Научная статья на тему 'АНАЛИЗ БОЛЬШИХ ДАННЫХ ДЛЯ ИЗУЧЕНИЯ ЧИТАТЕЛЬСКИХ ПРЕДПОЧТЕНИЙ И ОПТИМИЗАЦИИ БИБЛИОТЕЧНЫХ УСЛУГ'

АНАЛИЗ БОЛЬШИХ ДАННЫХ ДЛЯ ИЗУЧЕНИЯ ЧИТАТЕЛЬСКИХ ПРЕДПОЧТЕНИЙ И ОПТИМИЗАЦИИ БИБЛИОТЕЧНЫХ УСЛУГ Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
11
0
Читать
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
анализ больших данных / читательские предпочтения / библиотечные услуги / оптимизация / кластерный анализ / ассоциативный анализ / big data analysis / reader preferences / library services / optimization / cluster analysis / associative analysis

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Агабаева А., Гарягдыева Э., Анналыева С., Оразгельдиева Б.

В статье рассматривается использование методов анализа больших данных для изучения читательских предпочтений и оптимизации библиотечных услуг. Авторы статьи анализируют различные типы данных, которые могут быть использованы для этой цели, такие как данные о заимствованиях книг, данные о посещениях библиотек, данные о поисковых запросах в онлайн-каталогах и данные о социальных сетях. Авторы также обсуждают различные методы анализа данных, которые могут быть применены к этим данным, такие как кластерный анализ, ассоциативный анализ и анализ настроений

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
Предварительный просмотр
i Надоели баннеры? Вы всегда можете отключить рекламу.

BIG DATA ANALYSIS TO STUDY READER PREFERENCES AND OPTIMIZE LIBRARY SERVICES

The article discusses the use of big data analysis methods to study reader preferences and optimize library services. The authors of the article analyze various types of data that can be used for this purpose, such as data on book loans, data on library visits, data on search queries in online catalogs and data on social networks. The authors also discuss various data analysis techniques that can be applied to this data, such as cluster analysis, associative analysis, and sentiment analysis

Текст научной работы на тему «АНАЛИЗ БОЛЬШИХ ДАННЫХ ДЛЯ ИЗУЧЕНИЯ ЧИТАТЕЛЬСКИХ ПРЕДПОЧТЕНИЙ И ОПТИМИЗАЦИИ БИБЛИОТЕЧНЫХ УСЛУГ»

УДК 130

Агабаева А.,

Преподаватель.,

Туркменский государственный институт культуры Гарягдыева Э., Анналыева С., Оразгельдиева Б.,

Студенты Туркменского государственного института культуры

АНАЛИЗ БОЛЬШИХ ДАННЫХ ДЛЯ ИЗУЧЕНИЯ ЧИТАТЕЛЬСКИХ ПРЕДПОЧТЕНИЙ И ОПТИМИЗАЦИИ БИБЛИОТЕЧНЫХ УСЛУГ

Аннотация

В статье рассматривается использование методов анализа больших данных для изучения читательских предпочтений и оптимизации библиотечных услуг. Авторы статьи анализируют различные типы данных, которые могут быть использованы для этой цели, такие как данные о заимствованиях книг, данные о посещениях библиотек, данные о поисковых запросах в онлайн-каталогах и данные о социальных сетях. Авторы также обсуждают различные методы анализа данных, которые могут быть применены к этим данным, такие как кластерный анализ, ассоциативный анализ и анализ настроений.

Ключевые слова

анализ больших данных, читательские предпочтения, библиотечные услуги, оптимизация,

кластерный анализ, ассоциативный анализ

Agabaeva A.,

Lecturer.,

Turkmen State Institute of Culture Garyagdyyeva E., Annalyyeva S., Orazgeldieva B.,

Students of the Turkmen State Institute of Culture

BIG DATA ANALYSIS TO STUDY READER PREFERENCES AND OPTIMIZE LIBRARY SERVICES

Annotation

The article discusses the use of big data analysis methods to study reader preferences and optimize library services. The authors of the article analyze various types of data that can be used for this purpose, such as data on book loans, data on library visits, data on search queries in online catalogs and data on social networks. The authors also discuss various data analysis techniques that can be applied to this data, such as cluster analysis, associative analysis, and sentiment analysis.

Keywords

big data analysis, reader preferences, library services, optimization, cluster analysis, associative analysis.

Введение. В современном мире библиотеки сталкиваются с множеством вызовов, таких как сокращение финансирования, рост популярности электронных книг и конкуренция со стороны других источников информации. В связи с этим библиотекам необходимо найти новые способы привлечения и удержания читателей.

Одним из способов решения этой проблемы является использование методов анализа больших данных. Анализ больших данных может помочь библиотекам лучше понять своих читателей, их потребности и предпочтения. Эта информация может быть использована для оптимизации библиотечных услуг и создания более привлекательной среды для читателей.

Основная часть. Анализ больших данных (АБД) представляет собой набор методов, которые могут

быть использованы для извлечения информации из больших и сложных наборов данных. АБД может быть применен к библиотечным данным для решения различных задач, таких как:

1). Изучение читательских предпочтений. АБД может быть использован для определения того, какие книги и другие материалы пользуются наибольшей популярностью у пользователей, а также для выявления закономерностей в читательском поведении. Эта информация может быть использована для оптимизации библиотечных фондов, формирования рекомендательных списков, организации тематических мероприятий и улучшения качества обслуживания пользователей. Изучение читательских предпочтений - это непрерывный процесс, который позволяет библиотекам быть в курсе потребностей своих читателей и предоставлять им качественные услуги.

2). Персонализация обслуживания. АБД может быть использован для создания рекомендательных систем, которые будут предлагать пользователям книги и другие материалы, которые могут им понравиться. Персонализация - это процесс предоставления пользователям библиотечных услуг, которые соответствуют их индивидуальным потребностям. Библиотеки могут использовать различные методы персонализации, такие как:

а) рекомендательные системы. Рекомендательные системы могут быть использованы для того, чтобы рекомендовать пользователям книги, которые могут им понравиться. Рекомендательные системы могут быть основаны на различных методах, таких как:

Коллаборативная фильтрация. Этот метод основан на том, что пользователям с похожими интересами нравятся похожие книги.

Контентная фильтрация. Этот метод основан на том, что пользователям нравятся книги, которые похожи на те, которые они уже читали.

б) виртуальные помощники. Виртуальные помощники могут быть использованы для того, чтобы помочь пользователям найти книги, которые они ищут. В современном мире библиотеки все чаще используют виртуальных помощников для обслуживания своих пользователей. Виртуальные помощники - это компьютерные программы, которые могут имитировать разговор с человеком. Виртуальные помощники могут ответить на вопросы о часах работы библиотеки, правилах заимствования, местонахождении книг и других ресурсах. Они также могут помочь пользователям забронировать книги, продлить срок заимствования и вернуть книги.

в) персональные библиотечные каталоги. Персональные библиотечные каталоги могут быть использованы для того, чтобы предоставить пользователям доступ к книгам, которые им интересны.

Оптимизация библиотечных фондов. АБД может быть использован для определения того, какие книги и другие материалы следует добавить в библиотечный фонд, а какие - удалить.

Оценка эффективности библиотечных услуг. АБД может быть использован для оценки эффективности библиотечных услуг и определения того, насколько они удовлетворяют потребностям пользователей.

Библиотекам доступны различные типы данных, которые могут быть использованы для АБД. Эти данные можно разделить на три категории:

Анализ данных. Существует множество различных методов анализа данных, которые могут быть применены к данным о читательских предпочтениях. Вот несколько примеров:

1. Кластерный анализ. Этот метод может быть использован для определения групп читателей с похожими предпочтениями.

2. Ассоциативный анализ. Этот метод может быть использован для определения того, какие книги часто читаются вместе.

3. Анализ настроений. Этот метод может быть использован для определения того, как читатели относятся к библиотеке и ее услугам.

Большие данные включает в себя следующие основные атрибуты:

Данные о каталогах. Эти данные включают информацию о книгах и других материалах, которые хранятся в библиотеке.

Данные о истории выдачи книг. Эти данные включают информацию о том, какие книги и другие материалы были выданы пользователям библиотеки.

Данные об использовании электронных ресурсов. Эти данные включают информацию о том, какие электронные ресурсы используются пользователями библиотеки. В дополнение к этим данным, библиотеки могут также использовать данные из социальных сетей для изучения своих пользователей.

Методы АБД. Для извлечения информации из данных АБД используются различные методы. Наиболее распространенные методы АБД:

Машинное обучение: Машинное обучение - это метод искусственного интеллекта, который позволяет компьютерам обучаться на данных без явного программирования. Машинное обучение может быть использовано для решения различных задач АБД, таких как классификация данных, прогнозирование и кластеризация.

Визуализация данных. Визуализация данных — это метод представления данных в виде графиков, диаграмм и других визуальных элементов. Визуализация данных может помочь библиотекарям понять сложные наборы данных и сделать обоснованные решения.

Заключение. Анализ больших данных может стать мощным инструментом, который поможет библиотекам улучшить качество своих услуг и привлечь новых пользователей. Библиотеки могут использовать анализ больших данных для изучения читательских предпочтений, оптимизации библиотечных услуг, персонализации обслуживания пользователей и многого другого. Список использованной литературы:

1. Сюткина М. А. Основные тенденции в динамике читательских предпочтений школьников за последние 25 лет (1994-2019) //Студент-Исследователь-Учитель. - 2021. - С. 994-1001.

2. Вартанов С. А. Большие данные в онлайн-СМИ: подходы и стратегии использования //Медиаскоп. -2017. - №. 4. - С. 3.

3. Борисенко Н. А. и др. Особенности цифрового чтения современных подростков: результаты теоретико-эмпирического исследования //Science for Education Today. - 2020. - Т. 10. - №. 5. - С. 28-49.

© Агабаева А., Гарягдыева Э., Анналыева С., Оразгельдиева Б., 2024

УДК 39

Агаоразова Г., студентка. Мухамметбердиев Ш., студент. Туркменский государственный университет имени Махтумкули.

Научный руководитель: Агалыева А.,

преподаватель кафедры туркменской литературы. Туркменский государственный университет имени Махтумкули.

Ашхабад, Туркменистан.

ГЛУПЫЕ СЛОВА В СТИХАХ МАХТУМКУЛИ ФРАГИ Аннотация

Мастерству слов на родном языке следует учиться у Магтымгулу. В своих произведениях он продемонстрировал мастерство в использовании слов. Наряду с художественными средствами, такими

i Надоели баннеры? Вы всегда можете отключить рекламу.