CC BY
22силы трения, демпфирования и гистерезисы, которые несомненно возникают при взаимодействии различных деталей подвески.
Представленные характеристики качественно совпадают с характеристиками, полученными по результатам дорожных и стендовых испытаний. Это свидетельствует о том, что рассмотренная цифровая модель двухмассовой механической колебательной системы обладает свойствами, позволяющими использовать ее в технологическом процессе на этапе выбора начальных параметров адаптивных моделей в системе управления виброиспытаниями.
Р и с 4. Амплитудно-частотная характе-пистикя
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Ротенберг В. В. Подвеска автомобиля. М.: Машиностроение, 1972.
2. Колебания машин, конструкций и их элементов / Иол ред. Диментберга Ф. М. и Колесникова К. С. -М,Машиностроение, 1980. т.З из Вибрации в технике. Справочник. В 6-ти т. ' Ред. совет: В.Н. Челомей (пред.). 544 с.
3. Валкое И. И, Черкасский Е.П., Кокорев Д. Ю. Адаптивная система для проведения виброиспытаний автомобилей и элементов их конструкций // Информационно-измерительные и управляющие системы. Самара, 2005.
4. Кокорев Д.Ю. Программное обеспечение имитационного моделирования вибро испытаний Н Математическое моделирование и краевые задачи. Самара, 2004.
Статья поступила в редакцию 28 сентября 2006 г.
УДК 681.3 И. Г. Губанов
АНАЛИЗ МЕТОДОВ ИНФОРМАЦИОННОЙ ПОД ДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ УПРАВЛЕНИЯ ЖИЗНЕННЫМ ЦИКЛОМ СЛОЖНЫХ ТЕХНИЧЕСКИХ ОБЪЕКТОВ
Дан анализ методов адаптации сложных систем, управления их структурной динамикой, а также информационной поддержки, принятия решений с целью выработки обобщённого подхода к построению систем комплексного управления жизненным циклом сложных технических объектов.
Сложные технические системы (СТС) и сложные технические объекты (СТО) являются основной категорией современной промышленной деятельности. Проблема эффективного управления СТС охватывает широкий круг прикладных областей - от проектирования и производства сложных, наукоёмких изделий до обеспечения безопасной эксплуатации потенциально опасных промышленных объектов, Востребованость практических результатов в данных областях обуславливает активные исследования по разработке обобщенных (межпредметных) методов анализа, синтеза и управления СТС. Сложность ОУ, изменение содержания целей и задач управления СТО приводит к возникновению условий существенной неопределенности функционирования СТС, обусловленное повышением сложности создаваемых технических и организационно-технических систем, В данной ситуации применение традиционных методов управления становится малоэффективным. Одним из возможных подходов к решению перечисленных проблем является использование теории интеллектуального управления. При этом ключевую роль в информационном обеспечении процесса управления несут базы знаний.
Комплексной характеристикой эволюции СТО является понятие его жизненного цикла (ЖЦ). Жизненный цикл описывает состояние объекта в различные периоды времени, начиная от появления необходимости в данном объекте и заканчивая выходом его из эксплуатации.
В этой связи целесообразно дать анализ методов, охватывающих вопросы адаптации, управления структурной динамикой и взаимодействие с информационными ресурсами при 12
принятии решений, с целью выработки обобщённого подхода к созданию систем комплексного управления жизненным циклом сложных технических объектов.
Адаптация, как инструмент целенаправленного воздействия на объект, заключается в процессе последовательного выбора, на структуре системы, который ведёт к уменьшению её неопределенности и достижению целей её функционирования. Так как синтез СТС производится в условиях значительной априорной неопределенности об условиях ее функционирования, применение методов, основанных на осреднении неопределенных параметров, на практике не приносит необходимого эффекта. Осреднение поведения среды чрезвычайно сужает полосу значений параметров оптимального функционирования системы, другими словами, система оптимально функционирует только при среднем состоянии среды. Всякое же отклонение среды от среднего приводит к неоптимальности системы. Процесс адаптации подразумевает ввод в систему адаптирующих подсистем, поддерживающих её в оптимальном состоянии при любом допустимом состоянии среды. Исследования, посвящённые проблемам адаптации, развиваются по двум, дуальным друг другу, направлениям: пассивная адаптация, заключающаяся в формировании управления для заданной среды и активная, основанная на поиске среды, соответствующей сформированной СУ. При решении прикладных задач, как правило, данные методы пересекаются. В частности, в случае конечного числа варьируемых состояний объекта Л = (а,,...,ап), используют методы альтернативной адаптации, заключающиеся в указании, какую альтернативу апе. А следует реализовать в сложившейся ситуации в среде X и объекте ¥, правилом Я а, - К{^Х,а^. Алгоритм адаптации осуществляет выбор альтернативы,
которая минимизирует заданный критерий качества объекта в сложившейся ситуации. В частности автоматические методы альтернативной адаптации: детерминированные автоматы с целесообразным поведением и стохастические автоматы с переменной структурой, применяются для задач адаптивной поисковой оптимизации. Эволюционные методы обработки информации являются основой для структурной адаптации сложных систем. Пусть вариации 5“"’ структуры 5, принадлежат заданному множеству возможных вариаций V . Процесс эволюции структуры 5 происходит поэтапно. Суть данного процесса заключается в порождении массива вариантов
мутированных структур 5 = 5 + 8'™, новые структуры оцениваются по критерию эффективности, происходит отбор и неэффективные структуры удаляются из обработки.
Можно проследить методологическое и целевое единство между процессами адаптации, рядом этапов формирования управления и задачам принятия решений в условиях неопределенности. В этой связи, для адаптации принципиально определение критериев оптимального функционирования системы и выбор алгоритма адаптации по этим критериям.
Сложность применения методов адаптации СТС объясняется тем, что СТО не терпит поисковых воздействий, необходимых для организации определения экстремума критерия оптимальности и компромисс применения данных методов сводится к снижению высокой платы, которую приходится платить за процесс адаптации. Этим обстоятельством вызван интерес, к беспоисковым системам оптимизации. Однако процессы адаптации беспоисковыми методами, требуют информации о структуре объекта [I].
В отличие от адаптации, при которой постепенно снижается неопределенность в задаче выбора параметров системы или управляющих воздействий, процессу самоорганизации соответствуют более глубокие изменения в ее математической структуре. Они заключаются в процессе развития структурно-математического описания организации системы, состоящей в последовательном обогащении исходного описания новыми отношениями и аксиомами или в изменении этих отношений и аксиом [2].
Методы самоорганизации на основе процессов изменения переходной функции динамической системы, происходящей при соответствующих воздействиях среды, задают на базисных множествах определенные отношения, подчиняющиеся некоторым аксиомам и их изменение может рассматриваться как изменение соответствующих отношений математической структуры.
В настоящее время активно ведутся исследования самоорганизации сложных систем на основе синергетической концепции, которая заключаются в формировании и поддержании желаемых притягивающих инвариантных многообразий в пространстве состояний системы, на которых свойства СТО наилучшим способом согласуются с требованиями задачи управления
[3]. В процессе самоорганизации в синергетической системе происходит сужение фазового потока в пространстве состояний системы их приближение к целевым значениям. Анализ показал, что макроуровне самоорганизацию можно рассматривать как процесс измерения функции целенаправленного выбора [2].
Решение процедурных вопросов изменения облика СТС лежит в русле управления структурной динамикой (УСД) СТО, которая заключается в процессе формирования и реализации управляющих воздействий, обеспечивающих переход СТО из текущего в заданное многоструктурное макросостояние. Содержание процедур УСД СТС заключается в изменении целей и способов функционирования СТС, перераспределении функций, задач и алгоритмов функционирования СТС, перемещении в пространстве отдельных элементов и подсистем СТС. На сегодняшний момент рассматривают в качестве инструментов управления структурной динамикой управление резервами СТС и реконфигурацию структур СТС. Управление резервами представляет собой множество операций, с целью сохранения заданного уровня устойчивости управления объектами. Данные операции связанны со сбором и обработкой информации о состоянии СТС, выявлением неработоспособных элементов, подсистем и связей между ними, включением резервных элементов и подсистем, контролем результатов замены элементов и подсистем. Процесс реконфигурации структур СТС включает в себя комплекс операций, связанных с изменением структуры СТС и обеспечивающих сохранение или повышение уровня ее целевых и функциональных возможностей. В тех случаях, когда резервы исчерпаны, но возможен переход на уровни работоспособности с понижением качества выполнения целевых задач объектами СТС, применяют реконфигурацию. Как показывает практика [2], вышеперечисленный комплекс операций в настоящее время реализуется в автоматическом режиме только для первичных элементов СТС (на уровне блок, узел, устройство, канал). Для более сложных элементов в процессе управления резервами необходимо участие ЛПР, При практическом использовании различают ряд классов СТС, основанных на концепции управляемой структурной динамики: системы операторного управления; системы с активной управляемой технологией; системы альтернативного и многорежимного управления; системы отказоустойчивого и самовосстанав-ливаемого управления; интеллектуальные системы управления. Системы с альтернативным управлением соответствуют классу систем управления, характеризуемых конечным множеством вариантов реструктуризации. Суть функционирования системы заключается в анализе ситуации и выбора соответствующего алгоритма функционирования. Методологической основой данных систем, в частности, являются методы альтернативной адаптации. В СТС многорежимного управления, осуществляется декомпозиция цели функционирования системы на множество подцелей и осуществляется выбор вариантов функционирования для данной декомпозиции.
Задачи управления структурной динамикой СТС в реальном масштабе времени потребовали в современных условиях значительного усиления интеллектуальной поддержки процессов подготовки и принятия решений (ПППР) соответствующих средств управления, создания интеллектуальных систем управления (ИСУ). Таким образом, процессы управления структурной динамикой СТС имеют, многоэтапный и многоуровневый характер, а управленческая деятельность предполагает реализацию взаимосвязанной последовательности актов принятия решений. В случае решения ЗПР в автоматизированном режиме, субъектами системы следует рассматривать лиц, принимающих решения (ЛПР), лиц обосновывающих рассматриваемые решения (ЛОР), лиц подготавливающих управленческие решения, в автоматическом режиме в этом качестве выступают базы знаний СППР и систем реализации управленческих решений. Таким образом, можно говорить о системном, методологическом, целевом и функциональном единстве БЗ систем ПППР и индивидуальных и групповых профессиональных баз знаний ЛПР. Данные выводы освещают необходимость проработки вопросов анализа синтеза и управления единой базы знаний, сформированной базами знаний информационных систем (БЗ ИС) и БЗ ЛПР. Данные направление исследований затрагивает задачи комплексной оценки полноты знаний по отношению к СТО, на различных этапах ЖЦ, вопросы эффективного взаимодействия БЗ ИС и БЗ ЛПР, взаимного дополнения и взаимного обучения. Процесс управления сложными организационно - техническими комплексами носит человеко-машинный характер, поэтому адаптация, как явление, относится, и к человеческой составляющей. С системной точки зрения, процесс обучения является разновидностью адаптации, но на более высоком уровне организации [4], При таком подходе адаптация представляет собой приспособление ЛПР и ЛОР к новым условиям управления. Данные условия характеризуются новыми целями, задачами, функциями, новыми техническими аспектами. В этой связи интересен подход, в котором рассматривается
человеческое поведение как целеустремленная система [5]. Профессиональные знания определяются как ситуация выбора в окружении, в котором субъекту доступно множество подспосо-бов действий. Под выбором понимается продуцирование индивидом или системой в структурном окружении одного или более структурно различных, но функционально сходных действий, потенциальным продуцентом которых является этот индивид или система в данном окружении. Данный подход базируется на методах аналитической профессиографии, включающих в себя описание профессиональных функций, профессиональных задач и признаков исполнения задач, Профиль специалиста и цели подготовки представляются как совокупность профессиональных задач. Каждая профессиональная задача есть обобщенная модель профессиональной ситуации, с которой специалист может встретиться в своей практической деятельности, и эталон ее решения. Подобные профессиональные задачи и эталон их решения представляют собой комплексные квалификационные задания.
Для диагностики выполнения субъектом профессиональной задачи используют систему критериев, основными из которых являются:
Ка — качество (глубина) усвоения выпускником нормативной системы деятельности специалиста определенного профиля, измеряется достигнутым уровнем усвоения деятельности.
Кр ~ степень научности системы деятельности специалиста.
В данных исследованиях профессиональные знания определены как знания, сформулированные в результате деятельности по решению профессиональной задачи. В этих исследованиях решены следующие проблемы:
— определены понятия профессиональных знаний в контексте профессиональной деятельности, определены эталонные профессиональные знания;
— определено понятие профессиональной задачи, указана связь между профессиональной задачей и профессиональной деятельностью;
— определены характеристики для оценки качества профессиональных знаний, выявлена взаимосвязь профессиональной задачи и профессионального теста.
Профессиональные знания могут быть эталонными, индивидуальными и групповыми, методическими и ориентирующими, общими и частными. Так как оценка профессиональных знаний есть сравнение с эталоном, вводится понятие профессиональных знаний испытуемого и эталонных профессиональных знаний. Если индивидуальные профессиональные знания сформированы испытуемым в ходе тестирования, то они являются его профессиональными знаниями. Если индивидуальные знания сформированы экспертом, то они представляют собой эталонные профессиональные знания. Групповые профессиональные знания всегда рассматриваются как эталонные.
Ориентирующие знания - это научные теории, факты, гипотезы, законодательные акты. Методические - способ решения профессиональной задачи. И ориентирующие, и методические профессиональные знания могут быть общими и частными.
Предыдущие понятия порождают определение индивидуальной и групповой профессиональных баз знаний. Согласно [5], индивидуальная профессиональная база знаний (ИПБЗ) -система индивидуальных профессиональных знаний, которой пользуется индивид в процессе решения профессиональных задач. Групповая профессиональная база знаний (ГПБЗ) - система групповых профессиональных знаний, которые в данной производственной среде используются специалистами определенной квалификации.
Основой квалиметрии профессиональной деятельности является профессиональная задача
- модель профессиональной деятельности. Деятельность по решению задачи разлагается на этапы. Можно выделить 5 этапов: этап целеполагающий; стратегический этап; тактический этап; этап получения результатов; этап контроля. Качество профессиональных знаний характеризуется усвоенностью. Под усвоенностью профессиональных данных понимают способность субъекта в ходе деятельности по решению профессиональной задачи создавать профессиональные знания на уровне определённой квалификации. Усвоенность выявляют на основании опроса. Существует два варианта опроса при выборе и при самостоятельном решении. Таким образом, можно принять, что существует ряд элементарных (более неделимых) усвоенностей, которые являются качественной мерой описания профессиональных знаний. Данные усвоенно-сти существуют на каждый этап решения профессиональной задачи и по каждому свойству. Каждая усвоенность описывается количественной характеристикой - квалиметрическим коэффициентом, Квалиметрический коэффициент есть доля профессиональных знаний определён-
ного свойства отдельного вида на заданном этапе, которые правильно зафиксированы субъектом в ходе тестирования к общему числу эталонных знаний того же этапа и свойства.
Описанные усвоенности являяются элементарной мерой и составляют основу комплексной оценки. Данные характеристики определяются на основе эксперимента - тестирования. Существует связь между тестом и профессиональной задачей. Тест состоит из двух основных компонентов: тестового задания и эталона выполнения задания. Тестовое задание содержит указания к тестированию и исходные данные для тестирования. В общем случае профессиональная задача является одним из исходных данных тестирования. Таким образом, процесс тестирования обуславливает наличие эталонной базы профессиональных знаний, алгоритма формирования профессиональной базы знаний испытуемого, модели квалиметрии профессиональной базы знаний испытуемого и, наконец, математического аппарата комплексной оценки.
Проведенный анализ показал, что отсутствует единая модель базы знаний профессионального теста, которая включала бы в себя в комплексе модели эталонной профессиональной базы знаний, модели профессиональной базы знаний испытуемого с моделью ее формирования, математического аппарата комплексной оценки.
В самом общем виде интеллектуальную систему можно представить в виде информационной базы и машины логического вывода. Информационная база (ИБ) включает в себя базы знаний, базы правил, базы данных, а также соответствующие механизмы формирования, обработки и релевантного вывода данных ресурсов. Кроме того, важными элементами интеллектуальной системы являются интеллектуальный интерфейс, а также алгоритмы автоматического пополнения базы данных и базы знаний из информационного окружения интеллектуальных систем. Логический вывод осуществляет построение моделей на основе информации ИБ. Таким образом, формирование данных информационных ресурсов, а также выработка методологии формирования полимодельного описания СТО на различных этапах ЖЦ, с помощью указанных ресурсов является ключевой задачей данного исследования. Дедуктивный вывод, рассматриваемый в классической логике как вывод от общего к частному, в настоящее время хорошо изучен и исследован. В русле данного подхода построены методы, решающие широкий ряд прикладных задач. В частности, направление автоматического доказательства теорем, лежит в основе экспертных систем, построенных на симбиозе человека и машины для решения сложноструктурированных, трудноформализуемых задач, где экспертом задаётся стратегия решения, выполняются функции декомпозиции сложной проблемы на составляющие, сокращение пространства поиска, а вычислительная система осуществляет вывод релевантных знаний. Существует широкий круг алгоритмов, позволяющих:
~ осуществлять вывод на графах связей, способный выявлять информацию о нерезольви-рованных предикатах для вычисления нижних границ сложности опровержения данной резольвенты. Это позволяет решать ряд задач, которые, по разным причинам, вызывают затруднения при использовании других методов дедуктивного вывода: задачу нахождения контрарной пары при большом количестве дизъюнктов, которая решается путем установления величины их потенциальной резольвируемости, позволяющей уменьшить вычислительную мощность задачи, за счёт сокращения операций перебора; проблему оптимизации начальной информации, с целью уменьшения количества дизъюнктов и их связей за счёт включения препроцессорной обработки информации на каждом шаге алгоритма вывода; возможность интеграции процедур различных методов вывода, путем изменения процедуры выбора связи для резольвирования;.
- параллельные выводы на графах дизъюнктов, заключающиеся в формировании управления поиском вывода для построения эффективных решателей проблем, путём распараллеливания процессов поиска. Различают два связанных между собой подхода мультипоиск, где стратегии приписывают каждому параллельному процессу свой план поиска и распределенный поиск, в котором стратегии поиска выдают каждому параллельному процессу свою область пространства поиска.
- вывод на аналитических таблицах, который является эффективной процедурой доказательства теорем, как для логики высказываний, так и для логики предикатов первого порядка;
- вывод на иерархических структурах для представления и обработки знаний в сложноструктурированных проблемных областях, для которых характерно, согласно принципам структурного анализа, наличие большого числа иерархических систем, связанных друг с другом информационными связями и состоящих из элементарных подсистем. Данные
методы развиваются как на основе логического подхода (многоуровневая логика), так и на основе алгебраического (многосортные и многоуровневые алгебры) [6].
Методы дедуктивного вывода относятся к достоверным. В них из истинных предпосылок можно выводить только истинностные заключения. Достоверные методы вывода не способны обрабатывать сложные прикладные области с большим пространством поиска нужной информации.
Предметные области описываются данными и знаниями, которые являются основными понятиями интеллектуальной системы принятия решений. Выделяют шесть этапов для усложнения данных и превращения их в знания. Каждый этап обогащает информацию свойствами внутренней интерпретируемости, структурированности, связности, шкалирования, семантической метрики, активности. В БЗ утверждения, не требующие обоснования возможны в условиях, когда исходная система аксиом и правил вывода для множества высказываний должна обеспечивать возможность вывода всех высказываний, входящих в это множество, а также не должна давать возможность выводить высказывания, не принадлежащие заданному множеству. Кроме того, данная система должна точно описывать сущности предметной области и придавать удовлетворительные значения заданным функциям. Однако на практике данные и знания, описывающие предметные области, характеризуются следующими свойствами: неполнота; противоречивость; неточность; неопределенность; нечеткость.
Поэтому, в основе построения баз знаний, необходимо использовать индуктивные и абдук-тивные методы вывода. Абдукция, как процесс формирования объясняющей гипотезы служит методологической основой построения алгоритмов правдоподобного вывода. Функционально, абдуктивный вывод заключается в принятии решения по выбору оптимального объяснения наблюдения на основе заданной теории. Для данного исследования абдукция интересна как средство решенйя следующих классов задач: задача распознавания целей и стратегий деятельности субъекта, задача формирования моделей по наблюдениям за объектом, задача накопления и усвоения знаний, описывающих новые явления, моделируя тем самым, использование накопленного опыта для обработки новых знаний.
Алгоритм функционирования систем для пересматриваемой аргументации заключается в выполнении последовательности следующих процедур:
~ определение аргумента как дерева выводов, основанное на посылках, либо как дедукцию, либо как пару: посылка— заключение;
- определение конфликта между аргументами, идентифицируемого как опровержение аргумента, или как подрыв аргумента;
- определение поражения аргумента, формированием бинарного отношения на множестве аргументов;
- оценка аргументов по параметрам, определяемым спецификой предметной области.
Проблемы построения абдуктивного вывода заключаются в выборе критерия оценки варианта объяснения, характеризующего степень его правдоподобия. Общая оценка качества абдукции основана на ряде подходов: подходы основанные ка покрытии множеств, которые предполагают, порождение множества гипотез и отбора подмножества представляющего наилучшее объяснение для наблюдения; подходы, основанные на логике; подход на уровне знаний, рассматривающий абдукцию на уровне неявных убеждений, построенных на логических моделях.
Индуктивный вывод, в сложных системах, позволяющий строить обобщенные модели знаний, основан на построении некоторого общего правила, на основании анализа конечного множества наблюдаемых фактов. Качество обобщённых моделей зависит от полноты набора фактов, которым он пользуется при формировании гипотез. Процедурно, процесс индуктивного вывода сложноформализуем и заключается в машинном построении новых гипотез на основе наблюдаемых фактов. Индукционный вывод позволяет решать следующие классы задач:
— задача индуктивного формирования понятий, с целью выделения наиболее общих или характерных фрагментов знания, избавляясь от случайной несистемной информации;
— задача машинного обучения, где на основе анализа обучающей выборки даётся прогноз о новых объектах;
— задача распознавания, заключающаяся в формировании решающего правила, относящего объект к определённому классу.
Анализ развития современных систем логического вывода показывает перспективность использования в рамках одной системы комплексного подхода, включающего абдукции для получения гипотез, объясняющих наблюдения за параметрами системы и состоянием среды, индукции для формирования и оценки правил вывода, и дедукции для прогнозирования перспективного состояния системы.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК ]. РастригинЛ.А. Адаптация сложных систем Рига:3инантне,1981. 375с.
2. Охтшев М. Ю., Соколов Б. В., Юсупов Р. М. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов. М.: Наука, 2006. 410 с.
3. Дияигенский Н.В. Рапопорт Э.Я., Современные концепции построения и применения общей теории управления сложными системами. Проблемы управления и моделирования в сложных системах; Тр. 111 Междунар. конф./ Под ред. В.П. Мяеникова, А.А. Кузнецова, В.А. Виттиха. Самара:СНЦ РАН, 200)
4. Дик В. В. Методология формирования решений в экономических системах и инструментальные среды их поддержки. - М.: Финансы и статистика, 2000, - 300 с.
5. Буканов Ф.Ф., Губанов И.Г., Погоредова Е.В, Системный анализи моделирование профессиональных баз знаний. Самара: Самар, гос. техн. ун-т. 2004. 217 с,
6. Вагин В. Н., Головина Е. Ю., Загорянская А, А., Фомина М В, Достоверный и правдоподобный вывод в интеллектуальных системах / Под ред. В.Н. Вагина, Д.А. Поспелова. М.: ФИЗМАТЛИТ, 2004.
Статья поступила в редакцию 3 октября 2006 г.
УДК 004.382 И. А. Минаков
ИНТЕГРАЦИЯ ПРОФЕССИОНАЛЬНЫХ ЗНАНИЙ, ПРЕДСТАВЛЕННЫХ В ВИДЕ ТЕКСТОВ НА ЕСТЕСТВЕННОМ ЯЗЫКЕ
Рассматривается задача анализа информационных материалов, представленных в виде текстов на естественном языке, с целью предоставления эксперту знаний об объекте исследования. Решение данной задачи связано с использованием субъектно-ориентированной модели приобретения знаний. В статье предлагается данная модель и описываются архитектура и основные модули инструментальной среды, построенной на основе модели приобретения знаний и позволяющей реализовать процесс интеграции профессиональных знаний, предоставляя исследователю удобные и развитые механизмы для анализа разнородной информации, представленной в виде электронных информационных ресурсов
Субъектно-ориентврованная модель познания как метод ивтеграцив разнородных знаний
Традиционно, познание представляется как процесс взаимодействия субъекта и объекта, в ходе которого на объект познания происходит как бы наложение различных теоретикопознавательных моделей.
С целью достижения основной задачи научного познания — обнаружения объективных законов действительности — природных и социальных, традиционно использовалась субъект-объектная модель научных исследований, сторонниками и последователями которой были Галилей, Бэкон, Гоббс, Декарт, Ньютон, Лейбниц.
В последнее время ей в дополнение была предложена субъект-субъекггная модель, основанная на коммуникационном взаимодействии между экспертами и ориентированная на принятие оперативных решений при изучении сложных систем [1], где, не имея возможности или времени для изучения объекта, исследователь получал требуемую информацию посредством диалога с другими исследователями, в итоге реконструируя объективную картину мира или модели (см. рис.]).
Тем не менее, в научном познании встречается целый класс задач, выбивающийся из этой стройной картины. Он обуславливается тем, что иногда предмет изучения недоступен исследователю, и единственными доступными материалами являются свидетельства \ результаты анализа других экспертов. Например, это типично для такой науки, как история, когда нет возможности непосредственно изучить, например, политическую и военную структуру Римской империи, но есть труды Плутарха, Тацита и Светония.
18
