Обложка

Титул и оборотка

Выходные данные

Скачать pdf-файл монографии

Скачать doc-файл монографии

Скачать в одном архиве  doc и pdf-файлы монографии и обложку

ОГЛАВЛЕНИЕ

ПРЕДИСЛОВИЕ

ГЛАВА 1. АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ РЕЗУЛЬТАТАМИ НАУЧНОЙ ДЕЯТЕЛЬНОСТИ БЕЗ СОДЕРЖАТЕЛЬНЫХ РАСЧЕТОВ НА ОСНОВЕ ИНФОРМАЦИОННЫХ И КОГНИТИВНЫХ ТЕХНОЛОГИЙ И ТЕОРИИ УПРАВЛЕНИЯ

ГЛАВА 2. СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ ПЕДАГОГИЧЕСКОЙ ИНФОРМАЦИИ ВУЗА КАК ФАКТОР УПРАВЛЕНИЯ КАЧЕСТВОМ ПОДГОТОВКИ КАДРОВ

ГЛАВА 3. ХИРШАМАНИЯ ПРИ ОЦЕНКЕ РЕЗУЛЬТАТОВ НАУЧНОЙ ДЕЯТЕЛЬНОСТИ, ЕЕ НЕГАТИВНЫЕ ПОСЛЕДСТВИЯ И ПОПЫТКА ИХ ПРЕОДОЛЕНИЯ С ПРИМЕНЕНИЕМ МНОГОКРИТЕРИАЛЬНОГО ПОДХОДА И ТЕОРИИ ИНФОРМАЦИИ

ГЛАВА 4. КОЛИЧЕСТВЕННАЯ ОЦЕНКА СТЕПЕНИ МАНИПУЛИРОВАНИЯ ИНДЕКСОМ ХИРША И ЕГО МОДИФИКАЦИЯ, УСТОЙЧИВАЯ К МАНИПУЛИРОВАНИЮ

ГЛАВА 5. НАУКОМЕТРИЧЕСКАЯ ИНТЕЛЛЕКТУАЛЬНАЯ ИЗМЕРИТЕЛЬНАЯ СИСТЕМА ПО ДАННЫМ РИНЦ НА ОСНОВЕ АСК-АНАЛИЗА И СИСТЕМЫ "ЭЙДОС"

ГЛАВА 6. ПРИМЕНЕНИЕ АСК-АНАЛИЗА И ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ "ЭЙДОС" ДЛЯ РЕШЕНИЯ В ОБЩЕМ ВИДЕ ЗАДАЧИ ИДЕНТИФИКАЦИИ ЛИТЕРАТУРНЫХ ИСТОЧНИКОВ И АВТОРОВ ПО СТАНДАРТНЫМ, НЕСТАНДАРТНЫМ И НЕКОРРЕКТНЫМ БИБЛИОГРАФИЧЕСКИМ ОПИСАНИЯМ

ГЛАВА 7. ИНТЕЛЛЕКТУАЛЬНАЯ ПРИВЯЗКА НЕКОРРЕКТНЫХ ССЫЛОК К ЛИТЕРАТУРНЫМ ИСТОЧНИКАМ В БИБЛИОГРАФИЧЕСКИХ БАЗАХ ДАННЫХ С ПРИМЕНЕНИЕМ АСК-АНАЛИЗА И СИСТЕМЫ «ЭЙДОС» (НА ПРИМЕРЕ РОССИЙСКОГО ИНДЕКСА НАУЧНОГО ЦИТИРОВАНИЯ – РИНЦ)

ГЛАВА 8. СИНТЕЗ И ВЕРИФИКАЦИЯ МНОГОКРИТЕРИАЛЬНОЙ СИСТЕМНО-КОГНИТИВНОЙ МОДЕЛИ УНИВЕРСИТЕТСКОГО РЕЙТИНГА ГАРДИАН И ЕЕ ПРИМЕНЕНИЕ ДЛЯ СОПОСТАВИМОЙ ОЦЕНКИ ЭФФЕКТИВНОСТИ РОССИЙСКИХ ВУЗОВ С УЧЕТОМ НАПРАВЛЕНИЯ ПОДГОТОВКИ

ЗАКЛЮЧЕНИЕ

ЛИТЕРАТУРА

СОДЕРЖАНИЕ

ПРЕДИСЛОВИЕ

ГЛАВА 1. АВТОМАТИЗАЦИЯ УПРАВЛЕНИЯ РЕЗУЛЬТАТАМИ НАУЧНОЙ ДЕЯТЕЛЬНОСТИ БЕЗ СОДЕРЖАТЕЛЬНЫХ РАСЧЕТОВ НА ОСНОВЕ ИНФОРМАЦИОННЫХ И КОГНИТИВНЫХ ТЕХНОЛОГИЙ И ТЕОРИИ УПРАВЛЕНИЯ

1.1. Постановка проблемы

1.2. Идея решения проблемы

1.3. Решение проблемы

1.3.1. Общая структура интеллектуальной автоматизированной системы управления

1.3.2. Суть математической модели АСК-анализа и частные критерии

1.3.3. Интегральные критерии и приятие управляющих решений

1.3.4. Алгоритм принятия управляющих решений в АСК-анализе и системе «Эйдос»

1.3.5. Эксплуатация интеллектуальной АСУ в адаптивном режиме

1.3.6. Повышение статуса результатов исследования

1.4. Выводы

ГЛАВА 2. СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ ПЕДАГОГИЧЕСКОЙ ИНФОРМАЦИИ ВУЗА КАК ФАКТОР УПРАВЛЕНИЯ КАЧЕСТВОМ ПОДГОТОВКИ КАДРОВ

2.1. Введение

2.2. Постановка проблемы

2.3. Подходы к решению проблемы

2.3.1. Количественное определение степени и направления влияния значений факторов на результат

2.3.2. Рациональная технология и инфраструктура проведения работ

2.3.3. Условия, необходимые для выполнения работ

2.3.3.1. Технология разработки педагогических измерительных инструментов (тестов уровней предметной обученности)

2.3.3.2. Компетентность кадров выполняющих работу

2.3.3.3. Объем исходных данных, необходимый для разработки педагогических измерительных систем и тестов уровней предметной обученности по одной дисциплине

2.3.3.4. Программные инструментальные средства, необходимые для разработки педагогических измерительных систем и тестов уровней предметной обученности по одной дисциплине

2.4. Оценки сроков и трудоемкости работ, необходимых затрат для их выполнения и эффекта от полученного результата

2.5. Выводы

ГЛАВА 3. ХИРШАМАНИЯ ПРИ ОЦЕНКЕ РЕЗУЛЬТАТОВ НАУЧНОЙ ДЕЯТЕЛЬНОСТИ, ЕЕ НЕГАТИВНЫЕ ПОСЛЕДСТВИЯ И ПОПЫТКА ИХ ПРЕОДОЛЕНИЯ С ПРИМЕНЕНИЕМ МНОГОКРИТЕРИАЛЬНОГО ПОДХОДА И ТЕОРИИ ИНФОРМАЦИИ

3.1. Проблема, или о том какой урон уже нанес джин Хирша, выпущенный из бутылки

3.2. Идея предлагаемого решения проблемы

3.3. Автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос» как инструментарий решения проблемы

3.4. Частные критерии и виды моделей системы «Эйдос»

3.5. Ценность описательных шкал и градаций для решения задач идентификации текстов и авторов (нормализация текста)

3.6. Интегральные критерии системы «Эйдос»

3.7. Выводы

ГЛАВА 4. КОЛИЧЕСТВЕННАЯ ОЦЕНКА СТЕПЕНИ МАНИПУЛИРОВАНИЯ ИНДЕКСОМ ХИРША И ЕГО МОДИФИКАЦИЯ, УСТОЙЧИВАЯ К МАНИПУЛИРОВАНИЮ

Введение

4.1. Что такое индекс Хирша

4.2. Манипулирование индексом Хирша при малом числе публикаций

4.2.1. Способ сформировать максимальное значение индекса Хирша при малом числе публикаций

4.2.2. Первый интегральный критерий манипулирования индексом Хирша

4.2.3. Примеры применения первого интегрального критерия манипулирования индексом Хирша на основе баз данных РИНЦ

4.3. Манипулирование индексом Хирша при большом числе публикаций

4.3.1. Способ увеличить значение индекса Хирша при большом числе публикаций

4.3.2. Научно-обоснованная модификация индекса Хирша, нечувствительная (устойчивая) к попыткам манипулированию им

4.3.3. Второй интегральный критерий манипулирования индексом Хирша

4.3.4. Примеры определения теоретических значений индекса Хирша путем решения уравнений трендов

4.4. Согласованность 1-го и 2-го интегральных критериев манипулирования индексом Хирша

4.5. Выводы

ГЛАВА 5. НАУКОМЕТРИЧЕСКАЯ ИНТЕЛЛЕКТУАЛЬНАЯ ИЗМЕРИТЕЛЬНАЯ СИСТЕМА ПО ДАННЫМ РИНЦ НА ОСНОВЕ АСК-АНАЛИЗА И СИСТЕМЫ "ЭЙДОС"

5.1. Формулировка проблемы

5.2. Требования к методу решения проблемы и недостатки традиционных методов

5.3. Идея решения проблемы с применением наукометрической интеллектуальной измерительной системы

5.4. Краткое описание АСК-анализа, как метода решения проблем

5.4.1. Кратко об АСК-анализе

5.4.2. Истоки АСК-анализа

5.4.3. Методика АСК-анализа

5.4.3.1. Предпосылки решения проблемы

5.4.3.2. АСК-анализ как решение проблемы

Когнитивный конфигуратор:

Компоненты АСК-анализа:

Этапы АСК-анализа:

Математические аспекты АСК-анализа

5.4.4. Некоторые результаты применения АСК-анализа в различных предметных областях

5.5. Численный пример синтеза и применения наукометрической интеллектуальной измерительной системы

5.5.1. Когнитивно-целевая структуризация предметной области

5.5.2. Формализация предметной области

5.5.2.1. Исходные данные по авторам

Источник исходных данных

Форма представления исходных данных

Организация группы экспертов и методика взвешивания экспертных оценок

Первичные и расчетные показатели

5.5.2.2. Классификационные и описательные шкалы и градации

5.5.2.3. Обучающая выборка (база событий)

5.5.3. Синтез и верификация модели

5.5.3.1. Результаты синтеза моделей

5.5.3.2. Результаты верификации моделей

5.5.4. Решение наукометрических задач с помощью модели

5.5.4.1. Задачи оценки результатов научной деятельности

5.5.4.2. Задача поддержки принятия решений (информационные портреты результатов научной деятельности авторов)

5.5.4.3. Задача исследования моделируемой предметной области путем исследования ее модели

Задача исследования значимости наукометрических критериев (индекс Хирша не является наиболее значимым наукометрическим критерием).

Автоматизированный SWOT-анализ влияния значений наукометрических критериев на оценку результативности научной деятельности.

Когнитивные функции

Сходство-различие обобщенных образов различных результатов научной деятельности по характерным для них системам значений наукометрических показателей.

5.6. Выводы

ГЛАВА 6. ПРИМЕНЕНИЕ АСК-АНАЛИЗА И ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ "ЭЙДОС" ДЛЯ РЕШЕНИЯ В ОБЩЕМ ВИДЕ ЗАДАЧИ ИДЕНТИФИКАЦИИ ЛИТЕРАТУРНЫХ ИСТОЧНИКОВ И АВТОРОВ ПО СТАНДАРТНЫМ, НЕСТАНДАРТНЫМ И НЕКОРРЕКТНЫМ БИБЛИОГРАФИЧЕСКИМ ОПИСАНИЯМ

6.1. Описание проблемы и идея ее решения

6.2. Предыстория и задел для решения проблемы идентификации текстов и авторов в АСК-анализе и системе «Эйдос»

6.3. Описание предлагаемого решения проблемы

6.3.1. Этапы АСК-анализа и преобразование исходных данных в информацию, а ее в знания в системе "Эйдос"

6.3.2. Скачивание и инсталляция системы «Эйдос»

6.3.3. Автоматизированная формализация предметной области путем импорта исходных данных из внешних баз данных в систему "Эйдос"

6.3.4. Синтез и верификация статистических и интеллектуальных моделей

6.3.5. Частные критерии и виды моделей системы «Эйдос»

6.3.6. Ценность описательных шкал и градаций для решения задач идентификации текстов и авторов (нормализация текста)

6.3.7. Интегральные критерии системы «Эйдос»

6.3.8. Результаты верификации моделей

6.4. Решение задач идентификации текстов и их авторов в наиболее достоверной модели

6.4.1. Присвоение наиболее достоверной модели статуса текущей и решение в ней задач идентификации

6.4.2. Отображение результатов идентификации

6.5. Выводы

6.6.1. Повышение быстродействия алгоритмов

6.6.2. Перспективы применения АСК-анализа и системы «Эйдос» для решения задач идентификации и прогнозирования на основе анализа Internet-контента

ГЛАВА 7. ИНТЕЛЛЕКТУАЛЬНАЯ ПРИВЯЗКА НЕКОРРЕКТНЫХ ССЫЛОК К ЛИТЕРАТУРНЫМ ИСТОЧНИКАМ В БИБЛИОГРАФИЧЕСКИХ БАЗАХ ДАННЫХ С ПРИМЕНЕНИЕМ АСК-АНАЛИЗА И СИСТЕМЫ «ЭЙДОС» (НА ПРИМЕРЕ РОССИЙСКОГО ИНДЕКСА НАУЧНОГО ЦИТИРОВАНИЯ – РИНЦ)

7.1. Введение

7.2. Методика (кратко об АСК-анализе)

7.2.1. Что такое АСК-анализ

7.2.2. Истоки АСК-анализа

7.2.3. Методика АСК-анализа

7.2.3.1. Предпосылки решения проблемы

7.2.3.2. АСК-анализ как решение проблемы

Когнитивный конфигуратор:

Компоненты АСК-анализа:

Этапы АСК-анализа:

Математические аспекты АСК-анализа

7.2.4. Некоторые результаты применения АСК-анализа в различных предметных областях

7.2.5. Предлагаемая идея применения АСК-анализа для решения поставленной в работе проблемы

7.3. Результаты (численный пример на реальных данных)

7.3.1. Исходные данные

7.3.2. Когнитивно-целевая структуризация предметной области

7.3.3. Формализация предметной области

7.3.3.1. Универсальный программный интерфейс импорта данных из табличных файлов (режим 2.3.2.2)

7.3.3.2. Программный интерфейс импорта данных из текстовых файлов (режим 2.3.2.1)

7.3.4. Синтез и верификация модели предметной области

7.3.4.1. Частные и интегральные критерии, применяемые в АСК-анализе и системе «Эйдос»

7.3.4.2. Синтез моделей

7.3.4.3. Просмотр моделей

7.3.4.4. Достоверность моделей

7.3.4.4.1. По F-критерию Ван Ризбергена

7.3.4.4.2. По L1-мере проф.Е.В.Луценко

7.3.4.4.3. По L2-мере проф.Е.В.Луценко

7.3.5. Выбор наиболее достоверной модели, присвоение ей статуса текущей

7.3.5.1. Выбор наиболее достоверной модели

7.3.5.2. Присвоение наиболее достоверной модели статуса текущей модели

7.3.6. Решение задачи идентификации (привязки) ссылок на литературные источники в наиболее достоверной модели

7.3.6.1. Ввод распознаваемой выборки из текстовых файлов в систему «Эйдос»

7.3.6.2. Пакетное распознавание распознаваемой выборки в текущей модели

7.3.6.3. Краткая характеристика выходных форм по результатам распознавания

7.3.6.4. Создание выходных форм, наиболее удобных для решения поставленной в работе проблемы

7.3.6.4.1. Краткие выходные формы

7.3.6.4.2. Подробные выходные формы

7.3.6.4.3. Отчет по неидентифицированным ссылкам

7.3.7. Решение задачи исследования моделируемой предметной области

7.3.7.1. Автоматизированный SWOT-анализ

7.3.7.2. Нелокальные нейроны

7.3.7.3. Внешнее сравнение текстов (кластерно-конструктивный анализ)

7.3.7.4. Содержательное сравнение текстов (когнитивные диаграммы)

7.3.7.5. Ценность слов для сравнения ссылок и источников

7.4. Обсуждение (некоторые ограничения предлагаемой технологии и пути их преодоления)

7.4.1. Ошибки идентификации и неидентификации и как их компенсировать

7.4.1.1. Обоснование выбора порога уровней сходства

7.4.1.2. Использование препроцессора в форме однослойной нейронной сети для грамматического разбора и выделения вторичных признаков

7.4.1.3. Использование детерминистского постпроцессора исключающего из отчета по идентификации точно ошибочные результаты

7.4.1.4. Использование предлагаемого подхода в сочетании с алгоритмами разбора ссылок, используемыми в ПО РИНЦ настоящее время

7.4.2. Англоязычные ссылки на русскоязычные источники и на источники, указанные в транслитерации

7.4.3. Повышение скорости интеллектуальной привязки

7.4.3.1. Научное исследование

7.4.3.2. Практические применение

7.4.3.3. Применение новых технологий параллельных вычислений

7.5. Выводы

ГЛАВА 8. СИНТЕЗ И ВЕРИФИКАЦИЯ МНОГОКРИТЕРИАЛЬНОЙ СИСТЕМНО-КОГНИТИВНОЙ МОДЕЛИ УНИВЕРСИТЕТСКОГО РЕЙТИНГА ГАРДИАН И ЕЕ ПРИМЕНЕНИЕ ДЛЯ СОПОСТАВИМОЙ ОЦЕНКИ ЭФФЕКТИВНОСТИ РОССИЙСКИХ ВУЗОВ С УЧЕТОМ НАПРАВЛЕНИЯ ПОДГОТОВКИ

8.1. Формулировка проблемы

8.2. Авторский подход к решению проблемы

8.2.1. Идея предлагаемого решения проблемы

8.2.2. Автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос» как инструментарий решения проблемы

8.2.3. Частные критерии университетского рейтинга Гардиан

8.3. Численный пример

8.3.1. Источники исходных данных

8.3.2. Подготовка исходных данных для системы «Эйдос»

8.3.3. Установка системы «Эйдос»

8.3.4. Ввод исходных данных в систему «Эйдос» с помощью одного и ее программных интерфейсов

8.3.5. Синтез и верификация многокритериальной системно-когнитивной модели университетского рейтинга Гардиан, учитывающей направления подготовки

8.3.6. Наглядное отображение подматриц системно-когнитивных моделей университетского рейтинга Гардиан в виде когнитивных функций

8.3.7. Интегральный критерий и решение задачи оценки рейтинга вуза в системно-когнитивной модели университетского рейтинга Гардиан

8.3.8. Исследование многокритериальной системно-когнитивной модели университетского рейтинга Гардиан, учитывающей направления подготовки

8.3.8.1. Автоматизированный количественный SWOT-анализ университетского рейтинга Гардиан

8.3.8.2. Информационные портреты классов и значений показателей университетского рейтинга Гардиан

8.3.8.3. Кластерно-конструктивный анализ университетского рейтинга Гардиан

8.4. Интеграция различных рейтингов в одном «супер рейтинге» – путь к использованию рейтинга Гардиан для оценки российских вузов

8.4.1. Пилотное исследование и Парето-оптимизация

8.4.2. Эксплуатация методики в адаптивном режиме

8.5. Выводы

ЗАКЛЮЧЕНИЕ

ЛИТЕРАТУРА

Литература к главе 1

Литература к главе 2

Литература к главе 3

Литература к главе 4

Литература к главе 5

Литература к главе 6

Литература к главе 7

Литература к главе 8.

Литература по монографии в целом