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.

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

Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шенка - Абельсона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №03(005). С. 44 - 65. - IDA [article ID]: 0050403004. - Режим доступа: http://ej.kubagro.ru/2004/03/pdf/04.pdf, 1,375 у.п.л.

Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. Монография (научное издание). - Краснодар: ТУ КубГТУ, 1999. - 318с.

Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ. 2005. - 480 с.

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

Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В.С.Симанкова. - Краснодар: ИСТЭК КубГТУ, 2001. - 258с.

Луценко Е.В. Количественные меры возрастания эмерджентности в процессе эволюции систем (в рамках системной теории информации) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2006. - №05(021). С. 355 - 374. - Шифр Информрегистра: 0420600012\0089, IDA [article ID]: 0210605031. - Режим доступа: http://ej.kubagro.ru/2006/05/pdf/31.pdf, 1,25 у.п.л.

Луценко Е.В. Типовая методика и инструментарий когнитивной структуризации и формализации задач в СК-анализе / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №01(003). С. 388 - 414. - IDA [article ID]: 0030401016. - Режим доступа: http://ej.kubagro.ru/2004/01/pdf/16.pdf, 1,688 у.п.л.

Ткачев А.Н. Качество жизни населения, как интегральный критерий оценки эффективности деятельности региональной администрации / А.Н. Ткачев, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №02(004). С. 171 - 185. - IDA [article ID]: 0040402014. - Режим доступа: http://ej.kubagro.ru/2004/02/pdf/14.pdf, 0,938 у.п.л.

Луценко Е.В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №01(001). С. 79 - 91. - IDA [article ID]: 0010301011. - Режим доступа: http...