Наукометрическая интеллектуальная измерительная система по данным РИНЦ на основе АСК-анализа и системы "Эйдос"

Луценко Евгений Вениаминович; Орлов Александр Иванович; Глухов Виктор Алексеевич

УДК 004.8

01.00.00 Физико-математические науки

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

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ БР1К-код: 9523-7101 prof.lыtsenko@gmail. com

Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия

Орлов Александр Иванович д.э.н., д.т.н., к.ф.-м.н., профессор РИНЦ БРШ-код: 4342-4994

Московский государственный технический университет им. Н.Э. Баумана, Россия, 105005, Москва, 2-я Бауманская ул., 5, рго^ог^@,таП.гы

Глухов Виктор Алексеевич

к.т.н., зам. директора по научной работе ИНИОН РАН, руководитель Фундаментальной библиотеки, заместитель генерального директора НЭБ, г. Москва, Россия

UDC 004.8

Physics and mathematical sciences

A SCIENTOMETRIC INTELLIGENT MEASURING SYSTEM OF RSCI DATA BASED UPON THE ASK ANALYSIS AND EIDOS SYSTEM

Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor RSCI SPIN-code: 9523-7101 prof.lutsenko@gmail. com

Kuban State Agrarian University, Krasnodar, Russia

Orlov Alexander Ivanovich

Dr.Sci.Econ., Dr.Sci.Tech., Cand.Phys-Math.Sci.,

professor

Bauman Moscow State Technical University, Moscow, Russia

Glukhov Viktor Alekseevich Cand.Tech.Sci., Deputy Director for scientific work of the Institute of RAS, head of Fundamental library, Deputy Director General NEB, Moscow, Russia

Адекватная и технологичная оценка результативности, эффективности и качества научной деятельности конкретных ученых и научных коллективов является актуальной проблемой для информационного общества и общества, основанного на знаниях. Решение этой проблемы является предметом наукометрии и ее целью. Современный этап развития наукометрии существенно отличается от предыдущих появлением в открытом, а также платном on-line доступе огромного объема детализированных данных по большому числу показателей как об отдельных авторах, так и о научных организациях и вузах. В мире, это известные библиографические базы данных: Web of Science, Scopus, Astrophysics Data System, PubMed, MathSciNet, zbMATH, Chemical Abstracts, Springer, Agris или GeoRef. В России это прежде всего Российский индекс научного цитирования (РИНЦ). РИНЦ - это национальная информационно-аналитическая система, аккумулирующая более 9 миллионов публикаций российских ученых, а также информацию о цитировании этих публикаций из более 6000 российских журналов. Данных очень много, это так называемые «Большие данные» ("Big Data"). Но проблема состоит в том, чтобы осмыслить эти большие данные, точнее, выявить смысл значений наукометрических показателей) и тем самым преобразовать их в большую информацию («great information»), а затем применить эту информацию для достижения цели наукометрии,

Adequate and effective assessment of the efficiency, effectiveness and the quality of scientific activities of specific scientists and research teams is crucial for any information society and a society based on knowledge. The solution to this problem is the subject of scientometrics and its purpose. The current stage of development scientometrics differs greatly from his previous appearance in the open as well as paid on-line access to huge amount of detailed data on a large number of indicators on individual authors and on scientific organizations and universities. The world has well-known bibliographic databases: Web of Science, Scopus, Astrophysics Data System, PubMed, MathSciNet, zbMATH, Chemical Abstracts, Springer, Agris, or GeoRef. In Russia, it is primarily the Russian scientific citing index (RSCI). RSCI is a national information-analytical system, accumulating more than 9 million publications of Russian scientists, as well as the information about citation of these publications from more than 6,000 Russian journals. There is too much information; it is so-called "Big data". But the problem is how to make sense of these large data, more precisely, to identify the meaning of scien-tometric indicators) and thus to convert them into great information ("great information"), and then apply this information to achieve the objective of scientometrics, i.e. to transform it into a lot of knowledge ("great knowledge") about the specific scientists and research teams. The solution to this

т.е. преобразовать ее в большие знания («great knowledge») о конкретных ученых и научных коллективах. Решение этой проблемы предлагается путем создания «Наукометрической интеллектуальной измерительной системы» на основе применения автоматизированного системно-когнитивного анализа и его программного инструментария - интеллектуальную систему «Эйдос». Приводится численный пример создания и применения Наукометрической интеллектуальной измерительной системы, на основе небольшого объема реальных наукометрических данных, находящихся в открытом бесплатном on-line доступе в РИНЦ

Ключевые слова: КОЛИЧЕСТВЕННАЯ ОЦЕНКА, СТЕПЕНЬ МАНИПУЛИРОВАНИЯ, ИНДЕКС ХИРША, МОДИФИКАЦИЯ, УСТОЙЧИВАЯ, НЕЧУВСТВИТЕЛЬНАЯ

Doi: 10.21515/1990-4665-122-014

СОДЕРЖАНИЕ

1. ФОРМУЛИРОВКА ПРОБЛЕМЫ...............................................................................................................2

2. ТРЕБОВАНИЯ К МЕТОДУ РЕШЕНИЯ ПРОБЛЕМЫ И НЕДОСТАТКИ ТРАДИЦИОННЫХ МЕТОДОВ............................................................................................................................................................4

3. ИДЕЯ РЕШЕНИЯ ПРОБЛЕМЫ С ПРИМЕНЕНИЕМ НАУКОМЕТРИЧЕСКОЙ ИНТЕЛЛЕКТУАЛЬНОЙ ИЗМЕРИТЕЛЬНОЙ СИСТЕМЫ.....................................................................5

4. КРАТКОЕ ОПИСАНИЕ АСК-АНАЛИЗА, КАК МЕТОДА РЕШЕНИЯ ПРОБЛЕМЫ.....................7

4.1. Кратко об АСК-анализе..........................................................................................................................7

4.2. Истоки АСК-анализа..............................................................................................................................8

4.3. Методика АСК-анализа.........................................................................................................................8

4.4. Некоторые результаты применения АСК-анализа в различных предметных областях.........14

5. ЧИСЛЕННЫЙ ПРИМЕР СИНТЕЗА И ПРИМЕНЕНИЯ НАУКОМЕТРИЧЕСКОЙ ИНТЕЛЛЕКТУАЛЬНОЙ ИЗМЕРИТЕЛЬНОЙ СИСТЕМЫ...................................................................15

5.1. Когнитивно-целевая структуризация предметной области........................................................16

5.2. Формализация предметной области.................................................................................................16

5.3. Синтез и верификация модели............................................................................................................26

5.4. Решение наукометрических задач с помощью модели................................................................33

6. ВЫВОДЫ, ПЕРСПЕКТИВЫ И РЕКОМЕНДАЦИИ.............................................................................46

ЛИТЕРАТУРА...................................................................................................................................................46

«Индекс Хирша - это такой наукометрический показатель, который отражает степень понимания автором того, что такое индекс Хирша»

1. Формулировка проблемы

Адекватная и технологичная оценка результативности, эффективности и качества научной деятельности конкретных ученых и научных коллективов была важной всегда, но особенно актуальной она стала в информационном обществе и обществе, основанном на знаниях.

problem is creating a " Scientific smart metering system" based on the use of the automated system-cognitive analysis and its software tools - an intellectual system called "Eidos". The article provides a numerical example of the creation and application of Scientometric intelligent measurement system based on a small amount of real scientific data that are publicly available using free on-line access to the RSCI

Keywords: QUANTITATIVE ASSESSMENT, DEGREE OF MANIPULATION, H-INDEX, MODIFICATION, RESISTANT, INSENSITIVE

Однако реализация этой оценки на практике является как научной, так и чисто технологической проблемой, не решенной и в настоящее время [1].

Решение этой проблемы является предметом наукометрии и ее целью. В современной наукометрии огромное количество проблем и нерешенных вопросов, по которым идет интенсивная очень содержательная и богатая идеями научная дискуссия [1]. По мнению авторов источником подавляющего большинства этих проблем является принципиально новая особенность современной наукометрии, существенно качественно отличающая ее от предыдущих этапов ее развития, которая заключается в появлении в открытом (а также платном) on-line доступе огромного объема детализированных данных по большому числу накометрических показателей как об отдельных авторах, так и о научных организациях и вузах.

В мире наукометрические данные содержатся в известных библиографических базах данных: Web of Science, Scopus, Astrophysics Data System, PubMed, MathSciNet, zbMATH, Chemical Abstracts, Springer, Agris, GeoRef и др. В России также есть много библиографических баз данных из которых выделяется Российский индекс научного цитирования (РИНЦ) (http://elibrary.ru/).

Так что исходных наукометрических данных уже очень и очень много, это так называемые «Большие данные» ("Big Data"). А большие данные [34] - это само по себе большие проблемы, которые «часто разделяют на три основные группы: объем, скорость, неоднородность (так называемые «3 V»: Volume, Velocity, Variety1) [2]». Первые две из этих проблем скорее относятся к аппаратному обеспечению поддержки больших данных и обеспечения доступа к ним, но третья проблема касается уже научно-методологических, математических, алгоритмических и программных (инструментальных) средств обработки больших данных.

В работе [2] третья проблема характеризуется следующим образом: «проблема неоднородности состоит в том, что данные зачастую происходят из разных источников и бывают в разных форматах и разного качества. Их невозможно просто сложить вместе и обработать - требуются сложная работа, чтобы привести их в пригодный для анализа вид».

Здесь говорится о малопригодности этих данных для анализа в сыром виде, но ничего не говорится о цели этого анализа и его методах и способах. Поэтому авторы предлагают разбить третью проблему на две части: в первой части конкретнее описать технические причины малопригодности сырых больших данных для обработки; а во второй части описать цель этой обработки.

Авторская формулировка третьей проблемы обработки больших наукометрических данных («Big scientometric data»):

1 См., например: http://blogs.gartner.com/doug-laney/deia-vvvue-others-claiming-gartners-volume-velocity-variety -construct-for-bi g-data/

- наукометрические показатели, содержащиеся в библиографических базах данных, зашумлены, фрагментированы (не полны), представлены в разных типах измерительных шкал (номинальных, порядковых и количественных) и в разных единицах измерения, зависят друг от друга, т.е. описывают нечисловые [35] и/или нелинейные объекты, вследствие чего не подчиняются нормальному распределению [36];

- цель обработки больших наукометрических данных состоит в том, чтобы осмыслить эти зашумленные, фрагментированные взаимозависимые большие данные, измеряемые в разных типах шкал и в разных единицах измерения, точнее, выявить смысл в значениях наукометрических показателей, и тем самым преобразовать их в большую информацию («great information»), а затем применить эту информацию для достижения цели наукометрии, т.е. преобразовать ее в большие знания («great knowledge») о результатах, эффективности и качестве научной деятельности конкретных ученых и научных коллективов.

2. Требования к методу решения проблемы и недостатки традиционных методов

Из вышеприведенной авторской формулировки проблемы обработки больших наукометрических данных вытекают следующие требования к методу их обработки, также состоящие из двух частей, обеспечивающих соответственно решение технических аспектов проблемы и достижение цели обработки. Этот метод должен обеспечивать:

- корректную сопоставимую обработку числовых и нечисловых данных, представленных в разных типах измерительных шкал и разных единицах измерения и являться устойчивым к шуму в исходных данных непараметрическим методом, обеспечивающим создание моделей больших размерностей при неполных и зашумленных исходных данных о сложном нелинейном динамическом объекте моделирования, имеющим программный инструментарий;

- преобразование данных в информацию, а ее в знания о результатах, эффективности и качестве научной деятельности конкретных ученых и научных коллективов и решение на этой основе задач многопараметрической типизации и системной идентификации, а также задач исследования моделируемого объекта путем создания и анализа его модели.

Факторный анализ - один из наиболее популярных методов выявления причинно-следственных зависимостей в исходных данных [37]. Он является параметрическим методом, требующим абсолютно точных исходных данных, полных повторностей всех возможных сочетаний значений независимых друг от друга факторов, которых должно быть не более 5-6, измеряемых в числовых шкалах и одних единицах измерения. Факторный

анализ не обеспечивает преобразование исходных данных в информацию, а ее в знания и решение задач многопараметрической типизации и системной идентификации, а также исследования моделируемого объекта путем исследования его модели. Таким образом, факторный анализ не удовлетворяет практически ни одному из требований, предъявляемы к методу обработки.

3. Идея решения проблемы с применением Наукометрической интеллектуальной измерительной системы

Всем обоснованным выше требованиям к методу решения поставленной проблемы соответствует автоматизированный системно-когнитивный анализ (АСК-анализ) [13] и его программного инструментарий - интеллектуальная система «Эйдос» [14].

Метод АСК-анализа является устойчивым к шуму и неполноте в исходных данных непараметрическим методом и обеспечивает создание моделей больших размерностей сложных нелинейных объектов моделирования на основе корректной сопоставимой обработки числовых и нечисловых данных о них, представленных в различных типах измерительных шкал и разных единицах измерения [15] и имеет программный инструментарий - интеллектуальную систему «Эйдос». Этот метод обеспечивает преобразование данных в информацию, а ее в знания о результатах, эффективности и качестве научной деятельности конкретных ученых и научных коллективах и решение на этой основе задач многопараметрической типизации и системной идентификации, а также исследования моделируемого объекта путем исследования его модели.

Поэтому метод АСК-анализа и будет использован для решения поставленной в статье проблемы.

по сути проблема состоит в поиске или разработке адекватных частных критериев результатов научной деятельности и методов интеграции этих частных критериев для оценки результатов как отдельных ученых, так и научных коллективов. В настоящее время практика наукометрии, или, может быть, даже точнее сказать «псевдонаукометрии», сильно опережает теорию, так как и сами частные критерии, и методы их интеграции и применения вызывают большую и хорошо обоснованную критику [1, 3-11].

Ясно, что разные значения частных наукометрических критериев характеризует разное качество результатов научной деятельности, что и заложено в наукометрических методиках. Но не понятно, откуда их разработчики этих методик взяли именно сами эти значения. Скорее всего они сделали это на основе экспертных оценок, т.е. на основе интуиции, опыта и профессиональной компетенции.

Конечно, разработчики частных наукометрических критериев старались сконструировать их таким образом, чтобы они адекватно отражали определенные признаки степени успешности научной деятельности. Но возникает закономерный и существенный вопрос о том, на сколько или в какой степени это действительно удалось им сделать. Это вопрос о том, на сколько те или иные частные наукометрические критерии действительно «работают» и выполняют свою функцию индикаторов результатов научной деятельности.

Какими способами это можно проверить и кто это проверял?

По-видимому, способом проверки адекватности частных наукометрических критериев является сравнение результатов оценки результатов научной деятельности ученых по этим частным критериям с экспертными оценками этих же результатов. Если эти оценки совпадают, то критерии адекватны, если же нет, то значит они не работают и не пригодны для тех целей, для которых были разработаны.

Мысли о подобной проверке высказывались (см., например, [55]), но никто не осуществлял попыток такой проверки. В данной работе фактически впервые это также будет сделано.

Но даже если частные наукометрические критерии не выполняют своей функции, которая планировалась при их конструировании, то можно узнать в количественной форме, какую функцию они фактически выполняют и использовать их в этом качестве. Это же касается и критериев, которые работают. Что имеется в виду?

Авторы предлагают на основе экспертных оценок оценивать не сами частные критерии, а значения интегральных критериев для различных категорий авторов, отличающихся результативностью научной деятельности, и на основе этого строить модель, определяющую смысл различных значений частных критериев, т.е. количество информации в их значениях о различных результатах научной деятельности.

Суть предлагаемого подхода в том, что частные наукометрические критерии рассматриваются не сами по себе, как это обычно делается, а сначала на основе эмпирических данных об общих наукометрических показателях различных ученых (в нашем случае данных РИНЦ) и экспертных оценок результатов их деятельности создается и верифицируется модель, в которой рассчитывается, какое количество информации содержится в частных критериях о значениях интегральных критериев (результативности деятельности ученого), а затем эта модель применяется для оценки результатов деятельности других ученых, данные о которых не входили в обучающую выборку. Естественно, эти другие ученые должны входить в генеральную совокупность, по отношению к которой обучающая выборка репрезентативна, для чего они, например, должны относиться к тому же направлению науки. Для оценки результатов дея-

тельности ученого с помощью модели рассчитывается суммарное количество информации, которое содержится в его наукометрических показателях о различных результатах деятельности, и считается, что у него скорее всего наиболее ценны те результаты, о которых в его наукометрических показателях содержится наибольшее суммарное количество информации. Эта оценка с помощью аддитивного интегрального критерия является сопоставимой количественной оценкой результатов научной деятельности различных ученых. В идеале наукометрическая интеллектуальная измерительная система должна оценивать ученых на основе их наукометрических показателей и модели так же, как эксперты на основе своей интуиции, опыта и профессиональной компетенции.

В этом и состоит суть предлагаемой наукометрической интеллектуальной измерительной системы [12], в которой значения частных наукометрических критериев будут рассчитываться непосредственно на основе эмпирических данных и экспертных оценок значений интегральных критериев по научно обоснованной методике на основе применения АСК-анализа [13] и системы «Эйдос» [14].

4. Краткое описание АСК-анализа, как метода решения проблемы

4.1. Кратко об АСК-анализе

Системный анализ представляет собой современный метод научного познания, общепризнанный метод решения проблем [13, 16, 19, 20]. Однако возможности практического применения системного анализа ограничиваются отсутствием программного инструментария, обеспечивающего его автоматизацию. Существуют разнородные программные системы, автоматизирующие отдельные этапы или функции системного анализа в различных конкретных предметных областях.

Автоматизированный системно-когнитивный анализ (АСК-анализ) представляет собой системный анализ, структурированный по базовым когнитивным операциям (БКО), благодаря чему удалось разработать для него математическую модель, методику численных расчетов (структуры данных и алгоритмы их обработки), а также реализующую их программную систему - систему «Эйдос» [13, 16, 17]. Система «Эйдос» разработана в постановке, не зависящей от предметной области, и имеет ряд программных интерфейсов с внешними данными различных типов [17]. АСК-анализ может быть применен как инструмент, многократно усиливающий возможности естественного интеллекта во всех областях, где используется естественный интеллект. АСК-анализ был

успешно применен для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемого объекта путем исследования его модели во многих предметных областях, в частности в экономике, технике, социологии, педагогике, психологии, медицине, экологии, ампелографии, геофизике, энтомологии, криминалистике и многих других [13, 14]2.

4.2. Истоки АСК-анализа

Известно, что системный анализ является одним из общепризнанных в науке методов решения проблем и многими учеными рассматривается вообще как метод научного познания. Однако, как впервые заметил еще в 1984 году проф. И.П. Стабин, на практике применение системного анализа наталкивается на проблему [24]. Суть этой проблемы в том, что обычно системный анализ успешно применяется в сравнительно простых случаях, в которых в принципе можно обойтись и без него, тогда как в действительно сложных ситуациях, когда он действительно чрезвычайно востребован и у него нет альтернатив, сделать это удается гораздо реже. Проф. И.П. Стабин предложил и путь решения этой проблемы, который он видел в автоматизации системного анализа [24].

Однако путь от идеи до создания программной системы долог и сложен, т.к. включает ряд этапов:

- выбор теоретического математического метода;

- разработка методики численных расчетов, включающей структуры данных в оперативной памяти и внешних баз данных (даталогическую и инфологическую модели) и алгоритмы обработки этих данных;

- разработка программной системы, реализующей эти математические методы и методики численных расчетов.

4.3. Методика АСК-анализа

3.3.1. Предпосылки решения проблемы

Перегудов Ф.И. и Тарасенко Ф.П. в своих основополагающих работах 1989 и 1997 годов [19, 20] подробно рассмотрели математические методы, которые в принципе могли бы быть применены для автоматизации отдельных этапов системного анализа. Однако даже самые лучшие математические методы не могут быть применены на практике без реализующих их программных систем, а путь от математического метода к программной системе долог и сложен. Для этого необходимо разработать численные методы или методики численных расчетов (алгоритмы и структуры данных), реализующие математический метод, а затем разработать программную реализацию системы, основанной на этом численном методе.

2 См., например: Ыр://е1 .kubagro.ru/a7viewaut. asp?id= 11 http://lc.kubagro.ru/aidos/index.htm

В числе первых попыток реальной автоматизации системного анализа следует отметить докторскую диссертацию проф. Симанкова В. С. (2001) [25]. Эта попытка была основана на высокой детализации этапов системного анализа и подборе уже существующих программных систем, автоматизирующих эти этапы. Идея была в том, что чем выше детализация системного анализа, чем мельче этапы, тем проще их автоматизировать. Эта попытка была реализована, однако, лишь для специального случая исследования в области возобновляемой энергетики, т.к. системы оказались различных разработчиков, созданные с помощью различного инструментария и не имеющие программных интерфейсов друг с другом, т.е. не образующие единой автоматизированной системы. Эта попытка, безусловно, явилась большим шагом по пути, предложенному проф. И.П. Стабиным, но и ее нельзя признать обеспечившей достижение поставленной цели, сформулированной Стабиным И.П. (т.е. создание автоматизированного системного анализа), т.к. она не привела к созданию единой универсальной программной системы, автоматизирующий системный анализ, которую можно было бы применять в различных предметных областях.

Необходимо отметить работы Дж. Клира по системологии и автоматизации решения системных задач, которые внесли большой вклад в автоматизацию системного анализа путем создания и применения универсального решателя системных задач (УРСЗ), реализованного в рамках оригинальной экспертной системы [26, 27]. Однако в экспертной системе применяется продукционная модель знаний, для получения которых от эксперта необходимо участие инженера по знаниям (когнитолога). Этим обусловлены следующие недостатки экспертных систем:

- они генерируют знания каждый раз, когда они необходимы для решения задач, и это может занимать значительно большее время, чем при использовании декларативной формы представления знаний;

- продукционные модели обычно построены на бинарной логике (if then else), что вызывает возможность логического конфликта продукций в процесс логического вывода, что приводит к необратимому останову логического процесса при противоречивых исходных данных;

- эксперты - люди чаще всего заслуженные и их время и знания стоят очень дорого; поэтому привлечение экспертов для извлечения готовых знаний на длительное время проблематично и обычно эксперт просто физически не может сообщить очень большой объем знаний, а иногда и не хочет этого делать по тем или иным причинам («ноу-хау», нарушение морально-этических норм или даже ГК или УК, конфликт интересов) и сознательно сообщает неадекватные знания;

- чаще всего эксперты формулируют свои знания неформализуемым путем на основе своей интуиции, опыта и профессиональной компетенции, т.е. не могут сформулировать свои знания в количественной форме, а пользуются для их формализации порядковыми или даже номинальными шкалами, поэтому экспертные знания являются не очень точными и для их формализации необходим инженер по знаниям (когнитолог).

3.3.2. АСК-анализ как решение проблемы

Автоматизированный системно-когнитивный анализ разработан профессором Е.В. Луценко и предложен в 2002 году [13], хотя разработан он был значительно раньше, причем с программным инструментарием: системой «Эйдос» [17]. Основная идея, позволившая сделать это, состоит в рассмотрении системного анализа как метода познания (отсюда и «когнитивный» от «cognitio» - знание, познание, лат.). Эта идея позволила структурировать системный анализ не по этапам, как пытались сделать ранее, а по базовым когнитивным операциям системного анализа (БКОСА), т.е. таким операциям, к комбинациям которых сводятся остальные. Эти операции образуют минимальную систему, достаточную для описания системного анализа, как метода познания, т.е. конфигуратор. Понятие конфигуратора предложено В.А. Лефевром [28]. В 2002 году Е.В. Лу-ценко был предложен когнитивный конфигуратор [13], включающий 10 базовых когнитивных операций.

Когнитивный конфигуратор:

1) присвоение имен;

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

2) восприятие (описание конкретных объектов в форме онтологий, т.е. их признаками и принадлежностью к обобщающим категориям - классам);

3) обобщение (синтез, индукция);

4) абстрагирование;

5) оценка адекватности модели;

6) сравнение, идентификация и прогнозирование;

7) дедукция и абдукция;

8) классификация и генерация конструктов;

9) содержательное сравнение;

10) планирование и поддержка принятия управленческих решений.

Каждая из этих операций оказалась достаточно элементарна для

формализации и программной реализации.

Компоненты АСК-анализа:

- формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор;

- теоретические основы, методология, технология и методика АСК-анализа;

- математическая модель АСК-анализа, основанная на системном обобщении теории информации;

- методика численных расчетов, в универсальной форме реализующая математическую модель АСК-анализа, включающая иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА;

- специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод АСК-анализа - Универсальная когнитивная аналитическая система "Эйдос".

Этапы АСК-анализа:

1) когнитивно-целевая структуризация предметной области;

2) формализация предметной области (конструирование классификационных и описательных шкал и градаций и подготовка обучающей выборки);

3) синтез системы моделей предметной области (в настоящее время система «Эйдос» поддерживает 3 статистические модели и 7 системно-когнитивных моделей (моделей знаний);

4) верификация (оценка достоверности) системы моделей предметной области;

5) повышение качества системы моделей;

6) решение задач идентификации, прогнозирования и поддержки принятия решений;

7) исследование моделируемого объекта путем исследования его моделей является корректным, если модель верно отражает моделируемый объект и включает: кластерно-конструктивный анализ классов и факторов; содержательное сравнение классов и факторов; изучение системы детерминации состояний моделируемого объекта; нелокальные нейроны и интерпретируемые нейронные сети прямого счета; классические когнитивные модели (когнитивные карты); интегральные когнитивные модели (интегральные когнитивные карты), прямые обратные 8ШОТ-диаграммы; когнитивные функции и т.д.

Суть метода АСК-анализа состоит в последовательном повышении степени формализации модели и преобразовании данных в информацию, а ее в знания и решении на основе этих знаний задач идентификации (распознавания, классификации и прогнозирования), поддержки принятия решений и исследования моделируемой предметной области (рисунки 1 и 2):

О соотношении содержания понятий: «Данные», «Информация» и «Знания»

Рисунок 1. О соотношении содержания понятий: «данные», «информация» и «знания» в АСК-анализе

с

Последовательность обработки данных, информации и знаний в системе «Эйдос-Х++»

Когнитивно-целевая структуризация предметной области (неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)

Формализация предметной области

Средства кодирования исходных данных

1пр_сЫа, lnp_data.xls

Исходные данные

С1а5в_8с, 0г_С1Эс

Классификационные шкалы и градации

Ор1в_8с, 6г_0рЭс

Описательные шкалы и градации

' Ргс1 >

Матрица условных и безусловных процентных распределений, расчитанная по числу признаков классов >

АЬв

Матрица абсолютных частот (матрица сопряженности, корреляционная матрица)

Ргс2

Матрица условных и безусловных процентных распределений,расчитанная по числу объектов классов

Решение задач распознавания системной идентификации и прогнозирования

Решение задач управления (поддержки принятия решений)

V

Решение задач исследования предметной области путем исследования ее модели

Рисунок 2. Последовательность преобразования данных в информацию, а ее в знания и решения задач в АСК-анализе и системе «Эйдос»

Математические аспекты АСК-анализа

Математическая модель АСК-анализ основана на теории информации, точнее на системной теории информации (СТИ), предложенной Е.В.

3

Луценко [13, 16] . Это значит, что в АСК-анализе все факторы рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта, на который они действуют, в определенное состояние, и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации [8, 9].

Это напоминает подход Дугласа Хаббарда [15], но, в отличие от него, имеет открытый универсальный программный инструментарий (систему «Эйдос»), разработанный в постановке, не зависящей от предметной области [13, 14]. К тому же на систему «Эйдос» уже в 1994 году было три патента РФ [13, 144], а первые акты ее внедрения датируются 1987 годом [13, 14]5, тогда как основная работа Дугласа Хаббарда [29] появилась лишь в 2009 году. Это означает, что идеи АСК-анализа не только появились, но и были доведены до программной реализации в универсальной форме и применены в различных предметных областях на 22 с лишним года раньше появления работ Дугласа Хаббарда.

Поэтому АСК-анализ обеспечивает корректную сопоставимую обработку числовых и нечисловых данных, представленных в разных типах измерительных шкал и разных единицах измерения [13, 23]. Метод АСК-анализа является устойчивым непараметрическим методом, обеспечивающим создание моделей больших размерностей при неполных и зашумлен-ных исходных данных о сложном нелинейном динамичном объекте управления. Этот метод является чуть ли не единственным на данный момент, обеспечивающим многопараметрическую типизацию и системную идентификацию методов, инструментарий которого (интеллектуальная система «Эйдос») находится в полном открытом бесплатном доступе [13, 14]6.

Система Эйдос обеспечивает:

1. Многопараметрическую типизацию, т.е. формирование обобщенных образов классов на основе конкретных примеров объектов, которые к ним относятся.

2. Системную идентификацию, т.е. определение степени сходства образа конкретного объекта с обобщенными образами классов (сравнение конкретных объектов с обобщенными образами классов).

3. Формирование кластеров классов (сравнение обобщенных образов классов друг с другом).

3 Математическая модель АСК-анализа описана в ряде работ: http://elibrary.ru/author items.asp?authorid= 123162

4 См., например: http://lc.kubagro.ru/aidos/index.htm

5 http://lc.kubagro.ru/aidos/aidos02/PR-4.htm

6 http://lc.kubagro.ru/aidos/ Aidos-X.htm

4. Формирование конструктов кластеров (сравнение кластеров друг с другом и формирование конструктов).

5. Исследование моделируемой предметной области путем исследования ее модели.

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

Метод системно-когнитивного анализа и его программный инструментарий интеллектуальная система "Эйдос" были успешно применены при проведении 6 докторских и 7 кандидатских диссертационных работ в ряде различных предметных областей по экономическим, техническим, психологическим и медицинским наукам.

АСК-анализ был успешно применены при выполнении десятка грантов РФФИ и РГНФ различной направленности за длительный период - с 2002 года по настоящее время (2016 год).

По проблематике АСК-анализа издано 22 монографии, получено 29 патентов на системы искусственного интеллекта, их подсистемы, режимы и приложения, опубликовано более 200 статей в изданиях, входящих в Перечень ВАК РФ (по данным РИНЦ). В одном только Научном журнале КубГАУ (входит в Перечень ВАК РФ с 26-го марта 2010 года) автором АСК-анализа Луценко Е.В. опубликовано 186 статей общим объёмом 321,559 у.п. л., в среднем 1,729 у.п.л. на одну статью.

По этим публикациям, грантам и диссертационным работам видно, что АСК-анализ уже был успешно применен в следующих предметных областях и научных направлениях: экономика (региональная, отраслевая, предприятий, прогнозирование фондовых рынков), социология, эконометрика, биометрия, педагогика (создание педагогических измерительных инструментов и их применение), психология (личности, экстремальных ситуаций, профессиональных и учебных достижений, разработка и применение профессиограмм), сельское хозяйство (прогнозирование результатов применения агротехнологий, принятие решений по выбору рациональных аг-ротехнологий и микрозон выращивания), экология, ампелография, геофизика (глобальное и локальное прогнозирование землетрясений, параметров магнитного поля Земли, движения полюсов Земли), климатология (прогнозирование Эль-Ниньо и Ла-Нинья), возобновляемая энергетика, мелиорация и управление мелиоративными системами, криминалистика, энтомология и ряд других областей.

АСК-анализ вызывает большой интерес во всем мире. Сайт автора АСК-анализа [16] посетило около 500 тыс. посетителей с уникальными IP-адресами со всего мира. Еще около 500 тыс. посетителей открывали статьи по АСК-анализу в Научном журнале КубГАУ.

Необходимо отметить, что в развитии различных теоретических основ и практических аспектов АСК-анализа приняли участие многие ученые: д.э.н., к.т.н., проф. Луценко Е.В., Засл. деятель науки РФ, д.т.н., проф. Лойко В.И., к.ф.-м.н., Ph.D., проф., Трунев А.П. (Канада), д.э.н., д.т.н., к.ф.-м.н., проф. Орлов А.И., к.т.н., доц. Коржаков В.Е., д.э.н., проф. Барановская Т.П., д.э.н., к.т.н., проф. Ермоленко В.В., к.пс.н. Наприев И.Л., к.пс.н., доц. Некрасов С.Д., к.т.н., доц. Лаптев В.Н., к.пс.н, доц. Третьяк В.Г., к.пс.н., Щукин Т.Н., д.т.н., проф. Симанков В.С., д.э.н., проф. Ткачев А.Н., д.т.н., проф. Сафронова Т.И., д.э.н., доц. Горпинченко К.Н., к.э.н., доц. Ма-каревич О.А., к.э.н., доц. Макаревич Л.О., к.м.н. Сергеева Е.В. (Фомина Е.В.), Бандык Д.К. (Белоруссия), Чередниченко Н.А., к.ф.-м.н. Артемов А.А., д.э.н., проф. Крохмаль В.В., д.т.н., проф. Рябцев В.Г., к.т.н., доц. Марченко А.Ю., д.т.н., проф. Фролов В.Ю., д.ю.н, проф. Швец С.В., Засл. деятель науки Кубани, д.б.н., проф. Трошин Л.П., Засл. изобр. РФ, д.т.н., проф. Серга Г.В., Сергеев А.С., д.б.н., проф. Стрельников В.В. и другие.

В заключение отметим, что программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» находится в полном открытом бесплатном доступе на сайте автора (вместе с исходными текстами) по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.

5. Численный пример синтеза и применения наукометрической интеллектуальной измерительной системы

Рассмотрим численный пример решения поставленной проблемы в соответствии с приведенными выше в разделе 3.3.2 и на рисунке 2 этапами АСК-анализа:

1) когнитивно-целевая структуризация предметной области;

2) формализация предметной области (конструирование классификационных и описательных шкал и градаций и подготовка обучающей выборки);

3) синтез системы моделей предметной области (в настоящее время система «Эйдос» поддерживает 3 статистические модели и 7 системно-когнитивных моделей (моделей знаний);

4) верификация (оценка достоверности) системы моделей предметной области;

5) повышение качества системы моделей;

6) решение задач идентификации, прогнозирования и поддержки принятия решений;

7) исследование моделируемой предметной области путем исследования ее модели.

5.1. Когнитивно-целевая структуризация предметной области

Содержание этого этапа АСК-анализа, единственного неформализованного и не реализованного в системе «Эйдос», состоит в том, что необходимо определиться что мы будем рассматривать в качестве факторов, а что в качестве результатов их влияния.

В данном случае ясно, что на основе значений общих наукометрических показателей авторов необходимо оценивать результаты их научной деятельности.

Таким образом данный этап выполнен.

5.2. Формализация предметной области

На этом этапе АСК-анализа создаются классификационные и описательные шкалы и градации, а затем с их использованием кодируются исходные данные и в результате чего формируются база событий и обучающая выборка (рис. 2). По сути этап формализации предметной области является нормализацией базы исходных данных, в результате чего степень формализации исходных данных возрастает до уровня, необходимого и достаточного для их обработки на компьютере в программной системе.

5.2.1. Исходные данные по авторам

Источник исходных данных

Исходные данные любезно предоставлены в удобной для проведения исследования форме Глуховым Виктором Алексеевичем, - к.т.н., зам. директора по научной работе ИНИОН РАН, руководителем Фундаментальной библиотеки, г. Москва. Необходимо отметить, что все эти исходные данные находятся в полном открытом бесплатном доступе на сайте РИНЦ http://elibrary.ru/ в авторском указателе и представляют собой ни что иное, как «Общие показатели» по каждому автору.

Форма представления исходных данных

Исходные данные представляются в форме Excel-таблицы, в которой каждая строка описывает один объект обучающей выборки. В первой колонке этой таблицы содержится идентифицирующая информация об объекте обучающей выборки, затем идут колонки, являющиеся классификационными шкалами, а затем колонки, являющиеся описательными шкалами.

Классификационные и описательные шкалы могут быть текстового и числового типа. Если они текстового типа, то значениями градаций шкал являются уникальные текстовые наименования в них. Если шкалы число-

вого типа, то в них ищется минимальное и максимальное числовое значение, а затем диапазон изменения числовой величины делится на заданное пользователем (в диалоге) число интервальных числовых значений, которые и являются градациями шкал. Градации классификационных шкал являются классами и по ним проводится группировка строк базы исходных данных и обобщение. Градации описательных шкал являются значениями факторов, характеризующих объекты обучающей выборки. Требования к файлу исходных данных приведены на рис. 3:_

Помощь по режиму 2.3.2.2 для случая Ехсе(-файлов исходных данных

Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных ■lnp_data.xls" в систему ■Эйдос-х+ + " и формализации предметной области.

- Данный программный интерфейс обеспечивает автоматическое Формирование классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. формализацию предметной области, на основеXLS или XLSX-файла с исходными данными приведенного ниже стандарта.

- Файл исходных данных должен иметь имя: INP_DATA.XLS или INF'JDATA.XLSX и может быть получен в Ехсе1-2003(2007-2010), а Файл распознаваемой выборки имя: IN P_RASP.XLS или INF_RASP,XLSX. Файлы INP_DATA.XLS (INP_DATA.XLSX) и INP_RASP.XLS или INP_RASP. XLSX) должны находиться в Папке /'AIDUS-X/АID_DАТА/1nр_dа\а/ и имеют совершенно Одинаковую структуру.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

-1 -я строка этого файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования должны быть во всех колонка:-:,, при этом объединение ячеек и переносы слов не допускаются. Желательно, чтобы эти наименования были не очень длинными, т.к. к ним еще будут добавляться интервальные числовые или текстовые значения.

- Каждая строка этого Файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки. Если Excel-2003, в листе может быть до G5536 строк и до 256 колонок. В листе Ехсе1-2007(2010) возможно до 1 048 576 строк и 16 384 колонок.

- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального) или числового типа (с десятичными знаками после запятой),

- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. пробелом], то столбцу присваивается текстовый тип, Это означает, что нули должны быть указаны нулями, а не пробелами.

- 1-й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.

- Столбцы со 2-го по N-й являются классификационными шкалами (выходными параметрами] и содержат данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.

- Столбцы с N+1 по последний являются описательными шкалами (факторами) и содержат данные о признаках (значениях факторов), характеризующим объекты обучающей выборки.

- В результате работы режима Формируется Файл INF_NAME.TXT стандарта MS DOS (кириллица), в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система формирует классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и формирует заданное количество числовых интервалов, после чего числовые значения заменяются их интервальными значениями. В текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классификационной или описательной шкалы, характеризующей объект. С их использованием генерируется обучающая выборка, каждый объект которой соответствует одной строке Файла исходных данных NF'_DATA и содержит коды классов, соответствующие Фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие Фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал.

- Распознаваемая выборка Формируется на основе Файла INP_RASP аналогично, за исключением того, что классификационные и описательные шкалы и градации не создаются, а используются ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов., если столбцы классов в Файле INF_RASP были пустыми. Структура Файла INF'_RASP должна бытьтакая же, как INP_DATA,T.e. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.

Принцип организации таблицы исходных данных:

Наименование объекта обучающей выборки Наименование 1-й классификационной шкалы Наименование 2-й классификационной шкапы Наименование 1-й описательной шкалы Наименование 2-й описательной шкалы

1-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение Показателя

2-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя

... ... ... ...

Cancel

Рисунок 3. Требования к файлу исходных данных

Сами исходные данные приведены в таблице 1.

| д I ts3 l^W

Таблица 1 - Исходные данные

Примечание: Изображения таблицы исходных данных представлены с разрешением 600 dpi и при увеличении изображения хорошо читабельны.

Организация группы экспертов и методика взвешивания экспертных оценок

В соответствии с идеей решения проблемы, поставленной в данном исследовании, исходные данные, представленные в таблице 1 дополняются экспертными оценками результативности научной деятельности авторов.

Выбор ученых для исследования был осуществлен по нескольким направлениям науки («Экономика», "Математика", "Технические науки" и др.) таким образом, чтобы в выборку попали и очень известные ученые, известные своими научными результатами, и менее известные.

В качестве экспертов выступали сотрудники ведущих НИИ и вузов страны. Имена экспертов не сообщаются из этических соображений.

Взвешивание экспертных оценок производилось с учетом «научного веса» эксперта, соответствующего его ученой степени и научному званию.

Первичные и расчетные показатели

Все показатели в таблице исходных данных делятся на первичные и расчетные на их основе. Обычно эти расчетные показатели даются в процентах.

5.2.2. Классификационные и описательные шкалы и градации

Классификационные и описательные шкалы и градации приведены в таблицах 2 и 3:

Таблица 2 - Классификационные шкалы и градации

Код Наименование шкалы и градации

1 СТЕПЕНЬ-ЗВАНИЕ-1/4-1-Канд.наук

2 СТЕПЕНЬ-ЗВАН ИЕ-2/4-2-До кт. наук

3 СТЕПЕНЬ-ЗВАНИЕ-З/4-З-Чл.корр.

4 СТЕПЕНЬ-ЗВАНИЕ -4/4-4-А кад. РАН

5 НАУЧНЫЕ ДОСТИЖЕНИЯ-1/3-1-Низкие

6 НАУЧНЫЕ ДОСТИЖЕН ИЯ-2/3-2-С редние

7 НАУЧНЫЕ ДОСТИЖЕНИЯ-З/З-З-Высокие

Таблица 3 - Описательные шкалы и градации

Код Наименование шкалы и градации

1 CITED-1/4-{1.0000000, 39.0000000}

2 CITED-2/4-{39.0000000, 91.0000000}

3 CITED-3/4-{91.0000000, 237.0000000}

4 CITED-4/4-{237.0000000, 9704.0000000}

5 PUBLICATIONS-1/4-{ 13.0000000, 33.0000000}

6 PUBLICATIONS-2/4-{33.0000000, 80.0000000}

7 PUBUCATЮNS-3/4-{80.0000000, 170.0000000}

8 PUBLICATIONS-4/4-{ 170.0000000, 320.0000000}

9 GRANTS-1/4-{1.0000000, 1.0000000}

10 GRANTS-2/4-{1.0000000, 4.0000000}

11 GRANTS-3/4-{4.0000000, 8.0000000}

12 GRANTS-4/4-{8.0000000, 51.0000000}

13 NUMOFITEMS-1/4-{5.0000000, 20.0000000}

14 NUMOFITEMS-2/4-{20.0000000, 34.0000000}

15 NUMOFITEMS-3/4-{34.0000000, 62.0000000}

16 NUMOFITEMS-4/4-{62.0000000, 265.0000000}

17 СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ АВТ0РА-1/4-{12.0000000, 113.0000000}

18 СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ АВТ0РА-2/4-{113.0000000, 203.0000000}

19 СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ АВТОРА-3/4-{203.0000000, 674.0000000}

20 СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ АВТОРА-4/4-{674.0000000, 12391.0000000}

21 ИНДЕКС ХИРША-1/4-{1.0000000, 4.0000000}

22 ИНДЕКС ХИРША-2/4-{4.0000000, 6.0000000}

23 ИНДЕКС ХИРША-3/4-{6.0000000, 7.0000000}

24 ИНДЕКС ХИРША-4/4-{7.0000000, 45.0000000}

25 ЧИСЛО ПУБЛИКАЦИЙ АВТОРА В РИНЦ-1/4-{5.0000000, 25.0000000}

26 ЧИСЛО ПУБЛИКАЦИЙ АВТОРА В РИНЦ-2/4-{25.0000000, 43.0000000}

27 ЧИСЛО ПУБЛИКАЦИЙ АВТОРА В РИНЦ-3/4-{43.0000000, 77.0000000}

28 ЧИСЛО ПУБЛИКАЦИЙ АВТОРА В РИНЦ-4/4-{77.0000000, 369.0000000}

29 ЧИСЛО САМОЦИТИРОВАНИЙ-1/4-{2.0000000, 20.0000000}

30 ЧИСЛО САМОЦИТИРОВАНИЙ-2/4-{20.0000000, 55.0000000}

31 ЧИСЛО САМОЦИТИРОВАНИЙ-3/4-{55.0000000, 114.0000000}

32 ЧИСЛО САМОЦИТИРОВАНИЙ-4/4-{114.0000000, 507.0000000}

33 ЧИСЛО САМОЦИТИРОВАНИЙ (%)-1/4-{0.2824859, 6.8181818}

34 ЧИСЛО САМОЦИТИРОВАНИЙ (%)-2/4-{6.8181818, 13.0494505}

35 ЧИСЛО САМОЦИТИРОВАНИЙ (%)-3/4-{13.0494505, 37.5000000}

36 ЧИСЛО САМОЦИТИРОВАНИЙ (%)-4/4-{37.5000000, 69.0265487}

37 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ-1/4-{2.0000000, 23.0000000}

38 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ-2/4-{23.0000000, 33.0000000}

39 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ-3/4-{33.0000000, 52.0000000}

40 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ-4/4-{52.0000000, 343.0000000}

41 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ (%)-1/4-{32.5000000, 60.0000000}

42 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ (%)-2/4-{60.0000000, 72.7272727}

43 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ (%)-3/4-{72.7272727, 77.7777778}

44 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ (%)-4/4-{77.7777778, 103.2258065}

45 ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ-1/4-{1.0000000, 1.0000000}

46 ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ-2/4-{1.0000000, 2.0000000}

47 ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ-3/4-{2.0000000, 4.0000000}

48 ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ-4/4-{4.0000000, 222.0000000}

49 ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ (%)-1 /4-{1.2987013, 2.3809524}

50 ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ (%)-2/4-{2.3809524, 4.3478261}

51 ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ (%)-3/4-{4.3478261, 9.3023256}

52 ЧИСЛО ПУБЛИКАЦИЙ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ (%)-4/4-{9.3023256, 62.7118644}

53 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК-1/4-{6.0000000, 14.0000000}

54 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК-2/4-{ 14.0000000, 24.0000000}

55 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК-3/4-{24.0000000, 43.0000000}

56 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК-4/4-{43.0000000, 219.0000000}

57 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК (%)-1/4-{15.0000000, 38.0952381}

58 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК (%)-2/4-{38.0952381, 51.7441860}

59 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК (%)-3/4-{51.7441860, 60.8108108}

60 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК (%)-4/4-{60.8108108, 100.0000000}

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

61 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ-1/4-{1.0000000, 3.0000000}

62 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ-2/4-{3.0000000, 7.0000000}

63 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ-3/4-{7.0000000, 11.0000000}

64 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ-4/4-{11.0000000, 71.0000000}

65 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ (%)-1/4-{1.3513514, 5.0505051}

66 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ (%)-2/4-{5.0505051, 10.0000000}

67 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ (%)-3/4-{10.0000000, 22.9508197}

68 ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ (%)-4/4-{22.9508197, 52.0000000}

69 ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ-1 /4-{2.0000000, 29.0000000}

70 ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ-2/4-{29.0000000, 88.0000000}

71 ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ-3/4-{88.0000000, 193.0000000}

72 ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ-4/4-{193.0000000, 1322.0000000}

73 ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ (%)-1/4-{3.9548023, 15.3310105}

74 ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ (%)-2/4-{15.3310105, 30.4812834}

75 ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ (%)-3/4-{30.4812834, 46.6666667}

76 ЧИСЛО ЦИТИРОВАНИЙ СОАВТОРАМИ (%)-4/4-{46.6666667, 78.3018868}

77 ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ-1/4-{3.0000000, 13.0000000}

78 ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ-2/4-{13.0000000, 23.0000000}

79 ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ-3/4-{23.0000000, 48.0000000}

80 ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ-4/4-{48.0000000, 312.0000000}

81 ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ (%)-1/4-{21.8750000, 47.5000000}

82 ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ (%)-2/4-{47.5000000, 59.2592593}

83 ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ (%)-3/4-{59.2592593, 68.4931507}

84 ЧИСЛО ПУБЛИКАЦИЙ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ (%)-4/4-{68.4931507, 84.9710983}

85 ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-1/4-{1.0000000, 9.0000000}

86 ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-2/4-{9.0000000, 14.0000000}

87 ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-3/4-{14.0000000, 35.0000000}

88 ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-4/4-{35.0000000, 231.0000000}

89 ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-1/4-{7.6923077, 20.0000000}

90 ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-2/4-{20.0000000, 30.4347826}

91 ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-3/4-{30.4347826, 52.5000000}

92 ЧИСЛО ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-4/4-{52.5000000, 71.4285714}

93 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ-1/4-{6.0000000, 77.0000000}

94 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ-2/4-{77.0000000, 156.0000000}

95 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ-3/4-{156.0000000, 401.0000000}

96 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ-4/4-{401.0000000, 6281.0000000}

97 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ (%)-1/4-{25.0000000, 52.3489933}

98 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ (%)-2/4-{52.3489933, 62.8099174}

99 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ (%)-3/4-{62.8099174, 73.0263158}

100 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ (%)-4/4-{73.0263158, 91.1504425}

101 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ-1/4-{1.0000000, 4.0000000}

102 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ-2/4-{4.0000000, 17.0000000}

103 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ-3/4-{17.0000000, 36.0000000}

104 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ-4/4-{36.0000000, 1486.0000000}

105 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ (%)-1/4-{0.4926108, 2.1739130}

106 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ (%)-2/4-{2.1739130, 3.3112583}

107 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ (%)-3/4-{3.3112583, 11.0795455}

108 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ (%)-4/4-{11.0795455, 70.8333333}

109 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК-1/4-{5.0000000, 56.0000000}

110 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК-2/4-{56.0000000, 100.0000000}

111 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК-3/4-{100.0000000, 279.0000000}

112 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК-4/4-{279.0000000, 4871.0000000}

113 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК (%)-1/4-{15.2173913, 35.5963303}

114 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК (%)-2/4-{35.5963303, 40.5612245}

115 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК (%)-3/4-{40.5612245, 53.7087912}

116 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК (%)-4/4-{53.7087912, 90.2654867}

117 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ-1/4-{1.0000000, 2.0000000}

118 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ-2/4-{2.0000000, 12.0000000}

119 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ-3/4-{12.0000000, 50.0000000}

120 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ-4/4-{50.0000000, 744.0000000}

121 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ (%)-1/4-{0.1373626, 0.8710801}

122 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ (%)-2/4-{0.8710801, 4.1666667}

123 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ (%)-3/4-{4.1666667, 14.8016050}

124 ЧИСЛО ЦИТИРОВАНИЙ ИЗ РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ (%)-4/4-{14.8016050, 44.2477876}

125 ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-1/4-{3.0000000, 20.0000000}

126 ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-2/4-{20.0000000, 33.0000000}

127 ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-3/4-{33.0000000, 49.0000000}

128 ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-4/4-{49.0000000, 322.0000000}

129 ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-1/4-{25.0000000, 55.5555556}

130 ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-2/4-{55.5555556, 65.2173913}

131 ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-3/4-{65.2173913, 77.7777778}

132 ЧИСЛО ПУБЛИКАЦИЙ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-4/4-{77.7777778, 97.1428571}

133 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-1/4-{6.0000000, 75.0000000}

134 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-2/4-{75.0000000, 157.0000000}

135 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-3/4-{157.0000000, 401.0000000}

136 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ-4/4-{401.0000000, 6276.0000000}

137 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-1/4-{43.3673469, 55.1860040}

138 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-2/4-{55.1860040, 63.5135135}

139 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-3/4-{63.5135135, 75.3333333}

140 ЧИСЛО ЦИТИРОВАНИЙ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%)-4/4-{75.3333333, 95.8333333}

141 СРЕДНЕВЗВЕШЕННЫЙ ИМПАКТ-ФАКТОР ЖУРНАЛОВ, В КОТОРЫХ БЫЛИ ОПУБЛИКОВАНЫ СТАТЬИ-1/4-{0.1430000, 0.2840000}

142 СРЕДНЕВЗВЕШЕННЫЙ ИМПАКТ-ФАКТОР ЖУРНАЛОВ, В КОТОРЫХ БЫЛИ ОПУБЛИКОВАНЫ СТАТЬИ-2/4-{0.2840000, 0.4240000}

143 СРЕДНЕВЗВЕШЕННЫЙ ИМПАКТ-ФАКТОР ЖУРНАЛОВ, В КОТОРЫХ БЫЛИ ОПУБЛИКОВАНЫ СТАТЬИ-3/4-{0.4240000, 0.5170000}

144 СРЕДНЕВЗВЕШЕННЫЙ ИМПАКТ-ФАКТОР ЖУРНАЛОВ, В КОТОРЫХ БЫЛИ ОПУБЛИКОВАНЫ СТАТЬИ-4/4-{0.5170000, 2.8530000}

145 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ АВТОРА ИЗ ВСЕХ ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-1/4-{9.0000000, 53.0000000}

146 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ АВТОРА ИЗ ВСЕХ ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-2/4-{53.0000000, 121.0000000}

147 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ АВТОРА ИЗ ВСЕХ ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-3/4-{ 121.0000000, 379.0000000}

148 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ АВТОРА ИЗ ВСЕХ ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-4/4-{379.0000000, 6552.0000000}

149 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ АВТОРА ИЗ ВСЕХ ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-1/4-{28.8770053, 46.2809917}

150 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ АВТОРА ИЗ ВСЕХ ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-2/4-{46.2809917, 53.1073446}

151 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ АВТОРА ИЗ ВСЕХ ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-3/4-{53.1073446, 64.4226482}

152 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ АВТОРА ИЗ ВСЕХ ПУБЛИКАЦИЙ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-4/4-{64.4226482, 91.3043478}

153 ЧИСЛО ЦИТИРОВАНИЙ РАБОТ АВТОРА, ОПУБЛИКОВАННЫХ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-1/4-{3.0000000, 12.0000000}

154 ЧИСЛО ЦИТИРОВАНИЙ РАБОТ АВТОРА, ОПУБЛИКОВАННЫХ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-2/4-{12.0000000, 37.0000000}

155 ЧИСЛО ЦИТИРОВАНИЙ РАБОТ АВТОРА, ОПУБЛИКОВАННЫХ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-3/4-{37.0000000, 97.0000000}

156 ЧИСЛО ЦИТИРОВАНИЙ РАБОТ АВТОРА, ОПУБЛИКОВАННЫХ ЗА ПОСЛЕДНИЕ 5 ЛЕТ-4/4-{97.0000000, 1618.0000000}

157 ЧИСЛО ЦИТИРОВАНИЙ РАБОТ АВТОРА, ОПУБЛИКОВАННЫХ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-1/4-{1.1869436, 7.1022727}

158 ЧИСЛО ЦИТИРОВАНИЙ РАБОТ АВТОРА, ОПУБЛИКОВАННЫХ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-2/4-{7.1022727, 12.3145401}

159 ЧИСЛО ЦИТИРОВАНИЙ РАБОТ АВТОРА, ОПУБЛИКОВАННЫХ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-3/4-{12.3145401, 23.2057416}

160 ЧИСЛО ЦИТИРОВАНИЙ РАБОТ АВТОРА, ОПУБЛИКОВАННЫХ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%)-4/4-{23.2057416, 52.9411765}

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

161 СРЕДНЕВЗВЕШЕННЫЙ ИМПАКТ-ФАКТОР ЖУРНАЛОВ, В КОТОРЫХ БЫЛИ ПРОЦИТИРОВАНЫ СТАТЬИ-1/4-{0.1740000, 0.3240000}

162 СРЕДНЕВЗВЕШЕННЫЙ ИМПАКТ-ФАКТОР ЖУРНАЛОВ, В КОТОРЫХ БЫЛИ ПРОЦИТИРОВАНЫ СТАТЬИ-2/4-{0.3240000, 0.4140000}

163 СРЕДНЕВЗВЕШЕННЫЙ ИМПАКТ-ФАКТОР ЖУРНАЛОВ, В КОТОРЫХ БЫЛИ ПРОЦИТИРОВАНЫ СТАТЬИ-3/4-{0.4140000, 0.5750000}

164 СРЕДНЕВЗВЕШЕННЫЙ ИМПАКТ-ФАКТОР ЖУРНАЛОВ, В КОТОРЫХ БЫЛИ ПРОЦИТИРОВАНЫ СТАТЬИ-4/4-{0.5750000, 2.4470000}

165 ЧИСЛО ПУБЛИКАЦИЙ, ПРОЦИТИРОВАВШИХ РАБОТЫ АВТОРА-1/4-{11.0000000, 66.0000000}

166 ЧИСЛО ПУБЛИКАЦИЙ, ПРОЦИТИРОВАВШИХ РАБОТЫ АВТОРА-2/4-{66.0000000, 152.0000000}

167 ЧИСЛО ПУБЛИКАЦИЙ, ПРОЦИТИРОВАВШИХ РАБОТЫ АВТОРА-3/4-{152.0000000, 461.0000000}

168 ЧИСЛО ПУБЛИКАЦИЙ, ПРОЦИТИРОВАВШИХ РАБОТЫ АВТОРА-4/4-{461.0000000, 8939.0000000}

169 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ АВТОРА В РИНЦ-1/4-{7.0000000, 59.0000000}

170 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ АВТОРА В РИНЦ-2/4-{59.0000000, 109.0000000}

171 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ АВТОРА В РИНЦ-3/4-{109.0000000, 298.0000000}

172 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ АВТОРА В РИНЦ-4/4-{298.0000000, 10043.0000000}

173 ЧИСЛО СОАВТОРОВ-1/4-{2.0000000, 16.0000000}

174 ЧИСЛО СОАВТОРОВ-2/4-{16.0000000, 27.0000000}

175 ЧИСЛО СОАВТОРОВ-3/4-{27.0000000, 73.0000000}

176 ЧИСЛО СОАВТОРОВ-4/4-{73.0000000, 6205.0000000}

177 INDICATORYEAR-1/4-{2014.0000000, 2015.0000000}

178 INDICATORYEAR-2/4-{2015.0000000, 2015.0000000}

179 INDICATORYEAR-3/4-{2015.0000000, 2015.0000000}

180 INDICATORYEAR-4/4-{2015.0000000, 2015.0000000}

181 ИНДЕКС ХИРША БЕЗ УЧЕТА САМОЦИТИРОВАНИЙ-1/4-{1.0000000, 3.0000000}

182 ИНДЕКС ХИРША БЕЗ УЧЕТА САМОЦИТИРОВАНИЙ-2/4-{3.0000000, 5.0000000}

183 ИНДЕКС ХИРША БЕЗ УЧЕТА САМОЦИТИРОВАНИЙ-3/4-{5.0000000, 7.0000000}

184 ИНДЕКС ХИРША БЕЗ УЧЕТА САМОЦИТИРОВАНИЙ-4/4-{7.0000000, 45.0000000}

185 ИНДЕКС ХИРША С УЧЕТОМ ТОЛЬКО СТАТЕЙ В ЖУРНАЛАХ-1/4-{1.0000000, 3.0000000}

186 ИНДЕКС ХИРША С УЧЕТОМ ТОЛЬКО СТАТЕЙ В ЖУРНАЛАХ-2/4-{3.0000000, 4.0000000}

187 ИНДЕКС ХИРША С УЧЕТОМ ТОЛЬКО СТАТЕЙ В ЖУРНАЛАХ-3/4-{4.0000000, 6.0000000}

188 ИНДЕКС ХИРША С УЧЕТОМ ТОЛЬКО СТАТЕЙ В ЖУРНАЛАХ-4/4-{6.0000000, 27.0000000}

189 ГОД ПЕРВОЙ ПУБЛИКАЦИИ-1/4-{1955.0000000, 1971.0000000}

190 ГОД ПЕРВОЙ ПУБЛИКАЦИИ-2/4-{1971.0000000, 1986.0000000}

191 ГОД ПЕРВОЙ ПУБЛИКАЦИИ-3/4-{1986.0000000, 1997.0000000}

192 ГОД ПЕРВОЙ ПУБЛИКАЦИИ-4/4-{1997.0000000, 2006.0000000}

193 ЧИСЛО ССЫЛОК НА САМУЮ ЦИТИРУЕМУЮ ПУБЛИКАЦИЮ-1/4-{2.0000000, 10.0000000}

194 ЧИСЛО ССЫЛОК НА САМУЮ ЦИТИРУЕМУЮ ПУБЛИКАЦИЮ-2/4-{10.0000000, 34.0000000}

195 ЧИСЛО ССЫЛОК НА САМУЮ ЦИТИРУЕМУЮ ПУБЛИКАЦИЮ-3/4-{34.0000000, 75.0000000}

196 ЧИСЛО ССЫЛОК НА САМУЮ ЦИТИРУЕМУЮ ПУБЛИКАЦИЮ-4/4-{75.0000000, 1293.0000000}

197 ЧИСЛО ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ЯДРО РИНЦ-1/4-{1.0000000, 6.0000000}

198 ЧИСЛО ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ЯДРО РИНЦ-2/4-{6.0000000, 16.0000000}

199 ЧИСЛО ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ЯДРО РИНЦ-3/4-{16.0000000, 27.0000000}

200 ЧИСЛО ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ЯДРО РИНЦ-4/4-{27.0000000, 341.0000000}

201 ЧИСЛО ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ЯДРО РИНЦ (%)-1/4-{2.5000000, 14.2857143}

202 ЧИСЛО ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ЯДРО РИНЦ (%)-2/4-{14.2857143, 27.7777778}

203 ЧИСЛО ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ЯДРО РИНЦ (%)-3/4-{27.7777778, 62.5000000}

204 ЧИСЛО ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ЯДРО РИНЦ (%)-4/4-{62.5000000, 96.3276836}

205 NUMOFLIBRARYITEMS-1/4-{5.0000000, 24.0000000}

206 NUMOFLIBRARYITEMS-2/4-{24.0000000, 43.0000000}

207 NUMOFLIBRARYITEMS-3/4-{43.0000000, 77.0000000}

208 NUMOFLIBRARYITEMS-4/4-{77.0000000, 370.0000000}

209 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ЯДРО РИНЦ-1/4-{1.0000000, 15.0000000}

210 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ЯДРО РИНЦ-2/4-{15.0000000, 71.0000000}

211 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ЯДРО РИНЦ-3/4-{71.0000000, 113.0000000}

212 ЧИСЛО ЦИТИРОВАНИЙ ПУБЛИКАЦИЙ, ВХОДЯЩИХ В ЯДРО РИНЦ-4/4-{113.0000000, 2019.0000000}

213 LIBRARYaTED-1/4-{12.0000000, 114.0000000}

214 LIBRARYCITED-2/4-{114.0000000, 203.0000000}

215 LIBRARYCITED-3/4-{203.0000000, 674.0000000}

216 LIBRARYCITED-4/4-{674.0000000, 12513.0000000}

217 ИНДЕКС ХИРША ПО ЯДРУ РИНЦ-1/4-{1.0000000, 1.0000000}

218 ИНДЕКС ХИРША ПО ЯДРУ РИНЦ-2/4-{1.0000000, 3.0000000}

219 ИНДЕКС ХИРША ПО ЯДРУ РИНЦ-3/4-{3.0000000, 4.0000000}

220 ИНДЕКС ХИРША ПО ЯДРУ РИНЦ-4/4-{4.0000000, 17.0000000}

5.2.3. Обучающая выборка (база событий)

Обучающая выборка представляет собой исходные данные, представленные в табл. 1, закодированные с помощью классификационных и описательных шкал и градаций (табл. 2 и 3).

Обучающая выборка в форме базы событий приведена в табл. 4.

Таблица 4 - Обучающая выборка (база событий)

NAME OBJ N2 N3 N4 N5 N6 N7 N8 N9 N10 N11 N12 N13 N14 N15 N16 N17 N18 N19 N20 N21 N22 N23 N24 N25 N26 N27 N28 N29 N30 N31 N32 N33 N34 N35 N36 N37 N38 N39 N40 N41 N42 N43 N44 N45 N46 N47 N48 N49 N50 N51 N52 N53 N54 N55 N56 N57 N58 N59 N60 N61

Гусейн-ЗадеСабирМеджидович, ID=95472722, SPIN= 81 2 6 3 7 11 15 19 23 27 32 35 39 42 48 52 55 59 64 67 71 75 80 84 86 89 95 97 104 108 111 115 120 124 127 132 135 140 143 147 149 154 157 164 167 171 174 177 183 188 189 194 200 204 207 212 215 220

Журавлев Юрий Иванович, Ю=, SPIN= 101 4 7 2 8 12 15 20 23 28 32 34 40 42 48 52 56 59 64 67 72 75 80 83 86 89 96 100 104 107 112 116 120 124 127 130 136 140 142 147 149 154 157 163 167 171 175 177 183 188 189 195 200 204 208 212 216 220

БухштаберВиктор Матвеевич Ю=, SPIN= 150 3 6 4 8 12 16 20 24 28 32 35 40 44 48 52 56 60 64 68 72 75 80 84 87 89 96 99 104 108 112 116 120 124 128 132 136 140 144 148 149 155 157 164 168 172 176 177 183 188 189 196 200 204 208 212 216 220

Клейнер Георгий Борисович, Ю=30542736, SPIN= 1297 3 7 4 8 12 16 20 24 28 32 34 40 43 47 50 56 59 62 65 72 73 80 84 88 90 96 97 104 106 112 114 119 121 128 131 136 137 144 148 151 156 158 163 168 172 176 177 184 188 190 196 200 203 208 212 216 220

ГаврилецЮрий Николаевич, Ю=, SPIN= 1339 2 6 1 6 12 13 17 21 25 29 35 37 44 53 57 61 66 69 75 77 84 85 89 93 99 109 113 118 123 125 131 133 138 144 145 149 153 157 164 165 169 173 177 181 185 191 194 197 204 205 209 213 217

Елисеева Ирина Ильинична, Ю=40486340, SPIN= 1367 3 5 4 8 11 16 20 24 28 30 33 40 41 45 49 56 57 61 65 70 73 79 81 88 91 96 97 103 106 112 113 118 121 128 129 136 137 142 148 150 155 157 161 168 172 175 177 184 186 190 196 199 202 208 211 216 218

Гринберг Руслан Семенович, Ю=, SPIN= 1457 3 6 4 7 10 16 20 24 28 30 33 40 44 47 49 56 58 63 65 72 74 80 82 88 91 96 99 103 106 112 115 119 122 128 131 136 138 143 148 152 156 160 163 168 172 176 177 184 188 191 195 199 201 208 211 216 219

Жижченко Алексей Борисович, Ю=, SPIN= 1612 2 5 1 5 10 13 17 21 25 29 34 37 44 45 50 54 60 62 68 69 75 77 81 86 92 93 99 101 107 109 115 118 123 125 132 133 138 143 145 150 154 159 162 165 169 175 177 182 185 189 194 198 203 205 209 213 218

БелоцерковскийОлег Михайлович, ID=, SPIN= 1977 4 6 2 7 12 15 20 23 28 32 35 40 44 48 52 56 60 64 68 72 75 80 84 86 89 96 100 104 108 112 116 120 124 128 131 136 140 144 147 149 154 157 164 167 171 175 177 183 188 189 194 200 204 207 212 216 220

Загоруйко Николай Григорьевич, Ю=90527699, SPIN= 2066 2 7 2 7 12 15 19 22 27 32 36 39 43 47 51 55 60 64 68 71 75 78 81 86 91 95 99 103 107 111 115 120 124 127 130 135 139 142 146 150 154 158 162 166 170 175 177 182 185 189 194 200 204 207 211 215 218

Боровков Александр Алексеевич, Ю=39653980, SPIN=2108 4 7 3 8 12 15 19 24 28 32 36 40 44 48 51 56 60 64 68 72 75 80 84 86 89 96 100 104 108 112 116 120 124 128 132 136 140 143 147 149 155 158 164 167 171 173 177 183 188 189 195 200 204 208 212 215 220

Кульба Владимир Васильевич, Ю=44912860, SPIN= 2303 2 7 4 7 10 16 20 23 28 32 35 40 41 47 50 56 58 64 67 72 75 80 82 88 90 96 99 103 106 112 115 120 123 127 129 136 138 143 148 150 156 158 163 168 172 176 177 184 187 190 196 199 202 208 212 216 219

АлескеровФуад Тагиевич, ID=46464670, SPIN= 2331 2 5 3 6 10 16 19 23 28 32 36 39 42 48 52 55 58 63 67 72 76 80 84 87 90 95 98 104 108 111 115 120 123 128 131 135 139 144 147 150 155 159 164 167 171 175 177 183 187 190 194 200 203 208 212 215 220

Калянов Георгий Николаевич, Ю=60154622, SPIN= 2332 2 6 2 5 9 13 19 21 25 30 34 37 41 54 58 61 66 69 73 77 82 86 90 95 99 102 106 111 115 118 122 125 129 135 139 141 147 151 154 158 161 167 170 173 177 182 185 191 195 197 201 205 210 215

Васильев Станислав Николаевич, Ю=71210780, SPIN= 2467 4 5 3 8 12 16 19 23 27 32 35 39 41 48 51 55 58 64 67 72 76 79 81 88 91 95 99 103 107 111 115 120 123 127 129 135 139 143 147 151 155 159 162 167 171 176 177 183 186 191 196 200 203 207 212 215 219

Апифанов Олег Михайлович ID=77341353, SPIN= 2535 3 6 2 8 12 16 19 23 28 32 35 39 41 48 52 55 57 63 66 71 74 79 81 87 90 95 97 104 108 111 115 120 123 127 130 135 140 142 147 149 154 158 164 167 170 175 177 182 187 190 193 200 203 208 212 215 219

Ибрагимов Ильдар Абдуллович Ю=77728871, SPIN= 2798 4 7 4 7 12 16 20 24 28 32 35 40 41 48 52 56 57 64 67 72 75 80 83 88 92 95 97 104 108 111 113 120 124 128 132 136 140 144 148 152 156 160 164 168 172 176 177 184 188 189 195 200 204 208 212 216 220

Ермаков Сергей Михайлович ID=36745309, SPIN= 2880 2 7 3 7 12 14 19 22 26 32 35 38 43 47 52 55 60 64 68 71 74 78 83 86 90 95 100 104 108 112 116 120 124 126 131 135 139 142 147 149 153 157 162 167 170 174 177 182 186 189 195 199 204 206 212 215 218

Евстигнеев Игорь Вячеславович ID=, SPIN= 3040 2 5 1 5 10 13 17 21 26 31 36 37 41 48 52 53 57 61 66 70 76 78 84 85 89 93 97 104 108 109 113 118 123 126 131 133 139 143 145 149 153 157 164 165 170 173 177 181 186 190 193 199 204 206 211 213 219

Зак Федор Лазаревич ID=97275859, SPIN= 3041 2 5 1 5 11 13 17 21 25 29 36 37 41 46 52 53 59 61 66 69 76 77 83 85 91 93 97 102 108 109 113 117 123 125 132 133 140 144 145 152 153 160 164 165 169 173 177 181 185 190 193 197 204 205 209 213 218

Гордин Владимир Александрович Ю=61863415, SPIN= 3222 2 5 1 6 12 13 17 21 25 31 36 37 44 45 51 54 60 63 68 70 76 77 83 85 90 93 100 101 106 110 116 119 124 125 132 133 140 143 145 150 153 159 164 165 169 173 177 181 185 191 193 198 204 205 210 213 218

Бурков Владимир Николаевич ID=17740325, SPIN= 3543 2 7 4 8 11 16 20 24 28 32 35 40 42 48 50 56 60 64 68 72 75 80 82 88 90 96 98 104 106 112 115 120 122 128 130 136 137 144 148 150 155 157 163 168 172 176 177 184 187 189 196 200 202 208 212 216 220

Гринченко Сергей Николаевич ID=56143620, SPIN= 3572 2 7 3 6 9 15 18 22 27 32 36 39 43 54 57 62 66 71 76 78 81 88 92 95 100 101 105 110 114 118 122 127 130 134 140 141 147 152 155 160 161 166 170 174 177 181 186 191 195 198 201 207 210 214 217

Аркин Вадим Иосифович, Ю=74043109, SPIN= 4263 1 6 1 7 12 14 18 22 26 31 36 38 43 46 51 53 57 62 67 70 75 78 82 85 90 94 99 102 108 109 113 118 123 125 129 134 139 142 145 149 153 157 164 165 169 173 177 182 186 189 193 198 203 206 210 214 218

Кашин Борис Сергеевич ID=, SPIN= 4710 3 7 1 5 11 14 18 22 27 30 34 39 44 46 50 56 60 64 68 71 74 78 82 86 89 95 100 104 108 111 116 120 124 127 132 135 140 143 146 150 153 157 164 166 170 175 177 182 187 190 194 200 204 207 212 214 219

Конягин Сергей Владимирович, Ю=, SPIN= 4712 3 5 3 7 11 16 19 23 28 31 34 39 41 48 52 56 58 64 68 72 76 80 83 87 90 94 97 104 108 111 113 120 124 128 132 136 140 143 147 149 155 158 164 167 172 175 177 183 188 191 195 200 204 208 212 215 220

Дорофеюк Александр Александрович ID=10960587, SPIN= 4801 2 7 3 6 11 16 19 22 27 32 36 39 41 47 50 54 57 63 67 72 76 79 81 87 91 94 97 102 105 110 114 119 123 126 129 134 137 142 146 150 155 158 163 166 171 175 177 182 186 189 195 199 202 207 211 215 218

Кабатянский Григорий Анатольевич Ю=91539614, SPIN= 4828 2 5 1 5 11 13 17 21 25 37 41 53 59 62 68 69 73 77 83 85 89 93 97 103 108 109 114 118 124 125 129 133 139 141 145 149 164 165 169 173 177 181 185 190 194 197 203 205 210 213 217

Гольштейн Евгений Григорьевич, Ю=, SPIN= 4853 2 6 1 7 11 13 18 21 25 30 34 38 44 45 50 53 57 62 67 70 73 78 84 85 89 95 100 103 107 111 116 120 124 126 132 135 139 144 146 149 153 157 164 167 169 173 177 181 185 189 193 199 204 205 211 214 218

Конаков Валентин Дмитриевич, Ю=, SPIN= 5278 2 6 1 6 11 13 17 21 25 30 36 37 41 47 52 53 57 61 67 69 76 77 82 85 90 93 97 103 108 109 114 118 124 125 131 133 140 144 145 152 153 158 164 165 169 173 177 181 185 191 193 197 204 205 210 213 218

Борисов Игорь Семенович Ю=71563779, SPIN= 5279 2 5 2 6 11 14 17 22 26 31 36 39 44 47 51 55 60 64 68 70 76 78 83 86 90 93 99 103 108 109 116 119 124 126 132 133 140 142 145 151 153 159 163 165 170 174 177 181 186 190 193 200 204 206 210 213 220

Булинский Александр Вадимович, Ю=, SPIN= 5302 2 5 2 6 11 13 18 23 26 30 35 37 42 47 52 54 58 63 68 70 74 78 83 86 90 94 100 103 108 110 116 120 124 126 130 134 140 142 146 151 154 158 163 166 170 174 177 183 187 190 194 199 204 206 212 214 218

Катышев Павел Константинович ID=10521125, SPIN= 7004 1 5 2 5 12 13 18 21 25 29 33 37 41 53 57 69 73 77 81 85 90 94 97 102 106 110 113 117 122 125 129 134 137 144 146 151 153 157 162 166 170 174 177 182 185 191 195 197 202 205 209 214 217

Козлов Вадим Никитович, Ю=, SPIN= 8013 2 5 1 5 11 13 17 21 25 30 36 38 44 45 50 54 60 62 67 70 76 77 82 85 90 93 100 101 107 109 116 119 124 125 131 133 140 142 145 149 153 157 164 165 169 174 177 181 185 191 193 198 204 205 209 213 218

Бернштейн Александр Владимирович, ID=52873823, SPIN= 8066 2 5 1 5 9 15 17 21 27 30 36 38 41 47 51 54 57 63 68 70 76 77 81 86 91 93 100 102 108 109 113 117 122 126 129 133 139 141 145 152 154 160 163 165 169 173 177 181 185 190 193 199 203 207 210 213 217

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Ивченко Григорий Иванович, ID=92757908, SPIN= 9476 2 6 2 6 10 14 19 21 26 29 33 38 43 46 51 55 60 63 68 69 73 78 83 86 89 95 100 102 107 111 116 119 123 126 130 135 139 141 147 150 154 157 162 167 170 174 177 181 185 189 195 199 204 206 211 215 218

Бутов Александр Александрович Ю=95037985, SPIN= 10834 2 5 2 6 11 15 18 22 27 30 36 39 43 47 51 55 59 63 66 71 76 78 81 88 92 94 99 103 108 110 115 118 122 127 131 134 140 143 145 150 154 160 164 166 170 175 177 182 186 191 194 198 202 207 210 214 219

Кабанов Юрий Михайлович Ю=, SPIN= 11411 2 6 3 5 10 14 19 23 26 31 35 37 41 48 52 53 57 62 66 71 75 78 84 85 89 93 97 104 108 110 113 119 123 126 132 135 140 144 146 149 153 157 164 166 171 174 177 183 188 190 194 200 204 206 212 215 220

Белкина Татьяна Андреевну Ю=95138256, SPIN= 12222 1 5 1 5 11 14 17 21 26 30 36 38 42 45 49 54 58 63 67 70 76 78 81 86 90 93 100 102 108 109 116 119 124 125 129 133 140 141 145 150 153 159 163 165 169 173 177 181 185 192 193 198 203 206 210 213 218

Анфимов Николай Аполлонович ID=, SPIN= 16130 4 6 2 7 11 14 18 22 27 29 34 38 42 48 52 54 58 63 67 70 75 78 82 86 89 94 100 102 107 110 116 119 124 126 130 134 140 142 146 150 154 158 163 166 170 176 177 182 186 189 193 199 203 207 211 214 219

Кудрявцев Николай Николаевич ID=, SPIN= 19586 3 5 2 8 11 16 18 22 28 30 34 40 42 48 52 56 60 64 68 71 75 79 81 87 90 94 99 104 108 110 116 120 124 128 131 134 140 144 146 149 153 157 164 166 171 176 177 182 186 190 196 200 203 208 212 214 219

Велихов Евгений Павлович, ID=, SPIN= 27430 4 5 4 6 10 16 20 24 28 30 33 40 43 48 52 56 59 64 68 72 74 80 83 88 89 96 98 104 108 112 115 120 124 128 131 136 140 144 148 149 155 158 164 168 172 176 177 184 188 189 196 200 203 208 212 216 220

Алешин Николай Павлович, Ю=16021566, SPIN= 28574 4 6 2 7 9 15 18 22 27 30 34 39 43 46 50 56 60 64 68 71 74 79 81 87 91 95 100 102 107 111 116 120 124 127 132 135 139 142 146 151 155 159 162 167 170 176 177 182 186 190 195 200 204 207 211 214 219

Карпов Юрий Александрович ID=69545582, SPIN= 45085 3 6 4 8 11 16 20 24 28 32 34 40 44 48 51 56 59 64 68 72 74 80 83 88 91 96 100 104 107 112 116 120 123 128 132 136 139 143 148 150 156 159 163 168 172 176 177 184 188 189 196 200 203 208 212 216 220

Горский Владимир Григорьевич, ID=, SPIN= 46509 2 6 2 8 10 13 19 22 26 31 35 39 44 47 52 55 60 64 68 71 75 79 84 85 89 95 99 103 107 111 116 119 124 127 132 135 139 143 146 149 153 157 163 166 170 175 177 183 187 189 194 199 204 206 211 215 219

Сорокин Анатолий Петрович, Ю=18338309, SPIN= 60153 3 5 3 5 10 16 19 24 28 32 36 40 44 46 49 56 60 64 68 72 76 80 84 88 91 96 100 104 107 112 116 120 124 128 132 136 140 144 147 152 155 159 164 167 171 176 177 183 188 191 194 200 204 208 212 215 220

Кара-Мурза Сергей Георгиевич ID=, SPIN= 72026 2 7 3 8 10 15 19 23 27 29 33 39 42 55 58 63 66 70 73 79 83 87 92 95 98 102 106 111 114 118 121 127 130 135 138 142 147 152 156 160 162 167 171 176 177 183 186 189 195 197 201 207 210 215 217

Кочетов Валентин Васильевич, Ю=, SPIN= 72073 2 6 2 6 9 13 17 21 25 30 35 37 43 53 60 61 67 69 75 77 83 85 89 93 100 101 107 109 116 117 122 125 132 133 139 141 145 150 153 158 161 165 169 173 177 181 185 190 195 197 202 205 209 213 217

Багриновский Кирилл Андреевич ID=, SPIN= 72259 2 7 4 7 10 14 20 23 26 31 33 39 43 45 50 54 58 61 65 71 74 79 84 86 90 95 97 103 106 111 113 118 121 127 131 135 137 144 147 149 154 157 163 168 172 174 177 183 187 190 196 199 204 206 211 216 218

Горшков Михаил Константинович Ю=36337431, SPIN= 72610 4 5 4 7 9 16 20 24 28 32 33 40 41 48 50 56 57 63 65 72 74 80 83 88 91 96 99 104 105 112 114 119 122 128 129 136 138 143 148 152 156 160 162 168 172 176 177 184 188 190 196 200 202 208 212 216 220

Варшавский Александр Евгеньевич, ID=79876250, SPIN= 72627 2 6 3 6 11 15 19 23 27 31 35 39 42 46 50 54 57 62 65 71 74 79 83 87 91 95 99 102 106 111 114 119 122 126 129 135 138 143 147 152 156 159 163 167 171 175 177 184 188 192 195 199 203 207 211 215 219

БогомоловОлег Тимофеевич ID=, SPIN= 72940 4 5 3 8 9 15 19 23 28 29 33 40 44 45 49 55 59 63 67 70 73 80 84 87 90 95 97 102 106 111 114 118 122 127 131 135 137 143 147 151 156 159 163 167 171 175 177 183 187 190 195 198 202 208 210 215 218

Добреньков Владимир Иванович, Ю=52348839, SPIN= 73018 2 6 4 8 10 15 20 24 27 29 33 38 41 55 59 70 73 79 83 88 92 96 98 103 105 112 113 118 121 126 129 136 137 141 148 151 156 158 161 168 172 176 177 184 185 192 196 197 201 207 210 216 218

Бузгалин Александр Владимирович, ID=69773151, SPIN= 73101 2 6 4 9 16 20 24 28 32 34 40 44 46 49 56 59 64 66 72 74 80 84 88 91 96 97 104 107 112 114 128 132 136 137 144 148 151 156 159 162 168 172 176 177 184 188 191 195 200 202 208 211 216 218

Качалов Роман Михайлович ID=67055207, SPIN= 73238 2 6 4 7 11 15 20 23 27 31 33 39 42 45 49 54 58 61 65 71 73 78 81 87 91 96 97 103 106 112 113 117 121 126 130 136 137 144 148 149 156 158 162 168 172 175 177 183 186 190 196 198 202 207 210 216 218

Грановский Юрий Васильевич, ID=97291541, SPIN= 73414 1 7 1 7 11 14 19 21 26 31 34 38 42 47 51 53 57 63 67 70 73 78 82 85 89 96 99 104 107 112 115 119 123 126 129 135 138 142 148 151 153 157 162 168 169 174 177 181 185 189 193 198 202 206 212 215 218

Волкова Виолетта Николаевич Ю=25691684, SPIN= 73469 2 6 3 5 10 15 20 22 26 31 34 38 41 45 49 54 58 71 73 78 81 87 92 95 98 102 105 111 114 118 121 126 129 135 138 142 148 151 155 158 161 168 171 174 177 182 185 192 196 198 202 206 211 216 218

Ивантер Виктор Викторович, Ю=93556205, SPIN= 74695 4 5 4 6 10 16 20 24 28 29 33 40 44 45 49 56 59 64 67 72 74 80 83 88 91 96 98 103 105 112 114 119 122 128 131 136 138 144 148 151 156 160 163 168 172 176 177 184 188 190 196 199 203 208 211 216 220

Азгальдов Гарри Гайкович, ID=87307726, SPIN= 74916 2 7 4 8 9 16 20 24 28 31 33 40 43 47 50 55 58 62 65 70 73 79 82 87 90 96 98 104 107 111 114 119 122 127 130 136 138 141 148 152 155 158 161 168 172 174 177 184 187 189 196 199 202 208 210 216 217

Береза Татьяна Никифоровы^ ID=25457440, SPIN= 74919 1 5 1 5 9 13 17 21 25 29 35 37 41 69 74 77 82 93 100 109 115 133 137 145 152 161 165 169 173 177 181 185 192 193 205 213

Бендиков Михаил Абрамович ID=93522695, SPIN= 75553 2 7 4 6 11 14 20 24 27 31 34 39 43 46 50 55 60 62 65 72 74 79 84 86 89 96 98 103 106 112 115 119 122 127 130 136 138 144 148 151 155 158 162 168 172 175 177 184 188 192 196 198 202 207 211 216 218

Глазьев Сергей Юрьевич, Ю=49226019, SPIN= 77426 4 7 4 6 9 16 20 24 28 32 33 40 44 47 50 56 59 63 65 72 73 80 84 88 91 96 98 104 105 112 114 120 122 128 131 136 138 144 148 151 156 159 163 168 172 176 177 184 188 190 196 200 202 208 212 216 220

Благовещенский Юрий Николаевич Ю=53282526, SPIN= 85428 2 7 1 6 11 13 17 21 25 29 34 37 44 45 51 53 60 63 68 69 74 77 84 85 90 94 100 101 106 110 116 119 123 125 131 134 139 144 145 150 154 159 164 166 169 174 177 181 185 189 193 198 204 205 210 213 218

Айвазян Сергей Артемьевич, Ю=, SPIN= 104321 2 5 4 7 12 15 20 23 27 31 33 39 42 45 49 54 58 62 66 71 73 79 83 86 90 96 99 104 107 112 115 120 123 127 131 136 138 143 148 150 156 157 162 168 172 175 177 184 188 189 196 200 203 207 212 216 220

Зализняк Андрей Анатольевич ID=38797196, SPIN= 104547 4 5 4 7 9 14 20 24 26 31 34 38 42 46 51 54 58 62 66 71 73 79 84 85 89 96 98 104 107 112 114 118 121 126 129 136 137 142 148 150 154 157 161 168 172 173 177 184 187 189 196 199 203 206 212 216 219

Заславская Татьяна Ивановну ID=, SPIN= 106121 4 6 4 9 14 20 24 27 31 33 40 43 47 51 55 58 61 65 72 73 80 84 85 89 96 97 104 105 112 113 119 122 127 131 136 137 144 148 149 154 157 163 168 172 175 177 184 188 189 196 200 203 207 212 216 219

Ерзнкян БагратАйкович, ID=36028624, SPIN= 140316 2 7 3 6 9 14 18 22 26 31 35 39 43 45 49 55 59 71 75 79 83 87 92 94 99 102 106 111 115 127 130 134 138 143 147 151 155 159 163 167 171 174 177 182 186 192 196 198 202 206 210 214 218

Ершов Эмиль Борисович, Ю=, SPIN= 158324 2 5 1 7 9 13 17 21 25 30 35 38 44 45 51 54 59 61 66 69 75 78 84 85 89 93 99 101 106 109 115 117 122 126 132 133 139 144 145 150 154 159 164 165 169 173 177 182 185 189 193 199 204 205 210 213 218

Алешин Борис Сергеевич ID=44032583, SPIN= 167737 3 7 1 5 9 14 17 21 25 29 33 37 42 53 58 61 67 69 75 77 81 86 92 93 100 101 106 109 115 118 123 125 130 133 139 141 145 152 154 160 161 165 169 175 177 181 185 191 194 197 203 205 209 213 217

КолбачевЕвгений Борисович, Ю=47239218, SPIN= 170668 2 6 3 8 15 19 23 26 31 35 38 42 55 59 61 65 71 75 78 82 87 92 95 99 101 105 111 116 117 121 126 130 135 138 141 147 151 155 159 161 167 170 174 177 183 187 191 194 197 201 206 209 215 217

Каторгин Борис Иванович, Ю=, SPIN= 176150 4 6 2 8 9 15 18 22 27 30 35 38 41 46 50 54 57 62 66 70 76 79 82 86 89 94 98 102 107 109 113 118 123 126 129 134 138 142 146 150 154 159 163 166 170 176 177 182 186 192 193 198 202 207 210 214 219

БахтадзеНаталья Николаевич ID=69454536, SPIN= 176336 2 6 2 5 9 14 17 21 26 31 36 38 41 47 51 54 58 62 66 70 76 78 81 87 92 93 97 102 107 109 113 118 122 126 129 133 137 143 146 152 155 160 161 165 170 175 177 181 185 192 194 198 203 206 209 213 217

Агеев Александр Иванович, Ю=20511637, SPIN= 176630 2 7 4 7 9 16 20 24 28 31 34 40 44 46 49 56 60 63 65 72 74 80 81 88 91 96 98 102 105 112 113 118 121 128 132 136 138 142 148 152 156 160 161 168 172 176 177 184 188 189 196 198 201 208 210 216 217

Боровских Юрий Васильевич, Ю=95983582, SPIN= 179310 2 6 1 6 9 13 17 21 25 30 36 37 41 48 52 53 57 61 65 69 75 77 82 85 89 93 98 103 108 109 115 119 124 125 132 133 140 143 145 149 163 165 169 173 177 181 185 190 193 198 204 205 210 213 218

Воробьев Вадим Вадимович, ID=95132193, SPIN= 182688 2 6 1 5 9 13 17 21 25 29 36 37 43 53 60 61 67 69 76 77 81 85 91 93 98 109 114 117 123 125 131 133 138 141 145 149 153 157 161 165 169 173 177 181 185 192 193 197 201 205 209 213

Губко Михаил Владимирович, Ю=30362248, SPIN= 182795 2 7 3 5 9 15 19 23 26 31 35 38 42 47 51 54 59 63 67 72 75 78 82 87 92 95 99 103 107 111 115 119 123 126 130 135 139 143 147 150 155 159 163 167 171 174 177 183 187 192 196 199 203 206 212 215 220

Коргин Николай Андреевич ID=65088839, SPIN= 183743 2 6 3 5 9 14 18 22 26 31 35 38 42 46 50 54 59 62 67 71 75 78 82 87 92 94 99 102 106 110 115 119 123 126 130 134 138 143 147 152 155 160 162 166 171 174 177 183 186 192 196 198 203 206 210 214 218

КолгановАндрей Иванович, Ю=72319030, SPIN= 186642 2 6 4 15 20 24 27 31 34 40 43 46 49 55 59 62 66 71 74 80 84 88 91 96 98 103 107 112 114 117 121 128 132 135 138 144 148 151 156 159 163 168 172 176 177 184 188 191 195 199 202 207 211 216 218

Бармин Игорь Владимирович, Ю=, SPIN= 212190 3 5 3 16 18 23 27 30 34 38 41 48 52 54 57 62 66 71 76 79 82 87 90 94 98 103 108 110 113 119 123 127 129 134 139 143 146 151 155 160 164 166 171 176 177 183 188 191 194 199 202 207 211 214 218

КовалевСергей Викторович, ID=, SPIN= 221155 1 5 1 13 17 21 25 29 36 37 44 53 57 69 76 77 81 85 89 93 100 109 114 125 132 133 140 141 145 149 161 165 169 173 177 181 185 192 193 205 213

Жириновский Владимир Вольфович, ID=, SPIN= 231635 2 5 1 13 17 21 25 37 43 46 52 53 57 61 66 77 81 85 89 93 98 102 108 109 114 125 130 133 139 141 145 149 153 158 163 165 169 174 177 181 185 191 193 197 203 205 209 213 217

Аганбегян Абел Гезевич, Ю=, SPIN= 249770 4 5 4 16 20 24 28 30 33 40 44 48 51 56 60 62 65 70 73 80 84 88 92 96 98 103 105 112 114 119 122 128 132 136 138 144 148 152 156 160 162 168 172 174 177 184 188 189 196 200 203 208 211 216 219

Клочков Владислав Валерьевич Ю=89233087, SPIN= 250697 2 5 4 5 16 19 24 28 32 36 40 43 45 49 56 59 62 65 72 76 80 82 88 92 95 99 101 105 111 115 117 121 128 130 135 137 143 148 151 156 160 162 167 172 175 177 183 188 192 195 199 201 208 210 215 218

Байдаков Сергей Львович, Ю=48734139, SPIN= 267030 2 5 1 13 17 21 25 29 35 37 43 53 58 69 74 77 82 85 90 93 100 101 105 109 116 125 129 133 139 141 145 150 153 158 161 165 169 173 177 181 185 192 193 197 201 205 209 213

Гусев Валерий Александрович Ю=63128979, 8Р1Ы= 306604 2 6 2 13 18 21 25 29 33 37 41 45 50 53 57 69 73 77 81 85 91 94 97 102 106 110 113 117 121 125 129 133 137 141 146 150 153 157 161 166 170 173 177 181 185 190 196 205 209 214

Дроговоз Павел Анатольевич, Ю=99197281, 8Р1Ы= 314698 2 5 2 14 17 22 26 30 36 38 43 55 60 70 76 77 81 87 92 93 100 101 105 109 116 126 131 133 140 142 145 152 154 160 162 165 169 174 177 182 186 192 194 197 201 206 209 213

Ермоленко Владимир Валентинович Ю=59788347, 8Р1Ы= 319394 2 6 2 15 18 22 26 31 36 38 42 45 49 55 60 71 76 78 83 87 92 94 97 101 105 110 114 117 121 126 130 134 137 143 146 152 156 160 163 166 170 175 177 182 185 192 194 197 201 206 209 214

Зарова Елена Викторовну ГО=32632290, ЭР1М= 325257 2 5 4 15 19 24 27 29 33 38 41 45 49 54 57 71 74 79 84 87 91 94 97 101 105 110 113 126 129 134 137 142 147 150 155 158 162 167 172 176 177 184 186 191 196 198 202 207 209 215 217

Зюганов Геннадий Андреевич Ю=, 8Р1Ы= 328881 2 6 1 13 18 21 25 37 44 45 51 53 57 77 83 85 89 94 98 103 108 110 114 117 121 125 129 134 139 141 146 149 154 158 164 166 169 173 177 181 185 192 193 197 201 205 211 214

Карлик Александр Евсеевич, ГО=32790812, 8Р1Ы= 338572 2 5 3 16 19 23 27 29 33 39 41 46 50 55 58 70 74 79 83 88 92 94 97 101 105 110 113 117 121 127 129 134 137 142 147 152 156 160 162 167 171 175 177 183 187 191 194 197 201 207 209 215 217

Кацко Игорь Александрович Ю=13417390, 8Р1Ы= 340282 2 6 2 5 14 18 22 26 29 34 37 41 45 49 54 59 70 75 78 81 86 91 93 97 101 105 109 113 125 129 133 137 142 145 150 154 158 162 166 170 175 177 182 185 192 194 197 201 206 209 214

Кузьмичев Андрей Дмитриевич, ГО=44889100, 8Р1Ы= 359756 2 5 2 14 17 21 25 29 34 37 43 53 58 69 74 77 81 86 92 93 97 101 106 109 114 125 131 133 137 143 145 150 153 159 161 165 169 173 177 181 185 192 194 197 201 205 209 213 217

Карминский Александр Маркович, ГО=24745600, 8Р1Ы= 490657 2 7 3 7 15 19 23 27 31 34 39 42 46 50 54 58 61 65 70 73 79 82 87 91 95 99 103 107 111 114 118 122 127 130 135 138 142 148 152 156 159 161 168 171 175 177 183 186 190 195 198 201 207 211 215 218

Ларионов Валерий Глебович Ю=71086009, 8Р1Ы= 490809 2 6 1 15 18 23 27 30 34 39 42 48 52 56 59 61 65 71 74 79 83 88 91 94 97 104 108 110 113 117 122 128 132 134 138 144 146 151 155 160 164 166 171 175 177 183 186 191 194 199 202 207 211 214 217

БоголюбовСергей Александрович Ю=23066130, 8Р1Ы= 494962 2 7 4 16 20 24 28 32 34 40 42 45 49 56 59 72 74 80 82 88 91 96 99 102 105 112 116 117 121 128 130 136 139 142 148 152 156 159 162 168 172 176 177 184 188 190 195 199 201 208 211 216 218

ЛабскерЛев Григорьевич, ГО=51993542, 8Р1Ы= 494987 1 6 2 14 18 22 26 30 35 38 43 45 49 53 58 70 74 78 83 86 90 94 98 102 106 110 113 117 122 126 131 134 137 141 146 151 154 158 161 166 170 173 177 182 185 190 195 197 201 206 209 214 217

Аузан Александр Александрович Ю=33931619, 8Р1Ы= 497584 2 6 3 14 19 23 26 29 33 38 44 46 51 54 58 69 73 79 84 86 91 95 100 103 107 111 115 118 122 126 130 135 139 144 147 152 156 159 163 167 171 174 177 183 188 191 195 199 203 206 211 215 220

Версан Виля Георгиевич Ю=, 8Р1Ы= 499816 2 5 2 15 18 22 27 30 34 40 44 55 60 70 74 79 82 87 91 94 99 102 106 110 115 127 132 134 139 141 146 151 155 159 161 166 170 174 177 183 187 191 194 200 203 207 210 214 218

Лапидус Вадим Аркадьевич, ГО=22314004, 8Р1Ы= 499864 2 7 1 13 18 22 26 29 33 38 44 53 57 69 73 78 83 85 90 94 97 102 106 110 113 126 132 134 137 141 146 149 153 157 161 166 170 173 177 183 185 191 193 197 201 206 209 214 217

Делягин Михаил Геннадьевич Ю=33680110, 8Р1Ы= 506020 2 6 4 15 20 23 28 29 33 40 44 45 49 55 57 63 66 69 73 80 84 87 89 96 99 103 106 112 114 118 121 128 130 136 138 142 148 150 156 158 162 168 172 173 177 184 187 192 196 198 201 208 211 216 217

Грачёв Иван Дмитриевич, Ю=88046017, ЭР1М= 507112 2 5 2 14 17 22 26 31 36 39 44 55 60 62 66 70 76 78 82 87 92 94 100 101 105 110 116 117 122 127 132 134 140 143 146 152 155 160 164 165 170 174 177 182 186 191 193 197 201 206 209 213 217

Барвинок Виталий Алексеевич Ю=95721286, 8Р1Ы= 510313 3 5 2 8 16 18 22 28 32 36 40 43 56 60 63 66 72 76 80 82 87 90 95 100 101 105 111 116 119 123 128 131 135 140 141 146 150 154 158 161 166 170 175 177 182 187 190 193 199 202 208 211 214 218

Горелова Галина Викторовну Ю=75051099, 8Р1Ы= 564427 2 6 3 8 15 19 23 27 32 36 38 41 47 51 54 58 72 76 79 83 88 92 95 98 103 107 111 115 118 121 126 129 135 138 141 147 152 156 160 162 167 171 175 177 183 186 192 195 197 201 207 210 215 217

КовалевАнатолий Павлович 10=16079235, ЭР1Ы= 617962 2 7 2 14 18 22 26 30 34 38 43 54 59 61 65 70 74 78 82 86 91 94 98 101 105 110 114 117 121 126 131 134 137 141 146 151 154 158 161 166 170 174 177 182 185 191 194 198 203 206 209 214 217

ЕленеваЮлия Яковлевну Ю=86658156, 8Р1Ы= 618048 2 6 3 15 19 23 27 32 35 39 43 45 49 55 59 61 65 71 75 80 84 88 92 95 98 101 105 111 115 117 121 127 130 135 137 142 147 151 156 160 162 167 171 174 177 183 188 192 195 198 202 207 211 215 219

БадаловаАнна Георгиевну Ю=55130146, 8Р1Ы= 620754 2 6 3 14 18 23 26 32 36 39 43 55 59 61 65 71 76 79 84 87 92 94 98 101 105 110 115 127 131 134 138 141 146 152 155 160 162 166 171 174 177 182 186 192 194 198 202 206 210 214 218

АпександровАнатолий Александрович Ю=24676039, ЭР1М= 652975 2 5 3 16 18 23 27 30 35 39 42 55 59 61 65 71 76 79 82 88 92 94 99 102 107 110 116 117 121 127 130 134 139 142 147 152 156 160 163 166 171 176 177 183 187 192 194 199 202 207 210 214 219

Васильева Ольга Юрьевна, Ю=60278207, 8Р1Ы= 700899 2 5 3 13 18 23 25 29 33 38 43 53 57 62 67 69 73 78 84 85 89 94 98 101 105 110 113 117 121 125 129 134 137 141 146 149 153 157 161 166 171 173 177 183 185 191 195 197 202 205 210 214 218

Васильев Станислав Викторович, Ю=94057309, 8Р1Ы= 708013 2 5 1 13 17 21 25 37 42 45 50 53 58 69 73 77 82 85 92 93 100 101 105 109 113 125 131 133 139 142 145 152 153 160 161 165 169 173 177 181 185 192 193 205 213

Астрахов Алексей Витальевич, Ю=22892916, 8Р1Ы= 711339 1 5 13 17 21 25 37 42 45 51 53 60 69 75 77 81 85 92 93 100 101 107 109 116 117 123 125 131 133 140 141 145 151 153 160 162 165 169 173 177 181 185 192 193 197 201 205 209 213

Иванова Надежда Юрьевна, Ю=50083309, 8Р1Ы= 721486 1 5 2 13 18 22 25 29 33 37 42 53 59 69 74 77 83 85 90 94 98 101 106 110 114 125 130 134 137 143 146 152 154 159 161 166 170 176 177 183 186 192 195 197 201 205 209 214

КатасоновВалентин Юрьевич, Ю=59364964, ЭР1Ы= 744984 2 6 3 14 19 22 25 29 33 37 41 45 50 53 57 69 73 77 81 86 92 95 98 102 106 110 114 117 121 125 129 134 138 141 147 151 155 159 162 167 171 176 177 182 185 191 195 197 201 205 209 215

Васильев Владимир Андреевич Ю=58484683, 8Р1Ы= 760627 2 5 1 14 17 21 26 29 35 38 42 45 49 54 58 62 66 69 75 77 81 88 92 93 97 101 105 109 113 126 130 133 137 141 145 151 154 160 161 165 169 174 177 181 185 192 194 197 201 206 209 213 217

Примечание: Изображения таблицы исходных данных представлены с разрешением 600 dpi и при увеличении изображения хорошо читабельны.

5.3. Синтез и верификация модели

Синтез и верификация модели осуществляется в режиме 3.5 системы «Эйдос» (рис. 4):_

3,5, Выбор моделей для синтеза и верификации

i i в ie-es-i

Задайте стат. модели и модели знаний для синтеза и верификации-Статистические базы:

Ц7 -1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборш

2. PRC1 ■ частный критерий: усл. вероятность i-ro признака среди признаков объектов ¡-го класса [¡7 3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Базы знаний:

К? 4. IIMF1 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1

[7 5 Р 6 Р 7 К? 8 R7 9

INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2

INF3 - частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс. частотами

INF4 - частный критерий: RÜI (Return On Inveslment); вероятности из PRC1

INF5.- частный критерий: ROI (Return On Inveslment); вероятности из PRC2

INF6 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC1

W 10.INF7 - частный критерий: разкусл.и безусл.вероятностей; вероятности из PRC2

Текущая модель

Г ABS Г PRC1 Г PRC2

INF1 Г INF2 Г INF3 Г INF4 Г INF5 Г INFG Г INF7

Параметры копирования обучающей выборки в распознаваемую:

—Какие объекты обуч.выборки копировать:---

(* Копировать всю обучающую выборку С Копировать только текущий объект С Копировать каждый М-й объект С Копировать N случайных объектов С Копировать все объекты от N1 до N2 С Вообще не менять распознаваемую выборку

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Пояснение по алгоритму верификации |

Удалять из обуч.выборки скопированные объекты: (* Не удалять С Удалять

Подробне

Измеряется внутренняя достоверн. модели

Для каждой заданной модели выполнить: (* Синтез и верификацию С Только верификацию

3,5. Синтез и верификация заданных из 10 моделей

: 'gl

-Стадии исполнения процесса

Шаг 1-й из 11: Копирование обучающей выборки в распознаваемую - Готово Шаг 2-й из 11: Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Шаг 3-й из 11: Синтез стат.моделей "PRC1" и "PRC2" (усл.безусл.% распр.) - Готово Шаг 4-й из 11: Синтез моделей знаний: INFI -INF7 - Готово

НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ:-...

Шаг 5-й из 11: Задание модели "INF?" в качестве текущей - Готово Шаг 6-й из 11: Пакетное распознавание в модели "INF7" - Готово

Шаг 7-й из 11: Измерение достоверности модели: "Inf?" - Интегральный критерий: "Сумма знаний" - Готово

КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО:-...

Шаг 8-й из 11: объединение БД DostRsp# в БД DostRasp - Готово

Шаг 9-й из 11: Печать сводной формы по результатам верификации моделей - Готово

Шаг 10-й из 11: Создание формы: "Достоверность идент.классов в различных моделях" - Готово

Шаг 11-й из 11: "Присвоение заданной модели: Infi статуса текущей" - Готово

Синтез и верификация заданных стат.моделей и моделей знаний упешно завершена !!!

-Прогноз времени исполнения-

Начало: 11:08:03

Окончание: 11:08:53

Прошло: 0:00:49

Осталось: 0:00:00

Рисунок 4. Экранные формы режима синтеза и верификации модели системы «Эйдос»

5.3.1. Результаты синтеза моделей

В соответствии с последовательностью преобразования данных в информацию, а ее в знания и решения задач в АСК-анализе и системе «Эй-дос», приведенной на рис. 2, в режиме 3.5 созданы и проверены на достоверность следующие модели, отличающиеся частными критериями:

Частные модели ABS, PRC#, INF#, отличаются друг друга частными критериями знаний [15] (табл. 5).

Таблица 5 - Частные критерии знаний, используемые в настоящее время в АСК-анализе и системе «Эйдос-Х++»

Наименование модели знаний и частный критерий Выражение для частного критерия

через относительные частоты через абсолютные частоты

ABS, частный критерий: абсолютная частота встречаемости i-го признака в j-м классе --- NJ

PRC1, частный критерий: относительная частота встречи i-го признака в j-м классе, где Nj - суммарное количество признаков по j-му классу. --- p - V~ N

PRC2, частный критерий: относительная частота встречи i-го признака в j-м классе, где Nj - суммарное количество объектов по j-му классу. p - N- V~ N

INF1, частный критерий: количество знаний по А. Харкевичу, 1 -й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу. Относительная частота того, что если у объекта j-го класса обнаружен признак, то это i-й признак Ij = Yx Log2 p N,N I и - YxLog2 1 N7N7 ' 1

INF2, частный критерий: количество знаний по А. Харкевичу, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу. Относительная частота того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак. Ij = YxLog2 p N,,N Ii,- -YxLog 1 N,N, i1

INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами — N1N, I - N.. i 1 и и N

INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета относительных частот: Nj - сум. 7 марное количество признаков по j-му классу P P - P I = j 1 = j i j P P N.N I и - 1

INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу P P - P I = j 1 = j i j P P N,,N I и - 1 u NN J

INF6, частный критерий: разность условной и безусловной относительных частот, 1 -й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу I j = Pj - P I - _ N J N, N

INF7, частный критерий: разность условной и безусловной относительных частот, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу Ij = P - P i - NL _ N J N, N

7 Применение предложено Л. О. Макаревич http://ej.kubagro.ru/2016/08/pdf/14.pdf

Обозначения:

¡ - значение прошлого параметра;

у - значение будущего параметра;

Щ - количество встреч у-го значения будущего параметра при ¡-м значении прошлого параметра;

М - суммарное число значений всех прошлых параметров;

Ж - суммарное число значений всех будущих параметров;

N - количество встреч ¡-м значения прошлого параметра по всей выборке;

Щ - количество встреч у-го значения будущего параметра по всей выборке;

N - количество встреч у-го значения будущего параметра при ¡-м значении прошлого параметра по всей выборке;

1у - частный критерий знаний: количество знаний в факте наблюдения ¡-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующееу-му значению будущего параметра;

¥ - 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;

Р1 - безусловная относительная частота встречи ¡-го значения прошлого параметра в обучающей выборке;

Ру - условная относительная частота встречи ¡-го значения прошлого параметра при у-м значении будущего параметра.

Все эти способы метризации с применением 7 частных критериев знаний (табл. 5) реализованы в системно-когнитивном анализе и интеллектуальной системе «Эйдос» и обеспечивают сопоставление градациям всех видов шкал числовых значений, имеющих смысл количества информации в градации о принадлежности объекта к классу. Поэтому является корректным применение интегральных критериев, включающих операции умножения и суммирования, для обработки числовых значений, соответствующих градациям шкал. Это позволяет единообразно и сопоставимо обрабатывать эмпирические данные, полученные с помощью любых типов шкал, применяя при этом все математические операции.

На рис. 5 приведены фрагменты созданных моделей ЛБ8, РЯС2,

ШБ1:

<•) 5.5. Модель: "1. ABS

й: "Класс-признак" у объектов обуч.выборк^

lejmfUtj

Кед признака шкалы и градации 1'. СТЕПЕНЬ ЗВАНИЕ 1/41 КАНД. НА... 2: I 3? I 4? СТЕПЕНЬ СТЕПЕНЬ СТЕПЕНЬ ЗВАНИЕ ЗВАНИЕ ЗВАНИЕ 2/42 3/4 3 4/4:4 ДОО.НА... ЧЛ.КОРР. АКАД.РАН ш НАУЧНЫЕ достиж.. 1/31 НИЗКИЕ 6: НАУЧНЫЕ ДОСТИЖ... 2/3 2 СРЕДНИЕ 7. НАУЧНЫЕ ДОСТИЖ.. 3/3 3 ВЫСОКИЕ

2 CITED-1 /441.0000000,46.0000000} 4 8 11 1 24

□ ТЕ D-2/4-{46.0000000.103.0000000} 1 7 1 1 7 1 2 20

3 □ ТЕ D-3/4-{103.0000000.292.0000000} 2 7 2 2 б 3 22

4 □ ТЕ D-4/4-{292.0000000,9704.0000000} S 1 3 5 7 24

5 PU В LI САТ10 N S -1 /4-{13.0000000,48.0000000} 2 б б 2 16

G PUBLICATIONS -2/4-{48.0000000.82.0000000} 6 1 1 4 1 3 16

7 PUBLICATIONS -3/4-Й2.0000000,170.0000000} б 1 1 4 3 16

8 PUBLICATIONS -4/4-1170.0000000.320.0000000} 2 1 4 2 6 16

Э G R AN T S -1 /4-{1.0000000,2.0000000} б 2 3 3 3 18

10 GRANTS-2/4-{2.0000000,6.0000000} 6 4 2 1 14

11 G R AN Т S -3/4-{6.0000000.10.0000000} 3 1 1 2 1 3 12

12 G R AN Т S -4/4-{10.0000000,51.0000000} 3 1 3 2 2 4 16

13 NUMOFITEMS-1/4-{5.0000000,24.0000000} 4 7 11 22

14 N ü М 0 Fl T Е М S -2/4-124.0000000,43.0000000} 3 S 5 5 1 22

15 N U МО Fl Т Е М S -3/4-{43.0000000.64.0000000} 1 9 1 1 4 5 3 24

16 N UM 0 Fl Т Е М S -4/4-{64.0000000.265.0000000} б 1 5 1 3 8 24

17 СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ АВТОРА-1/4... 4 7 11 22

er

Рисунок 5. Экранные формы просмотра моделей: ABS, PRC2, INFI (фрагменты)

5.3.2. Результаты верификации моделей

Различные результаты верификации (оценки достоверности) моделей приведены на рис. 5 - 9:

Рисунок 5. Экранная форма режима оценки достоверности моделей при разных интегральных критериях (сокращенный вариант)

Сами модели отличаются друг от друга частными критериями, а результаты классификации в них - интегральными критериями.

Рисунок 6. Экранная форма режима оценки достоверности моделей при разных интегральных критериях (полный вариант)

Рисунок 7. Экранная форма режима оценки достоверности

идентификации объектов с разными классами в различных моделях и при разных интегральных критериях

Из этой формы видно, что в любой из моделей одни классы идентифицируются лучше, а другие хуже.

Рисунок 8. Экранная форма режима оценки достоверности

идентификации объектов с разными классами в различных моделях и при разных интегральных критериях

Из этой формы видно, что одни объекты идентифицируются с классами лучше, а другие хуже.

Рисунок 9. Экранная форма режима оценки достоверности идентификации классов в различных моделях и при разных интегральных критериях

Из этой формы видно, что одни классы идентифицируются лучше в одной модели, а другие в другой.

При оценке достоверности моделей используется Б-критерий Ван Ризбергена , сходный критерий, предложенный проф. Е.В. Луценко в 1994 году, а также эффективность классификации в модели по сравнению со случайным угадыванием._

f*) Помощь по режимам: 4.1.3.6,4,1.3.7,4,1.3.8, 4.1.3.10: Виды прогнозов и меры достоверности моделей в системе "Эйдос-х+ +

Помощь по режимам; 4.1.3.6, 4.1.3.7, 4.1.3.8, 4.1.3.10: Виды прогнозов и меры достоверности моделей в системе "эйдос-х++". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.

Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. В этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.

отрицательный псевдопрогноз.

Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3,4, 5 и 6, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет, но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются е том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.

ИДЕАЛЬНЫЙ ПРОГНОЗ.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и б, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.

реальный прогноз.

На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой, например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации, соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.Теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи, тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.

таким образом, если просуммировать число верно идентифицированных и не идентифицированных объектов и вычесть число ошибочно идентифицированных и не идентифицированных объектов, а затем разделить на число всех объектов то это и будет критерий качества модели (классификатора), учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность Еерно не относить объекты к тем классам, к которым они не относятся, этот критерий предложен и реализован в системе "Эйдос" проф. Е.В.Луценко в 1994 году и мы будем называть его L-мерой качества модели (классификатора).

L-мера предполагает два варианта нормировки: {-1, +1} и {0, 1}:

l1 = с tp + tn - fp - fn ) / ( tp + tn + fp + fn ) L2 = ( 1 + С tp + tn - fp - fn ) / ( tp + tn + fp + fn ) ) /

где:

tp - истино-положительное решение; tn - истино-отрицательное решение; fp - ложно-положительное решение; fn - ложно-отрицательное решение;

L-мера сходна по смыслу с известной F-мерой Ван Ризбергена и дает сходные оценки качества моделей:

f-mera = 2*(precision*Recan)/(precisiort+Recan) Precision = TP/(TP+FP) - точность положительного прогноза; Recall = tp/(tp+fn) - полнота

(нормировка: {-1,+1}) (нормировка: { 0, 1})

Рисунок 10. Экранная форма режима помощи по оценке достоверности

' См., например: http://bazhenov.me/blog/2012/07/21/classification-performance-evaluation.html

По результатам оценки достоверности созданных моделей можно сделать вывод о том, что по Б-критерию Ван Ризбергена их достоверность достаточно высока, а значит оценки и решения на их основе будут хорошо совпадать с оценками экспертов (в области репрезентативности моделей).

5.4. Решение наукометрических задач с помощью модели

Рассмотрим решение задач классификации, поддержки принятия решений и исследования предметной области путем исследования ее модели.

Мы видим, что по Б-критерию достоверности моделей Ван Ризберге-на достоверность созданных моделей достаточно высока, чтобы решение этих задач на основе моделей можно было бы считать корректным.

5.4.1. Задачи оценки результатов научной деятельности

В соответствии с математической моделью АСК-анализа, реализованной в системе «Эйдос», объект распознаваемой выборки считается относящимся к тому классу, о принадлежности к которому в его системе признаков содержится максимальное количество информации. Таким образом в системе «Эйдос» используется аддитивный интегральный критерий.

Интегральный критерий «Сумма знаний» представляет собой суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний [13] и имеет вид:

1} = (, Ц).

В этом выражении круглыми скобками обозначено скалярное произведение. В координатной форме указанное выражение имеет вид:

м

Ь = I АЛ,

I=1

где: М - количество градаций описательных шкал (значений факто-

ров);

!ч = {!ц} ■ -1 -1 - вектор состояния ^го класса;

Ь

1 = ( - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

1, если I - й фактор действует;

п, где : п > 0, если I - й фактор действует с истинностью п;

0, если I - й фактор не действует.

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или п, если он присутствует у объекта с интенсивностью п, т.е. представлен п раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

Интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний [21] и имеет вид:

где:

М - количество градаций описательных шкал (признаков);

Ь

- средняя информативность по вектору класса;

- среднее по вектору объекта;

- среднеквадратичное отклонение частных критериев знаний, рассчитанное по вектору класса;

1 - среднеквадратичное отклонение по вектору распознаваемого объекта.

= (■ --1 -1 - вектор состояния --го класса;

—

Ц = (Ш - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

Приведенное выражение для интегрального критерия «Семантический резонанс знаний» получается непосредственно из выражения для

критерия «Сумма знаний» после замены координат перемножаемых векторов их стандартизированными значениями:

Ь -Ь

г IJ - JJ

I« --

L ®

sj

s

Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния _]-го класса и состояния распознаваемого объекта.

Таким образом, в АСК-анализе и системе «Эйдос» используется одно общее математическое выражение для частных критериев, как способствующих, так и препятствующих переходу объекта моделирования в некоторое состояние, а также вообще не влияющих на это, и аддитивный интегральный критерий, что обеспечивает сопоставимость измерений и результатов системной идентификации.

На рис. 11 и 12 приведены экранные формы с результатами классификации некоторых авторов на основе их общих наукометрических показателей РИНЦ с использованием наиболее достоверных из созданных моделей:

( | 4.1.3.1. Визуализация результатов распознавания в отношении: "Объект-классы', Текущая модель: "INFI" I а | й

1- Ii

Распознаваемые объекты 1 Интегральный критерий сходства: "Семантический резонанс знаний"

II & Наим. объекта Л | Код I Наименование класса Сходство к... Сходство

i

1 : Журавлев Юрий Иванович, 1... 3 CT Е П Е Н Ь-ЗВАН И Е -ЗМ-З-Ч л корр.. 88,63... v

Z Клейнер Георгий Борисович... щ НАУ Ч Н Ы Е :ДРСТМЖ НИ Я-З/З-З-В ЫСокие 77,50... v

а Жижченко Алексей Борисо... ;4 CT Е П ЕЯ Б-ЗВАН ИЕ -4/4 -4-Акад. РАН 70;70.:

4 Б оровков Александр Алекс .. 6 НАУ..Ч Н Ы Е. Д0СШЖЕ Н И.Я -2 Л-ЗЁредние. .-11,в:

5 Калянов Георгий Николаев... 1 CT Е П Е Н Ь-ЗВАН И Е-1/4-1-Канд. чаак -42,02..

6 И брагимов И льдар Абдулло... 5 НАУЧНЫЕ ДОСТИЖЕНИЯМ /З-1-Низкие' -48,12..

1 Зак Федор Лазаревич, 10=9... — 2 CT Е П Е Н Ь-ЗВАН И Е-2/4-2-Докт. наук -5Э,8'8\:

8 Гордин Владимир Александ...

Э Гринченко Сергей Николаев...

10 Аркин Вадим Иосифович, Ю... й_Г ■ш

11 Кашин Борис Сергеевич, 10... Интегральный критерий сходства: '!£умма знаний"

12 Дорофеюк Александр Алек... ! к™ Наименование класса Сходство h, Сходство —

13 Кабатянский Григорий Анат... ЕЛ ЕП Е НЬ'-ЗВАН И Е>3 Д-3:Ч л корр.. эевз... v

14 Борисов Игорь Семенович, 1... ■4 СТ Е П Е Н Ь-ЭВАН И Е-4/4-4-Акад. РАН 68,85..

15 БулинскийАлександр Вади... 7 НАУЧНЫЕ ДОСТИЖЕНИЯ-ай-З-Высокие 63,72 V

16 Козлов Вадим Никитович, 1... 6 НАУЧНЫЕ ДОСТИЖЕНИ.Я-й'КЕредние -14.Ü7.:

17 Б ернштейн Александр В лад... 1 СТ Е П Е Н Ь-ЗВАН И Е -1У4-1 -Канд. наук -22,13..

18 Ивченко Григорий Иванович... 2 СТ Е П Е Н Ь-ЗВАН И Е -гМ-г-Докт. наук -31,36..

18 Белкина Татьяна Андреевн... 5 НАУЧНЫЕ ДОСТИЖЕНИЯ-!/З-Ч -Низкие -5эМ:

20 Анфимов Николай Аполлон...

21 Багриновский Кирилл Андр... ▼

1 '1 - Ш^Г

III-II

Рисунок 11. Экранная форма с результатами классификации автора:

«Чл.-кор. РАН Клейнер Г.Б.»

■ ■ 1 i-jB И

ff) 4.1.3.1, Визуализация результатов распознавания в отношении: "Объект-классып. Текущая модель: "INFI"

Распознаваемые объекты

Код Наим. объекта А

20 Анфимов Николай Аполлон...

21 Багриновский Кирилл Анар...

22 Качалов Роман Михайлович,...

23 Грановский Юрий Васильев...

24 Волкова Виолетта Николае...

25 Береза Татьяна Никифоров...

26 Глазьев Сергей Юрьевич, Ю...

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

27 Ерзнкян Баграт Дйкович, Ю...

28 Ершов Эмиль Борисович, Ю...

29 Колбачев Евгений Борисови...

30 Каторгин Борис Иванович, I...

31 Коргин Николай Андреевич,...

32 Ковалев Сергей Викторович...

33 Жириновский Владимир Во...

34 Байдаков Сергей Львович, I...

35 Дроговоз Павел Анатольев...

3G Ермоленко Владимир Вален...

37 Кузьмичев Андрей Дмитрие...

38 Карминский Александр Мар...

38 Лабскер Лев Григорьевич, I...

40 Грачёв Иван Дмитриевич, I... -

iL

Интегральный критерий сходства: "Семантический резонанс знаний"

Код I Наименование класса Сходство к... Сходство

НОЧНЫЕ Д0СТ11ЖЕНИЯ-ЖГ-^Сред(Ние; 33,73... V lllllllllllllllllllllllilllilllilllllll

г СТ Е П Е Н Ь-ЗВАН И Е -2/4-2-Докт. наук 17.22...

1 СТ Е П ЕЯ Б-ЗВАН ИЕЛ /А -1 -Копа, ноак 14,61... V

5 НАУ..Ч Н Ы Е. Д0СШЖЕ Н И Я -1Л-1 -Низкие 45,80 .

3 СТ Е П Е Н Ь-ЗВАН И Е -ЗМ-З-Ч л корр.. -16,29...

4 СТ Е П Е Н Ь-ЗВАН И Е-4У4-4-АК=Е. РАН -27,65...

7. НАУЧНЫЕ ДОСТЙЖЕНИЯ-З/З-Йысокие нЩ)3.. llllllllllllllllllllllllllllllllll

г

Интегральный критерий сходства: '.Еумма-энаший"

Щ Наименование класса Сходстве Сходство А

3 ЕЛ ЕП Е НЬ'-ЗВАН И Е:-Э Д-ЗЧ л корр.. 26.27..

§ НАУЧНЫЕ ДС1СТИЖЕНИЯ-2/,3-2-Срщние 25,45... V

1 СТ Е П ЕИ ЫВАН ИЕЛ т -Каня .наук 14.42.. V

2 СТЕПЕНЬ-ЗВАНИЕ -2/4-2-Докт. наук 3,465..

4 СТ Е П Е Н Ь-ЗВАН И Е-4У4-4-Акаа. РАН -3,610... III

7 НАУЧНЫЕ ДОСТИЖЕНИЯ-З/З-З-Выйжие -25,89.. |||||||||||||||||||||||||

5 НАУЧНЫЕ ДОСТИЖЕНИЯ-!/ЗЛ-Низки»

2

Рисунок 12. Экранная форма с результатами классификации автора:

«Канд. наук Лабскер Л.Г.»

В результатах классификации Чл.-кор. РАН Г.Б. Клейнера отметим его очень высокий уровень сходства по значениям наукометрических показателям с академиками РАН («без 5 минут академик»).

В результатах классификации канд.наук Л.Г. Лабскера отметим, что по значениям его наукометрических показателей он имеет более высокий уровень сходства с докторами наук, чем с кандидатами («не защитившийся доктор»).

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

Задача поддержки принятия решений является обратной по отношению к задаче прогнозирования (классификации): при прогнозировании по значениям факторов определяется будущее состояние, а при принятии решений, наоборот, по целевому будущему состоянию определяется, какие значения факторов его обуславливают.

В системе «Эйдос» есть возможность вывести значения наукометрических показателей, наиболее характерных для любого заданного результата научной деятельности. Например, на рис. 13 приведен информационный портрет результата «Научные достижения - высокие»:

4.2.1, Информационные портреты классов I = I m ¡. П

| Инф.портрет класса: 7 "НАУЧНЫЕ ДОСТИЖЕНИЯ-З/З-З-Высокие" в модели: 4 "INFI"

1 т Наименование класса — 1 Наименование признака I Значимость i—

1 CT Е П Е Н Ь-ЗВАН И Е-1 да-Кана, наук 28 ■Ч'ИСПО ПУБЛИКАЦИЙ АВТОРА В FHHU-;4/4-g8.0000000, 369.0000000} 0.334

г СТЕПЕНЬ-ЗВАНИЕ-2/4-2-Докт.наук Е! PUGLI»T!0NG-4/4-{170.0000000, 320.0000000}: 0.334

а CT Е П Е Н Ь-ЗВАН И Е -3/4ЧН л. корр. 32 Ч1ОТ 0 ЕАМ ОЦ И Т И PO ВАН И Й -4/4-{109.0000000, 507.0000000} 0.323

4 CT Е П Е Н Ь-ЗВАН И Е -4/4-4-Акаа. РАН IG А М 0 Fl Т ЕМ6/4-{64.0000000, 265.000000Ш 0.294

1 5 НАУЧНЫЕ ДО CT ИЖЕН И Я -Т/31 -Низкие 20 СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ AB ТО РА-4/4-{754 0000000,12391.0000.. 0.254

в НАУЧНЫЕ ДОСТИЖЕНИЯ^З-2-Средние 24 ИНДЕКС ХИРША-4/4-{8 0000000, 45 0000000} 0.279

7 НАУЧНЫЕ ДОСТИЖЕНИЯ 1Щ-3-Выс.окне 4 CI1ED-4/4-{292 0000000; 9704.0000000} 0.250

11 G PAN TG-324-ffi. 0000000,10 0000000} 0.199

12 GRANT G.-4/4-{10.0000000. 51.0000000} 0.199

23 ИНДЕКС ХИРША-3/4-{6 0000000. В 0000000} 0,160

G PUBÜttTIONS-2/4:{4S' OÖOH0Ö'o; ЙЙШЙШ 0.104

7 PU6UCATION9-3/4-{S2.0000000,170.0000000} 0.104

9 G RAN Т 9.-1 ¿4.-0 0000000, 2.0000000} 0. 065

19 СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ ABТОРА-3/4-003 0000000, 754 000000... 0, 065

3 СП Е D Щ|§ 03 0000000, .292.0000000} —0.002

91 ■Ч WCil 0. САМ ОЦ И Т И РО ВАН ЙЙ-3/4-{58.0000000,109.0000000) -0.002

15 .NÜM 0 Fl Т Е М 9 -3/4443.0000000, 64:0000000} -0.031

27 ЧИСЛО ПУБЛИКАЦИЙ ABTOFA В РИНЦ-ЗИ-Ш0000000, 78 0000000} -0.031

2 СП EDШ-iAB.0000000,10'З.ООООООО} -0.105

10 G RAN Т S-i/4:i2.0000000, 6.0000000} -0.216

3Q число сАмрцитировАний-2/4-!24.ооооооо;58;аооошо}. -0.300

— 14 N U МО Fl Г Е М 6 -2Ж24 0000000, 43.0000000} -0.366

Ч 22 ИНДЕКСХИРША-2/4;}4 0000000. 6.0000000}.': -0.421( ,

- * Г п

1

1 Помощь Abs | Pid | Pic2 Infi Inf2 j Ш | Inf4 | Infi InfG Inf7 MG Excel ВКП.Фильтр по Фактору В ЫКЛ. Фильтр по Фактору Вписать в окно! Показать ВСЕ

- - J

Рисунок 13. Информационный портрет результата: «Научные достижения - высокие»

Конечно, это звучит несколько цинично, но в соответствии с созданными моделями получается, что для того, чтобы эксперты оценили результаты научной деятельности автора как высокие, ему нужно иметь следующие наукометрические показатели (приведены в порядке убывания силы влияния на этот результат оценки):

- очень большое количество публикаций в РИНЦ;

- очень большое число самоцитирований;

- очень большое суммарное число цитирований;

- очень большое или большое значение индекса Хирша.

К самоцитированию следует относиться положительно.

Странным является отрицательное отношение к самоцитированию отдельных авторов, публикующихся по вопросам оценки эффективности научной деятельности. Анализ предшественников может быть нужен в начале цикла исследований, когда нет собственных публикаций и, как следствие, самоцитирование невозможно. После получения новых самостоятельных результатов исследователь (или исследовательский коллектив) опережает других, и его новые работы опираются на ранее созданную им самим базу, а не на работы со стороны. Другими словами, для дальнейших статей «посторонних предшественников» попросту нет. А вот ссылок на собственные предыдущие работы объективно становится много.

Необходимо указать связи новых результатов с ранее полученными тем же автором (исследовательским коллективом). Чем больше сделано, тем больше связей надо указать, следовательно, тем больше ссылок на собственные работы.

Таким образом, самоцитирование - это хорошо. Это значит, что ученый строит свою область. А отсутствие самоцитирования означает, что для автора эта статья - первая по новой для него тематике. Либо он - начинающий, либо "срывает яблоки из чужих садов". Типовая ситуация - научный деятель берет чужую работу и изучает, конспектирует или пересказывает ее своими словами - получается собственное произведение.

В качестве примера можно рассмотреть статью [38] по выбору средних в соответствии со шкалами измерения. В ней систематизированы публикации, порожденные работами 70-х годов одного из авторов настоящей статьи. Но из обзора [38] было неясно, в каких работах получены основополагающие результаты, а какие публикации являются всего лишь комментариями. Пришлось опубликовать отдельную статью на эту тему [39].

Второй пример - статья [40]. Ее авторы взяли работу [51] одного из авторов настоящей статьи, заменили условие дифференцируемости на условие непрерывности - и получили новый научный результат. Поясним сложившуюся традицию в простых и понятных терминах: один человек построил дом, другой покрасил дверь в нем. И теперь надо ссылаться на второго из них (как на получившего более продвинутые результаты), в лучшем случае добавляя "который развил (или улучшил) первоначальные соображения первого".

Критика научного журнала за самоцитирование выглядит особенно нелепо, поскольку противоречит естественному процессу научных исследований. Вполне естественно, что авторы, работающие по одной и той же тематике, имеют тенденцию публиковаться в одном и том же журнале и ссылаться друг на друга.

5.4.3. Задача исследования моделируемой предметной области путем исследования ее модели

Рассмотрим некоторые возможности исследования моделируемой предметной области путем исследования ее модели, предоставляемые системой «Эйдос». Результаты, полученные путем исследования модели, вполне корректно считать результатами исследования самой моделируемой предметной области, так как модель достоверна, т.е. хорошо и правильно отражает моделируемую предметную область.

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

Каждое значение наукометрического показателя имеет некоторую ценность для решения задачи классификации авторов по обобщающим категориям (классам). В системе «Эйдос» в качестве количественной меры ценности значения показателя используется его вариабельность в наиболее достоверной базе знаний. В качестве меры вариабельности используется среднеквадратичное отклонение (но с тем же успехом могли бы быть использованы и другие меры, например среднее отклонение модуля отклонения от среднего).

На рис. 14 приведена накопительная кривая ценности всех значений всех показателей, ранжированных в порядке убывания ценности в модели INF1:

С) 3.7.5, Значимость градаций описател пых шкал (признаков) ■ IhIJBII SS-i

ПАРЕТТО-КРИВАЯ ЗНАЧИМОСТИ ГРАДАЦИИ ОПИСАТЕЛЬНЫХ ШКАЛ (ПРИЗНАКОВ) В МОДЕЛИ: "INFI"

0.4 20.4 30.3 40.3 S0.2 60.2 70.1 80.1 90.0 1

Градации описательных шкал (признаки] в поряаке убывания значимости (в % от их количества)

> градации описательной шкалы (ее числового интервального или номинального текстового значения), т.е. признака, представляет ее полезность для решения задачи разделения объектов с этим признаком по классам. Количественной мерой значимости признака в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ ЗНАЧЕНИЙ частных критериев, основанных на этом признаке, по классам в статистических моделях: Abs. Ргс1. Ргс2 и в моделях знаний: Infi. Inf2, Inf3, Inf4. Inf5. Inf6, Inf7. Иначе говоря некоторый признак является тем более значимым, чем больше он в среднем содержит информации о принадлежности обладающего им объекта к одним классам и не принадлежности кдругим. Путь на отображаемый ф айп: C:\AIDOS-X\AID_DATA\A0000003\SYSTEMWParetoGrOpSc\ParetoGrOpSc-INFlbmp

Рисунок 14. Накопительная кривая ценности всех значений всех показателей, ранжированных в порядке убывания ценности в модели INF1

Из рис. 14 видно, что 50% значений наукометрических показателей обеспечивает более 70% суммарной ценности, а 50% ценности обеспечивается 30% наиболее ценных значений показателей.

Ценность показателя считается в системе «Эйдос» как среднее ценностей его градаций.

В табл. 6 приведен список всех использованных в созданных моделях наукометрических показателей, ранжированный в порядке убывания ценности:

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Таблица 6 - Общие наукометрические показатели РИНЦ в порядке убывания их ценности для классификации

(исходная модель INFI)

№ Код Наименование шкалы Значимость шкалы

Бит Бит нар.ит. % % нар.ит

1 28 ЧИСЛО ЦИТИРОВАНИИ ИЗ РОССИИСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК 0,192 0,192 2,664 2,664

2 14 ЧИСЛО ПУБЛИКАЦИИ В РОССИИСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК 0,184 0,376 2,561 5,225

3 52 NUMOFLIBRARYITEMS 0,180 0,556 2,494 7,719

4 34 ЧИСЛО ЦИТИРОВАНИИ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ 0,179 0,735 2,488 10,207

5 7 ЧИСЛО ПУБЛИКАЦИИ АВТОРА В РИНЦ 0,176 0,911 2,440 12,647

6 48 ГОД ПЕРВОИ ПУБЛИКАЦИИ 0,175 1,086 2,434 15,081

7 24 ЧИСЛО ЦИТИРОВАНИИ ИЗ РОССИИСКИХ ЖУРНАЛОВ 0,175 1,261 2,429 17,510

8 10 ЧИСЛО ПУБЛИКАЦИИ В РОССИИСКИХ ЖУРНАЛАХ 0,171 1,432 2,378 19,888

9 55 ИНДЕКС ХИРША ПО ЯДРУ РИНЦ 0,168 1,600 2,335 22,223

10 18 ЧИСЛО ЦИТИРОВАНИИ СОАВТОРАМИ 0,167 1,767 2,320 24,543

11 20 ЧИСЛО ПУБЛИКАЦИИ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ 0,164 1,931 2,277 26,820

12 8 ЧИСЛО САМОЦИТИРОВАНИИ 0,160 2,091 2,218 29,038

13 44 ЧИСЛО СОАВТОРОВ 0,159 2,250 2,207 31,245

14 42 ЧИСЛО ПУБЛИКАЦИИ, ПРОЦИТИРОВАВШИХ РАБОТЫ АВТОРА 0,157 2,407 2,184 33,429

15 4 NUMOFITEMS 0,153 2,560 2,119 35,548

16 49 ЧИСЛО ССЫЛОК НА САМУЮ ЦИТИРУЕМУЮ ПУБЛИКАЦИЮ 0,149 2,709 2,065 37,613

17 32 ЧИСЛО ПУБЛИКАЦИИ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ 0,147 2,855 2,035 39,648

18 53 ЧИСЛО ЦИТИРОВАНИИ ПУБЛИКАЦИИ, ВХОДЯЩИХ В ЯДРО РИНЦ 0,146 3,001 2,031 41,678

19 5 СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИИ АВТОРА 0,144 3,146 2,004 43,682

20 54 LIBRARYCITED 0,144 3,290 2,004 45,685

21 23 ЧИСЛО ПУБЛИКАЦИИ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%) 0,141 3,431 1,956 47,641

22 31 ЧИСЛО ЦИТИРОВАНИИ ИЗ РОССИИСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ (%) 0,139 3,570 1,926 49,567

23 12 ЧИСЛО ПУБЛИКАЦИИ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ 0,138 3,707 1,912 51,479

24 3 GRANTS 0,136 3,843 1,884 53,363

25 50 ЧИСЛО ПУБЛИКАЦИИ, ВХОДЯЩИХ В ЯДРО РИНЦ 0,134 3,977 1,867 55,231

26 35 ЧИСЛО ЦИТИРОВАНИИ ИЗ ЖУРНАЛОВ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%) 0,134 4,112 1,866 57,097

27 37 ЧИСЛО ЦИТИРОВАНИИ ПУБЛИКАЦИИ АВТОРА ИЗ ВСЕХ ПУБЛИКАЦИИ ЗА ПОСЛЕДНИЕ 5 ЛЕТ 0,134 4,245 1,854 58,951

28 27 ЧИСЛО ЦИТИРОВАНИИ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ (%) 0,131 4,377 1,822 60,773

29 47 ИНДЕКС ХИРША С УЧЕТОМ ТОЛЬКО СТАТЕИ В ЖУРНАЛАХ 0,129 4,505 1,785 62,558

30 6 ИНДЕКС ХИРША 0,126 4,631 1,749 64,308

31 41 СРЕДНЕВЗВЕШЕННЫМ ИМПАКТ-ФАКТОР ЖУРНАЛОВ, В КОТОРЫХ БЫЛИ ПРОЦИТИРОВАНЫ СТАТЬИ 0,125 4,757 1,742 66,050

32 17 ЧИСЛО ПУБЛИКАЦИИ В РОССИИСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ (%) 0,124 4,881 1,728 67,778

33 46 ИНДЕКС ХИРША БЕЗ УЧЕТА САМОЦИТИРОВАНИИ 0,124 5,005 1,715 69,494

34 22 ЧИСЛО ПУБЛИКАЦИИ ЗА ПОСЛЕДНИЕ 5 ЛЕТ 0,121 5,126 1,680 71,174

35 16 ЧИСЛО ПУБЛИКАЦИИ В РОССИИСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ 0,121 5,246 1,675 72,849

36 9 ЧИСЛО САМОЦИТИРОВАНИИ (%) 0,120 5,366 1,671 74,520

37 13 ЧИСЛО ПУБЛИКАЦИИ В ЗАРУБЕЖНЫХ ЖУРНАЛАХ (%) 0,120 5,486 1,664 76,184

38 33 ЧИСЛО ПУБЛИКАЦИИ В ЖУРНАЛАХ С НЕНУЛЕВЫМ ИМПАКТ-ФАКТОРОМ (%) 0,118 5,604 1,639 77,823

39 30 ЧИСЛО ЦИТИРОВАНИИ ИЗ РОССИИСКИХ ПЕРЕВОДНЫХ ЖУРНАЛОВ 0,115 5,719 1,592 79,415

40 2 PUBLICATIONS 0,114 5,833 1,586 81,001

41 26 ЧИСЛО ЦИТИРОВАНИИ ИЗ ЗАРУБЕЖНЫХ ЖУРНАЛОВ 0,113 5,946 1,570 82,571

42 43 ЧИСЛО ЦИТИРОВАНИИ ПУБЛИКАЦИИ АВТОРА В РИНЦ 0,113 6,059 1,564 84,136

43 25 ЧИСЛО ЦИТИРОВАНИИ ИЗ РОССИИСКИХ ЖУРНАЛОВ (%) 0,108 6,167 1,506 85,641

44 1 CITED 0,105 6,272 1,457 87,098

45 11 ЧИСЛО ПУБЛИКАЦИИ В РОССИИСКИХ ЖУРНАЛАХ (%) 0,104 6,376 1,441 88,539

46 19 ЧИСЛО ЦИТИРОВАНИИ СОАВТОРАМИ (%) 0,104 6,480 1,440 89,980

47 36 СРЕДНЕВЗВЕШЕННЫМ ИМПАКТ-ФАКТОР ЖУРНАЛОВ, В КОТОРЫХ БЫЛИ ОПУБЛИКОВАНЫ СТАТЬИ 0,104 6,583 1,440 91,420

48 29 ЧИСЛО ЦИТИРОВАНИИ ИЗ РОССИИСКИХ ЖУРНАЛОВ ИЗ ПЕРЕЧНЯ ВАК (%) 0,102 6,685 1,411 92,830

49 21 ЧИСЛО ПУБЛИКАЦИИ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ (%) 0,097 6,782 1,344 94,174

50 51 ЧИСЛО ПУБЛИКАЦИИ, ВХОДЯЩИХ В ЯДРО РИНЦ (%) 0,087 6,869 1,204 95,378

51 40 ЧИСЛО ЦИТИРОВАНИИ РАБОТ АВТОРА, ОПУБЛИКОВАННЫХ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%) 0,085 6,953 1,179 96,557

52 15 ЧИСЛО ПУБЛИКАЦИИ В РОССИИСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК (%) 0,083 7,037 1,154 97,711

53 38 ЧИСЛО ЦИТИРОВАНИИ ПУБЛИКАЦИИ АВТОРА ИЗ ВСЕХ ПУБЛИКАЦИИ ЗА ПОСЛЕДНИЕ 5 ЛЕТ (%) 0,081 7,117 1,124 98,835

54 39 ЧИСЛО ЦИТИРОВАНИИ РАБОТ АВТОРА, ОПУБЛИКОВАННЫХ ЗА ПОСЛЕДНИЕ 5 ЛЕТ 0,081 7,198 1,119 99,954

55 45 INDICATORYEAR 0,003 7,201 0,046 100,000

Отметим, что в разных моделях, и даже в одной модели при изменении параметров ее синтеза, приведенные характеристики значимости наукометрических критериев и их рейтинг изменяются.

Из табл. 6 можно сделать научно-обоснованный вывод о том, что индекс Хирша не всегда является наиболее значимым наукометрическим показателем и его роль в современных наукометрических методиках может быть несколько преувеличена. Об этом авторы из общетеоретических соображений писали ранее в своих работах [3, 4, 7, 9, 11, 55].

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

В соответствии с пониманием соотношения содержания понятий: «данные, информация, знания», представленным на рис. 1 и 2, знания - это информация, полезная для достижения целей, т.е. используемая для управления (т.к. управление - это деятельность по достижению цели).

Поэтому если мы используем созданные модели для достижения целей, то они становятся моделями знаний (когнитивными моделями). Таким образом, если мы выберем целевое состояние и на основе созданных моделей оценим влияние различных значений факторов по степени их влияния на способствование и достижение и препятствование достижению этого целевого состояния, то это будет использование данных моделей как моделей знаний. По сути это и делается в количественном автоматизированном SWOT- и PEST-аналнзе средствами системы «Эйдос» [31] (рнс. 15, 16):

Рисунок 15. Табличная выходная форма количественного автоматизированного SWOT- и PEST-анализа средствами системы «Эйдос»

£ 4.4.8. Количественный SWOT-анализ классов средствами АСК-анализа. (С) Универсальная когнитивная аналитическая система "ЭЙДОС-Х»»"

SWOT-Д И АГРАМ М А При ложе* СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: КЛАССА: <ие: "Науко "[1] СТЕПЕНЬ-ЗВАНИЕ-1/4-1-КУ метрическая интеллектуальная изме Шкала: [1] СТЕПЕНЬ-ЗВАНИЕ Класс: [1] 1/4-1-Канд.наук ХНД.НАУК рительная " В МОДЕЛИ: "INFI" система" ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

[18] ЧИСЛО ЦИТИРОВАНИИ СОАВТОРАМИ [70] 2/4442.0000000,92.0000000} 1=0.345 bit 1= 0.244 bit [20] ЧИСЛО ПУБЛИКАЦИИ АВТОРА, ПРОЦИТИРОВАННЫХ ХОТЯ БЫ ОДИН РАЗ [79] 3/4430.0000000, 50.0000000}

[14] ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ЖУРНАЛАХ ИЗ ПЕРЕЧНЯ ВАК [53] 1/4-{6.0000000,16.0000000} 1=0.316 bit 1= 0.217 bit [54] LIBRARYCITED [216] 4/44757.0000000,12513.0000000}

[49] ЧИСЛО ССЫЛОК НА САМУЮ ЦИТИРУЕМУЮ ПУБЛИКАЦ ИЮ [193] 1/4-{2.0000000,10.0000000} 1=0.316 bit 1= 0.217 bit [54] LIBRARYCITED [215] 3/44306.0000000,757.0000000}

[17] ЧИСЛО ПУБЛИКАЦИЙ В РОССИЙСКИХ ПЕРЕВОДНЫХ ЖУРНАЛАХ (%) [67] 3/4-{11.9658120,25.8064516} 1=0.281 bit 1= 0.217 bit [46] ИНДЕКС ХИРША БЕЗ УЧЕТА САМОЦИТИРОВАНИЙ [184] 4/447.0 000000,45.0000000}

[4] ЫиМОРИЕМЭ [13] 1/4-{5.0000000,24.0000000} 1=0.271 bit 1= 0.217 bit [44] ЧИСЛО СОАВТОРОВ [176] 4/4471.0000000,6205.0000000}

[5] СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ АВТОРА [17] 1/4-{12.0000000,121.0000000} 1=0.271 bit 1= 0.217 bit [42] ЧИСЛО ПУБЛИКАЦИЙ, ПРОЦИТИРОВАВШИХ РАБОТЫ АВТОРА [168] 4/44610.0000000,8939.0000000} '

[7] ЧИСЛО ПУБЛИКАЦИЙ АВТОРА В РИНЦ [25] 1/4-{5.0000000, 31.0000000} 1=0.271 bit 1= 0.217 bit I [41] СРЕДНЕВЗВЕШЕННЫЙ ИМПАКГ-ФАКГОР ЖУРНАЛОВ, В КОТОРЫХ БЫЛИ ПРОЦИТИРОВАНЫ СТАТЬИ [164] 4/4-{0.5650000, 2.4470000}

Рильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-220 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-22

СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Форма создана: 08.10.2016-08:16:48 ■ Значения факторов, СПОСОБСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи КРАСНОГО цвета. Толщина линии отражает степень влияния. Значения факторов, ПРЕПЯТСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи СИНЕГО цвета. Толщина линии отражает степень влияния.

Рисунок 16. Графическая выходная форма количественного автоматизированного SWOT- и PEST-анализа средствами системы «Эйдос»

Когнитивные функции

Когнитивные функции предложены проф. Е.В. Луценко в 2005 году [32] и наглядно отражают какое количество информации содержится в значениях аргумента о значении функции [16, 32, 33] (рис. 17 и 18):

т*-

4.5, Визуализация когнитивных функций Что такое когнитивная Функция:

Визуализация прямых, обратных, позитивные негативный, полностью и частично редуцированным когнитивным Функций Когнитивная Функция представляет собой графическое отображение силы и направления влияния различным значений некоторого фактора на переходы объекта управления в будущие состояния, соответствующие классам. Когнитивные Функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирических законов. Разработка содержательной научной интерпретации когнитивных Функций представляет собой способ познания природы, общества и человека. Когнитивные Функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отра-| жающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные,, отражающие совокупное влияние всех значений факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях Функции) различной степенью редукции или степенью детерминации, которая отражает в графической Форме (в Форме полосы) количество знаний в аргументе о значении Функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную Функцию. Когнитивные Функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой 'Эйдос". Необходимо отметить, что на вид Функций влияния математической моделью СК-анализа не накладывается никаких ограничений, в частности, они могут бьгть и не дифференцируемые. См.: Луценко Е.В. Метод визуализации когнитивных Функций - новый инструмент исследования эмпирических данных большой размерности / Е.В. Луценко, А.П. Трунев, Д.К. Бандык /V Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) Рлектронный ресурс]. ■ Краснодар: КубГАУ, 2011. ■ №03(67). С. 240 - 282. - Шифр ИнФормрегистра: 042110001240077., 2,638 у.п.л. - Режим доступа:

kubagro.ru/2011 №ЩГ\ 8.pdf Задайте нужный режим:

Визуализации когнитивных функций Скачать подборку публикаций по когнитивным Функциям

Л итератур, ссылки на статьи по когнитивным Функциям Скачать подборку публикаций по управлению знаниями

Рисунок 17. Экранная форма режима визуализации когнитивных функций http://ej.kubagro.ru/2016/08/pdf/14.pdf

Модуль визуализации когнитивных функций разработан по постановке проф. Е. В. Луценко разработчиком интеллектуальных систем Д. К. Бандык из Белоруссии9.

В когнитивных функциях количество информации в значениях аргумента о значениях функции отображается цветом (красным максимальное, синим минимальное), линией соединены значения функции о которых в значении аргумента содержится максимальное количество информации, ширина линии (аналог доверительного интервала) отражает степень неопределенности значения функции, которое тем ниже, чем больше информации о нем в значении функции (рис. 18-21):_

! I

5.СУММАРНОЕ ЧИСЛО ЦИТИРОВАНИЙ АВТОРА ПРИЗНАКИ

Визуализация когнитивных функций системы «Эйдос». _© Е.В.Луценко (Россия), Д.К.Баняык (Беларусь). Патент РФ 2011612056 РФ от 09.03.2011_ пШи!Г яЗгйо0:

Рисунок 18. Когнитивная функция, отражающая взаимосвязь суммарного числа цитирований автора и его ученой степени-звания

у у I I

я а я_я_

6.ИНДЕКС ХИРША ПРИЗНАКИ

Визуализация когнитивных функций системы «Эйдос».

Рисунок 19. Когнитивная функция, отражающая взаимосвязь индекса Хирша автора и его ученой степени-звания

9 http://lc.kubagro.ru/aidos/2011612056.ipg

Рисунок 20. Когнитивная функция, отражающая зависимость научных достижений автора от доли (%) его цитирований из российских журналов

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Из когнитивной функции, представленной на рис. 20, видно, что у авторов с высокими научными достижениями доля цитирований из зарубежных научных изданий выше, чем у авторов с другими научными достижениями.

Рисунок 21. Когнитивная функция, отражающая зависимость научных достижений автора от года первой публикации

Из этой функции мы видим, что высокие научные достижения тесно связаны с длительной научной работой.

Приведено лишь несколько примеров когнитивных функций, т.к. в каждой модели (которых 10) генерируется 110 когнитивных функций, отражающих описательных шкал, которых 55, на классификационные шкалы, которых 2.

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

Результаты сравнения классов по системе характерных для них значений общих наукометрических показателей РИНЦ приведены на рис. 22:

Рисунок 22. Результаты сравнения классов по системе характерных для них значений общих наукометрических показателей РИНЦ

Из когнитивной диаграммы, приведенной на рисунке 22, мы видим, что как и ожидалось, для академиков и членов-корреспондентов РАН характерны высокие научные достижения, средние достижения характерны для докторов наук, а низкие для кандидатов наук. Мы видим также, что академики и члены-корреспонденты образуют с авторами высоких научных достижений один кластер, с низкой вариабельностью внутри него, а доктора и кандидаты наук образуют противоположный кластер с более высокой вариабельностью объектов, внутри него. Кластер высоких научных

достижений противоположен по характерным для него значениям общих наукометрических показателей кластеру средних и низких научных достижений, и они образуют полюса конструкта: «Уровень научных достижений».

Отметим также, что приведенная когнитивная диаграмма формируется системой «Эйдос» автоматически на основе созданных моделей.

6. Выводы, перспективы и рекомендации

Предлагается:

1. Построить с применением результатов данной статьи наукометрическую интеллектуальную измерительную систему на основе баз данных РИНЦ и экспертных оценок и включить ее в состав программного обеспечения РИНЦ.

2. Применить результаты данной статьи при расчетах в РИНЦ и строить рейтинги авторов, журналов и организаций (подразделений) не только на основе эмпирического классического индекса Хирша, но и на основе теоретического индекса Хирша [4], а также по критериям манипулирования, по общему числу цитирований [9] и другим показателям.

3. Не придавать излишне и неоправданно большого значения классическому эмпирическому значению индекса Хирша при оценках и принятии решений.

Литература

1. Управление большими системами / Сборник трудов. Специальный выпуск 44. -Наукометрия и экспертиза в управлении наукой / [под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева]. М.: ИПУ РАН, 2013. - 568 с.

2. Саакян А. Большие данные // Полит.ги, 09 декабря 2013, http://polit.ru/article/2013/12/09/ps_bigdata/

3. Луценко Е.В. Хиршамания при оценке результатов научной деятельности, ее негативные последствия и попытка их преодоления с применением многокритериального подхода и теории информации / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №04(108). С. 1 - 29. - IDA [article ID]: 1081504001. - Режим доступа: http://ej .kubagro.ru/2015/04/pdf/01 .pdf, 1,812 у.п.л.

4. Луценко Е.В. Количественная оценка степени манипулирования индексом Хирша и его модификация, устойчивая к манипулированию / Е.В. Луценко, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. -№07(121). С. 202 - 234. - IDA [article ID]: 1211607005. - Режим доступа: http://ej.kubagro.ru/2016/07/pdf/05.pdf, 2,062 у.п.л.. http://dx.doi.org/10.21515/1990-4665-121-005

5. Чеботарев П. Ю. Наукометрия: как с её помощью лечить, а не калечить? // Управление большими системами, 44 (2013), С. 14-31. http://onr-russia.ru/sites/default/files/zatravka.pdf

6. Орлов А.И. О некоторых методологически ошибочных методах анализа и оценки результатов научной деятельности // Россия: тенденции и перспективы развития. Ежегодник. Вып. 8. / РАН. ИНИОН. Отд. науч. сотрудничества и междунар. связей; Отв. ред. Ю.С. Пивоваров. - М., 2013. - Ч. 2. - С.528-533.

7. Орлов А.И. Два типа методологических ошибок при управлении научной деятельностью // Управление большими системами / Сборник трудов. Специальный выпуск 44. Наукометрия и экспертиза в управлении наукой / [под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева]. - 2013. - С.32-54. [Электронный ресурс]. Режим доступа: http://ubs.mtas.ru/archive/search resul ... n id=19050 (дата обращения 30.07.2014).

8. Орлов А.И. Наукометрия и управление научной деятельностью // Управление большими системами / Сборник трудов. Специальный выпуск 44. Наукометрия и экспертиза в управлении наукой / [под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева]. - 2013в. - С. 538-568. [Электронный ресурс]. Режим доступа: http://ubs.mtas.ru/archive/search resul ... n id=19078 (дата обращения 30.07.2014).

9. Орлов А.И. О ключевых показателях эффективности научной деятельности / А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №07(111). С. 81 - 112. - IDA [article ID]: 1111507006. - Режим доступа: http://ej.kubagro.ru/2015/07/pdf/06.pdf, 2 у.п.л.

10. Орлов А.И. Примеры методологических ошибок при управлении научной деятельностью // Проблемы наукометрии: состояние и перспективы развития. Международная конференция. - М.: Ин-т проблем развития науки РАН, 2013г. - С.107 - 109.

11. Орлов А.И. Критерии выбора показателей эффективности научной деятельности // Контроллинг. - 2013. - №3(49). - С.72-78.

12. Луценко Е.В. Синтез адаптивных интеллектуальных измерительных систем с применением АСК-анализа и системы «Эйдос» и системная идентификация в эконометрике, биометрии, экологии, педагогике, психологии и медицине / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1 - 60. -IDA [article ID]: 1161602001. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/01 .pdf, 3,75 у.п.л.

13. 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. http://elibrary.ru/item.asp?id=18632909

14. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос". Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672-830-0. http://elibrary.ru/item.asp?id=22401787

15. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.

16. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар: КубГАУ, 2014, - 600 с. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp?id=21358220.

17. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос". Монография (научное издание). - Краснодар: КубГАУ, 2014. - 600 с. ISBN 978-5-94672-830-0. http://elibrary.ru/item.asp?id=22401787.

18. Луценко Е. В. Исследование влияния подсистем различных уровней иерархии на эмерджентные свойства системы в целом с применением АСК-анализа и интеллектуальной системы "Эйдос" (микроструктура системы как фактор управления ее макросвойствами) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №01(075). С. 638 - 680. - Шифр Информрегистра: 0421200012\0025, IDA [article ID]: 0751201052. - Режим доступа: http://ej.kubagro.ru/2012/01/pdf/52.pdf, 2,688 у.п.л.

19. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. - М.: Высшая школа, 1989. - 320 с.

20. Перегудов Ф.И., Тарасенко Ф.П. Основы системного анализа. - Томск: Изд-во науч.-техн. лит., 1997. - 389 с.

21. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №04(088). С. 340 - 359. - IDA [article ID]: 0881304022. - Режим доступа: http: //ej .kubagro .ru/2013/04/pdf/22 .pdf, 1,25 у.п.л.

22. Луценко Е.В. Синтез адаптивных интеллектуальных измерительных систем с применением АСК-анализа и системы «Эйдос» и системная идентификация в эконометрике, биометрии, экологии, педагогике, психологии и медицине / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1 - 60. -IDA [article ID]: 1161602001. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 у.п.л.

23. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.

24. Стабин И.П., Моисеева B.C. Автоматизированный системный анализ. - М.: Машиностроение, 1984. - 309 с.

25. Симанков В.С. Автоматизация системных исследований в альтернативной энергетике. Диссерт. на соиск. уч. ст. докт. техн. наук. По спец.: 05.13.01. 2001. http://tekhnosfera.com/avtomatizatsiya-sistemnyh-issledovaniy-v-alternativnoy-energetike.

26. Klir G.J. Architecture of Systems Problem Solving, with D. Elias. - New York:. Plenum Press, 1974. -354 p.

27. Клир Дж. Системология. Автоматизация решения системных задач. - Москва: Радио и связь, 1990. - 538 с. http://www.twirpx.com/file/486296/.

28. Лефевр В.А. Конфликтующие структуры . Издание второе, переработанное и дополненное. — М.: Изд-во «Советское радио», 1973. - 158 с. с ил.

29. Хаббард Дуглас У. Как измерить все, что угодно. Оценка стоимости нематериального в бизнесе / Дуглас У. Хаббард / [Пер. с англ. Е. Пестеревой]. — М.: ЗАО «Олимп-Бизнес», 2009. — 320 с.: ил. ISBN 978-5-9693-0163-4 (рус.). http://www.twirpx.com/file/1546361/.

30. Сайт автора АСК-анализа и системы «Эйдос» проф. Е.В. Луценко: http: //lc .kubagro.ru/.

31. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. -№07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ej .kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.

32. Луценко Е.В. АСК-анализ как метод выявления когнитивных функциональных зависимостей в многомерных зашумленных фрагментированных данных / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2005. -№03(011). С. 181 - 199. - IDA [article ID]: 0110503019. - Режим доступа: http://ej.kubagro.ru/2005/03/pdf/19.pdf, 1,188 у.п.л.

33. Луценко Е.В. Когнитивные функции как обобщение классического понятия функциональной зависимости на основе теории информации в системной нечеткой интервальной математике / Е.В. Луценко, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №01(095). С. 122 - 183. - IDA [article ID]: 0951401007. - Режим доступа: http://ej .kubagro.ru/2014/01/pdf/07.pdf, 3,875 у.п.л.

34. Новиков Д. А. Большие данные: от Браге - к Ньютону // Пробл. управления. 2013. Вып. 6. С. 15-23.

35. Орлов А.И. Организационно-экономическое моделирование : учебник : в 3 ч. Ч. 1. Нечисловая статистика. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2009. — 541 с.

36. Орлов А.И. Распределения реальных статистических данных не являются нормальными / А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2016. - №03(117). С. 71 - 90. - IDA [article ID]: 1171603003. - Режим доступа: http://ej .kubagro.ru/2016/03/pdf/03 .pdf

37. Харман Г. Современный факторный анализ. - М.: Статистика, 1972. - 486 с.

38. Барский Б.В., Соколов М.В. Средние величины, инвариантные относительно допустимых преобразований шкалы измерения // Заводская лаборатория. Диагностика материалов. 2006. Т.72. №1. С. 59-66.

39. Орлов А.И. Математические методы исследования и теория измерений // Заводская лаборатория. Диагностика материалов. 2006. Т.72. №1. С. 67-70.

40. Пресман Э.Л., Сластников А.Д. Характеризация одной модели динамического программирования // Вероятностные модели и управление экономическими процессами. М.: ЦЭМИ АН СССР, 1978. С. 169-183.

41. Форум: http ://forum.orlovs .pp.ru/viewtopic .php?p=8357

42. Бернал Дж. Наука и общество. М.: Изд-во иностр. лит., 1953. Режим доступа URL: http://www.twirpx.com/file/498382/

43. Прайс Д. Малая наука, большая наука // Наука о науке, М.: Изд-во «Прогресс», 1966. Режим доступа URL: http://www.garfield.librarv.upenn.edu/essavs/v10p072v1987.pdf; http://lis.sagepub.com/content/35/2/115.abstract

44. Добров Г.М. Наука о науке. Киев: Наукова Думка, 1989, 302 с.

45. Налимов В.В., Мульченко З.М. Наукометрия. М.: Наука, 1969, 192 с. Режим доступа URL: http://www.e-reading.bv/divureader.php/113843/Nalimov - Naukometriva.html

46. Хайтун С.Д. Наукометрия. Состояние и перспективы. М.: Наука, 1983, 344 с. Режим доступа URL: http://librarun.org/book/12517/1

47. Бедный Б.И., Миронос А.А., Сорокин Ю.М., Сулейманов Е.В. Наука и научная деятельность: организация, технологии, информационное обеспечение / Под ред. проф. Б.И. Бедного. - Нижний Новгород: Изд-во ННГУ, 2013. - 228 с.

48. Мирский Э.М. Междисциплинарные исследования и дисциплинарная организация науки, М. Наука, 1980, 304 с.

49. Пельц Д., Энрюс Ф. Ученые в организациях. Оптимальные условия для исследований и разработок. М.: Прогресс, 1973, 469 с. Режим доступа URL: http://publ.lib.ru/ARCHIVES/P/PEL'C Donat'd/ Pel'c D..html

50. Гарфилд Ю. Можно ли выявлять и оценивать научные достижения и научную продуктивность? // Вестник АН СССР, 1982. - № 7. - С. 42-50. Режим доступа URL: http://www.prometeus.nsc.ru/science/citation/garfild.ssi

51. Orlov A. Sur la stabilite' dans les modeles economiques discrets et les modeles de gestion des stocks // Publications Econometriques. 1977. Vol.X. F. 2. Pp. 63-81.

52. Игра в цыфирь, или как теперь оценивают труд учёного (сборник статей о библиомет-рике). М.: МЦНМО, 2011. 72 с. Режим доступа URL: http://www.mccme .ru/free-books/bibliometric.pdf; или http : //www .twirpx.com/file/753485/

53. Бедный Б.И., Сорокин Ю.М. О показателях научного цитирования и их применении // Высшее образование в России. 2012. № 3. С. 17-28. Режим доступа URL: http://vovr.ru/upload/bednvi-sorokin%203-12.pdf

54. Мотрошилова Н.В. Реальные факторы научно-исследовательского труда и измерения цитирования // Управление большими системами. - 2013. - № 44 - С. 453-475. Режим доступа URL: http://ubs.mtas.ru/archive/index.php7SECTION ID=685

55. Орлов А.И. Наука как объект управления / А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 1244 -

1274. - IDA [article ID]: 1011407082. - Режим доступа: http://ej .kubagro.ru/2014/07/pdf/82.pdf, 1,938 у.п. л.

56. Юревич М. А. Методические проблемы оценки результативности исследователя // Альманах "Наука. Инновации. Оразование". 2014, вып. 16. Режим доступа URL: http://riep.ru; Обсуждение статьи М.А. Юревича "Методические проблемы оценки результативности исследователя" - там же.

57. Алескеров Ф.Т., Писляков В.В., Субочев А.Н., Чистяков А.Г. Построение рейтингов журналов по менеджменту с помощью методов теории коллективного выбора: препринт WP7/2011/04. Нац. иссл. ун-т «Высшая школа экономики». М.: Изд. дом Высшей школы экономики, 2011. - 44 с. Режим доступа URL: http://www.hse.ru/data/2011/06/29/1216101480/WP7 2011 04 final.pdf

58. Бедный Б.И., Миронос А.А., Серова Т.В. Продуктивность исследовательской работы обучающихся (наукометрические оценки) // Высшее образование в России. 2006. - №7. - С. 2036. Режим доступа URL: http://www.phd.unn.ru/files/2014/04/008.pdf

59. Солошенко Н.С., Кириллова О.В. Отражение российских журналов в БД Science Citation Index и SCOPUS // Educational Technology & Society. 2006. V.9. No.3. P.313320.

60. Теста Д. Процесс отбора журналов в Thomson Reuters. Режим доступа URL: http://thomsonreuters.com/content/science/pdf/ssr/journal_selection_essay-russian.pdf http://thomsonreuters.com/products services/science/free/essays/journal selection process/

61. Кириллова О. В. Подготовка российских журналов для зарубежной аналитической базы данных Scopus. Рекомендации и комментарии. Режим доступа - URL: http://elsevierscience .ru/info/add-j ournal-to-scopus/

62. Цыганов А. В. Краткое описание наукометрических показателей, основанных а цити-руемости // Управление большими системами / Сборник трудов. Специальный выпуск 44 -Наукометрия и экспертиза в управлении наукой / [под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева]. М.: ИПУ РАН, 2013, с. 248- 261.

63. Publish or Perish. Режим доступа URL: http://www.harzing.eom/pop.htm#metrics (дата обращения 26.08.2015.)

64. Штовба С.Д., Штовба Е.В. Индекс цитирования, учитывающий скрытую диффузию научных знаний // Научно-техническая информация. Сер. 1 «Организация и методика информационной работы». - 2013. - №7. - С. 28-31. Режим доступа URL: http://shtovba.vk.vntu.edu.ua/file/6ad63e809551b1e63ab2b9e21f9190e2.pdf

65. Гринченко C. Н. Имеет ли решение задача перманентной оценки вклада ученого в науку? // Управление большими системами / Сборник трудов. Специальный выпуск 44 -Наукометрия и экспертиза в управлении наукой / [под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева]. М.: ИПУ РАН, 2013, с. 280 - 291. Режим доступа URL: http : //ubs .mtas.ru/archive/index.php ?SECTION ID=685

66. Михайлов О. В. Цитируемость ученого: важнейший ли это критерий качества его научной деятельности? // Informetries.ru. Электронный журнал. Статья № 1079. Режим доступа URL: http : //www. informetrics.ru/articles/sn .php ?id=56 (дата обращения: 26.08.2015).

67. Орлов А.И. Методологические ошибки ведут к неправильным управленческим решениям // Управление большими системами. Вып. 27. - М.: ИПУ РАН, 2009. - С. 59-65.

68. Эпштейн В. Л. О контрпродуктивности использования наукометрического показателя результативности научной деятельности для будущего России // Проблемы управления. - 2007. - №3. - С. 70-72. Режим доступа - URL: http://cvberleninka.ru/article/n/o-kontrproduktivnosti-

ispolzovaniya-naukometricheskogo-_pokazatelva-rezultativnosti-nauchnov-devatelnosti-dlya-

buduschego-rossii

69. Муравьев А.А. К вопросу о классификации российских журналов по экономике и смежным дисциплинам // Научные доклады. - 2012. -Т.14 (R). - С. 1- 60. Режим доступа: http://www.gsom.spbu.ru/files/upload/niim/publishing/2012/wp muravyev.pdf

70. Силина А.Ю., Васильева В.Д., Дербишер В.Е., Гермашев И.В. Систематизация наукометрических показателей эффективности научной деятельности // Информационные технологии. - 2009. - №6. - С. 53-56.

71. Международный союз математиков предостерегает от неправильного использования статистики цитирований // Полит.ру / Наука. - 16 июня 2008. Режим доступа - URL: http://www.polit.ru/news/2008/06/16/mathunion/ (дата обращения: 08.01.2013).

72. Солошенко Н.С., Кириллова О.В. Отражение российских журналов в БД Science Citation Index и SCOPUS // Educational Technology & Society. 2006. - V.9. - No.3. - P.313-320.

73. Hirsch J. E. An index to quantify an individual's scientific research output // Proceedings of the National Academy of Sciences. 2005. - Vol. 102. - No. 46. - P. 16569-16572. Режим доступа -URL: http://www.pnas.org/content/102/46/16569.full

74. www.elibrary.ru/defaultx.asp - научная электронная библиотека

75. http://school-collection.edu.ru/ - федеральное хранилище Единая коллекция цифровых образовательных ресурсов

76. www.diss.rsl.ru - электронная библиотека диссертаций

77. http://www.edu.ru/ - федеральный портал Российское образование

78. http://www.igumo.ru/ - интернет-портал Института гуманитарного образования иин-формационных технологий

79. www.edu.ru - сайт Министерства образования РФ

80. http://riep.ru - сайт Российского научно-исследовательского института экономики, политики и права в научно-технической сфере (РИЭПП)

81. www.humanities.edu.ru - сайт «Гуманитарное образование»

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

82. www.edu.ru - федеральный портал «Российское образование»

83. http://www.eduhmao.ru/info/1/4382/ - информационно-просветительский портал

84. http://www.iqlib.ru - электронная библиотека образовательных и просветительных изданий

85. http://www.integro.ru - Центр Системных Исследований «Интегро»

86. Луценко Е.В. Синтез и верификация многокритериальной системно-когнитивной модели университетского рейтинга Гардиан и ее применение для сопоставимой оценки эффективности российских вузов с учетом направления подготовки / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №03(107). С. 1 - 62. - IDA [article ID]: 1071503001. - Режим доступа: http://ej.kubagro.ru/2015/03/pdf/01.pdf, 3,875 у.п.л.

87. Луценко Е.В. АСК-анализ проблематики статей Научного журнала КубГАУ в динамике / 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). С. 109 - 145. - IDA [article ID]: 1001406007. - Режим доступа: http://ej.kubagro.ru/2014/06/pdf/07.pdf, 2,312 у.п.л.

Literatura

1. Upravlenie bol'shimi sistemami / Sbornik trudov. Special'nyj vypusk 44. - Naukometrija i jekspertiza v upravlenii naukoj / [pod red. D.A. Novikova, A.I. Orlova, P.Ju. Chebotareva]. M.: IPU RAN, 2013. - 568 s.

2. Saakjan A. Bol'shie dannye // Polit.ru, 09 dekabrja 2013, http://polit.ru/article/2013/12/09/ps_bigdata/

3. Lucenko E.V. Hirshamanija pri ocenke rezul'tatov nauchnoj dejatel'nosti, ee negativnye posledstvija i popytka ih preodolenija s primeneniem mnogokriterial'nogo podhoda i teorii informacii / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstven-nogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №04(108). S. 1 - 29. - IDA [article ID]: 1081504001. - Rezhim dostupa: http://ej.kubagro.ru/2015/04/pdf/01.pdf, 1,812 u.p.l.

4. Lucenko E.V. Kolichestvennaja ocenka stepeni manipulirovanija indeksom Hirsha i ego modifikacija, ustojchivaja k manipulirovaniju / E.V. Lucenko, A.I. Orlov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №07(121). S. 202 - 234. - IDA [article ID]: 1211607005. - Rezhim dostupa: http://ej.kubagro.ru/2016/07/pdf/05.pdf, 2,062 u.p.l.. http://dx.doi.org/10.21515/1990-4665-121-005

5. Chebotarev P. Ju. Naukometrija: kak s ejo pomoshh'ju lechit', a ne kalechit'? // Upravlenie bol'shimi sistemami, 44 (2013), S. 14-31. http://onr-russia.ru/sites/default/files/zatravka.pdf

6. Orlov A.I. O nekotoryh metodologicheski oshibochnyh metodah analiza i ocenki rezul'tatov nauchnoj dejatel'nosti // Rossija: tendencii i perspektivy razvitija. Ezhegodnik. Vyp. 8. / RAN. INION. Otd. nauch. sotrudnichestva i mezhdunar. svjazej; Otv. red. Ju.S. Pivovarov. - M., 2013. - Ch. 2. -S.528-533.

7. Orlov A.I. Dva tipa metodologicheskih oshibok pri upravlenii nauchnoj dejatel'nost'ju // Upravlenie bol'shimi sistemami / Sbornik trudov. Special'nyj vypusk 44. Naukometrija i jekspertiza v upravlenii naukoj / [pod red. D.A. Novikova, A.I. Orlova, P.Ju. Chebotareva]. - 2013. - S.32-54. [Jel-ektronnyj resurs]. Rezhim dostupa: http://ubs.mtas.ru/archive/search_resul ... n_id=19050 (data obrashhenija 30.07.2014).

8. Orlov A.I. Naukometrija i upravlenie nauchnoj dejatel'nost'ju // Upravlenie bol'shimi sistemami / Sbornik trudov. Special'nyj vypusk 44. Naukometrija i jekspertiza v upravlenii naukoj / [pod red. D.A. Novikova, A.I. Orlova, P.Ju. Chebotareva]. - 2013v. - S. 538-568. [Jelektronnyj resurs]. Rezhim dostupa: http://ubs.mtas.ru/archive/search_resul ... n_id=19078 (data obrashhenija 30.07.2014).

9. Orlov A.I. O kljuchevyh pokazateljah jeffektivnosti nauchnoj dejatel'nosti / A.I. Orlov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. -№07(111). S. 81 - 112. - IDA [article ID]: 1111507006. - Rezhim dostupa: http://ej.kubagro.ru/2015/07/pdf/06.pdf, 2 u.p.l.

10. Orlov A.I. Primery metodologicheskih oshibok pri upravlenii nauchnoj dejatel'nost'ju // Problemy naukometrii: sostojanie i perspektivy razvitija. Mezhdunarodnaja konferencija. - M.: In-t problem razvitija nauki RAN, 2013g. - S.107 - 109.

11. Orlov A.I. Kriterii vybora pokazatelej jeffektivnosti nauchnoj dejatel'nosti // Kontrolling. -2013. - №3(49). - S.72-78.

12. Lucenko E.V. Sintez adaptivnyh intellektual'nyh izmeritel'nyh sistem s primeneniem ASK-analiza i sistemy «Jejdos» i sistemnaja identifikacija v jekonometrike, biometrii, jekologii, pedagog-ike, psihologii i medicine / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1 - 60. - IDA [article ID]: 1161602001. -Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 u.p.l.

13. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii aktivnymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jekonomicheskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909

14. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos". Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-830-0. http : //elibrary.ru/item. asp ?id=22401787

15. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.

16. Orlov A.I., Lucenko E.V. Sistemnaja nechetkaja interval'naja matematika. Monografija (nauchnoe izdanie). - Krasnodar: KubGAU, 2014, - 600 s. ISBN 978-5-94672-757-0. http : //elibrary.ru/item. asp ?id=21358220.

17. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos". Monografija (nauchnoe izdanie). - Krasnodar: KubGAU, 2014. - 600 s. ISBN 978-5-94672-830-0. http : //elibrary.ru/item. asp?id=22401787.

18. Lucenko E.V. Issledovanie vlijanija podsistem razlichnyh urovnej ierarhii na jemerdzhent-nye svojstva sistemy v celom s primeneniem ASK-analiza i intellektual'noj sistemy "Jejdos" (mikrostruktura sistemy kak faktor upravlenija ee makrosvojstvami) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta

(Nauchnyj zhumal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2012. - №01(075). S. 638 - 680. - Shifr Informregistra: 0421200012\0025, IDA [article ID]: 0751201052. - Rezhim dostupa: http://ej.kubagro.ru/2012/01/pdf/52.pdf, 2,688 u.p.l.

19. Peregudov F.I., Tarasenko F.P. Vvedenie v sistemnyj analiz. - M.: Vysshaja shkola, 1989. -

320 s.

20. Peregudov F.I., Tarasenko F.P. Osnovy sistemnogo analiza. - Tomsk: Izd-vo nauch.-tehn. lit., 1997. - 389 s.

21. Lucenko E.V. Teoreticheskie osnovy, tehnologija i instrumentarij avtomatizirovannogo sis-temno-kognitivnogo analiza i vozmozhnosti ego primenenija dlja sopostavimoj ocenki jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №04(088). S. 340 - 359. - IDA [article ID]: 0881304022. -Rezhim dostupa: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l.

22. Lucenko E.V. Sintez adaptivnyh intellektual'nyh izmeritel'nyh sistem s primeneniem ASK-analiza i sistemy «Jejdos» i sistemnaja identifikacija v jekonometrike, biometrii, jekologii, pedagog-ike, psihologii i medicine / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1 - 60. - IDA [article ID]: 1161602001. -Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 u.p.l.

23. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.

24. Stabin I.P., Moiseeva B.C. Avtomatizirovannyj sistemnyj analiz. - M.: Mashinostroenie, 1984. - 309 s.

25. Simankov V.S. Avtomatizacija sistemnyh issledovanij v al'ternativnoj jenergetike. Dissert. na soisk. uch. st. dokt. tehn. nauk. Po spec.: 05.13.01. 2001. http://tekhnosfera.com/avtomatizatsiya-sistemnyh-issledovaniy-v-alternativnoy-energetike.

26. Klir G.J. Architecture of Systems Problem Solving, with D. Elias. - New York:. Plenum Press, 1974. -354 p.

27. Klir Dzh. Sistemologija. Avtomatizacija reshenija sistemnyh zadach. - Moskva: Radio i svjaz', 1990. - 538 s. http://www.twirpx.com/file/486296/.

28. Lefevr V.A. Konfliktujushhie struktury . Izdanie vtoroe, pererabotannoe i dopolnennoe. — M.: Izd-vo «Sovetskoe radio», 1973. - 158 s. s il.

29. Habbard Duglas U. Kak izmerit' vse, chto ugodno. Ocenka stoimosti nematerial'nogo v biznese / Duglas U. Habbard / [Per. s angl. E. Pesterevoj]. — M.: ZAO «Olimp-Biznes», 2009. — 320 s.: il. ISBN 978-5-9693-0163-4 (rus.). http://www.twirpx.com/file/1546361/.

30. Sajt avtora ASK-analiza i sistemy «Jejdos» prof. E.V. Lucenko: http://lc.kubagro.ru/.

31. Lucenko E.V. Kolichestvennyj avtomatizirovannyj SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.

32. Lucenko E.V. ASK-analiz kak metod vyjavlenija kognitivnyh funkcional'nyh zavisimostej v mnogomernyh zashumlennyh fragmentirovannyh dannyh / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2005. - №03(011). S. 181 - 199. - IDA [article ID]: 0110503019. - Rezhim dostupa: http://ej.kubagro.ru/2005/03/pdf/19.pdf, 1,188 u.p.l.

33. Lucenko E.V. Kognitivnye funkcii kak obobshhenie klassicheskogo ponjatija funkcional'noj zavisimosti na osnove teorii informacii v sistemnoj nechetkoj interval'noj matematike / E.V. Lucenko, A.I. Orlov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU,

2014. - №01(095). S. 122 - 183. - IDA [article ID]: 0951401007. - Rezhim dostupa: http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 u.p.l.

34. Novikov D. A. Bol'shie dannye: ot Brage - k N'jutonu // Probl. upravlenija. 2013. Vyp. 6. S. 15-23.

35. Orlov A.I. Organizacionno-jekonomicheskoe modelirovanie : uchebnik : v 3 ch. Ch. 1. Nechislovaja statistika. - M.: Izd-vo MGTU im. N.Je. Baumana, 2009. — 541 s.

36. Orlov A.I. Raspredelenija real'nyh statisticheskih dannyh ne javljajutsja normal'nymi / A.I. Orlov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №03(117). S. 71 - 90. - IDA [article ID]: 1171603003. - Rezhim dostupa: http://ej .kubagro.ru/2016/03/pdf/03 .pdf

37. Harman G. Sovremennyj faktornyj analiz. - M.: Statistika, 1972. - 486 s.

38. Barskij B.V., Sokolov M.V. Srednie velichiny, invariantnye otnositel'no dopustimyh preobrazovanij shkaly izmerenija // Zavodskaja laboratorija. Diagnostika materialov. 2006. T.72. №1. S. 59-66.

39. Orlov A.I. Matematicheskie metody issledovanija i teorija izmerenij // Zavodskaja laboratorija. Diagnostika materialov. 2006. T.72. №1. S. 67-70.

40. Presman Je.L., Slastnikov A.D. Harakterizacija odnoj modeli dinamicheskogo programmi-rovanija // Verojatnostnye modeli i upravlenie jekonomicheskimi processami. M.: CJeMI AN SSSR, 1978. S. 169-183.

41. Forum: http://forum.orlovs.pp.ru/viewtopic.php?p=8357

42. Bernal Dzh. Nauka i obshhestvo. M.: Izd-vo inostr. lit., 1953. Rezhim dostupa URL: http : //www .twirpx. com/file/498382/

43. Prajs D. Malaja nauka, bol'shaja nauka // Nauka o nauke, M.: Izd-vo «Progress», 1966. Rezhim dostupa URL: http://www.garfield.library.upenn.edu/essays/v10p072y1987.pdf; http://lis.sagepub.com/content/35/2/115.abstract

44. Dobrov G.M. Nauka o nauke. Kiev: Naukova Dumka, 1989, 302 s.

45. Nalimov V.V., Mul'chenko Z.M. Naukometrija. M.: Nauka, 1969, 192 s. Rezhim dostupa URL: http://www.e-reading.bv/divureader.php/! 13843/Nalimov - Naukometriya.html

46. Hajtun S.D. Naukometrija. Sostojanie i perspektivy. M.: Nauka, 1983, 344 s. Rezhim dostupa URL: http://librarun.org/book/12517/1

47. Bednyj B.I., Mironos A.A., Sorokin Ju.M., Sulejmanov E.V. Nauka i nauchnaja deja-tel'nost': organizacija, tehnologii, informacionnoe obespechenie / Pod red. prof. B.I. Bednogo. - Nizh-nij Novgorod: Izd-vo NNGU, 2013. - 228 s.

48. Mirskij Je.M. Mezhdisciplinarnye issledovanija i disciplinarnaja organizacija nauki, M. Nauka, 1980, 304 s.

49. Pel'c D., Jenrjus F. Uchenye v organizacijah. Optimal'nye uslovija dlja issledovanij i raz-rabotok. M.: Progress, 1973, 469 s. Rezhim dostupa URL: http://publ.lib.ru/ARCHIVES/P/PEL'C Donat'd/ Pel'c D..html

50. Garfild Ju. Mozhno li vyjavljat' i ocenivat' nauchnye dostizhenija i nauchnuju produk-tivnost'? // Vestnik AN SSSR, 1982. - № 7. - S. 42-50. Rezhim dostupa URL: http://www.prometeus.nsc.ru/science/citation/garfild.ssi

51. Orlov A. Sur la stabilite' dans les modeles economiques discrets et les modeles de gestion des stocks // Publications Econometriques. 1977. Vol.X. F. 2. Pp. 63-81.

52. Igra v cyfir', ili kak teper' ocenivajut trud uchjonogo (sbornik statej o bibliometrike). M.: MCNMO, 2011. 72 s. Rezhim dostupa URL: http://www.mccme.ru/free-books/bibliometric.pdf; ili http://www.twirpx.com/file/753485/

53. Bednyj B.I., Sorokin Ju.M. O pokazateljah nauchnogo citirovanija i ih primenenii // Vysshee obrazovanie v Rossii. 2012. № 3. S. 17-28. Rezhim dostupa URL: http://vovr.ru/upload/bednyi-sorokin%203-12.pdf

54. Motroshilova N.V. Real'nye faktory nauchno-issledovatel'skogo truda i izmerenija citirovanija // Upravlenie bol'shimi sistemami. - 2013. - № 44 - S. 453-475. Rezhim dostupa URL: http : //ubs.mtas. ru/archive/index.php7SECTION ID=685

55. Orlov A.I. Nauka kak ob#ekt upravlenija / A.I. Orlov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal

KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1244 - 1274. - IDA [article ID]: 1011407082. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/82.pdf, 1,938 u.p.l.

56. Jurevich M. A. Metodicheskie problemy ocenki rezul'tativnosti issledovatelja // Al'manah "Nauka. Innovacii. Orazovanie". 2014, vyp. 16. Rezhim dostupa URL: http://riep.ru; Obsuzhdenie stat'i M.A. Jurevicha "Metodicheskie problemy ocenki rezul'tativnosti issledovatelja" - tam zhe.

57. Aleskerov F.T., Pisljakov V.V., Subochev A.N., Chistjakov A.G. Postroenie rejtingov zhur-nalov po menedzhmentu s pomoshh'ju metodov teorii kollektivnogo vybora: preprint WP7/2011/04. Nac. issl. un-t «Vysshaja shkola jekonomiki». M.: Izd. dom Vysshej shkoly jekonomiki, 2011. - 44 s. Rezhim dostupa URL: http://www.hse.ru/data/2011/06/29/1216101480/WP7_2011_04_final.pdf

58. Bednyj B.I., Mironos A.A., Serova T.V. Produktivnost' issledovatel'skoj raboty obuchajush-hihsja (naukometricheskie ocenki) // Vysshee obrazovanie v Rossii. 2006. - №7. - S. 20-36. Rezhim dostupa URL: http://www.phd.unn.ru/files/2014/04/008.pdf

59. Soloshenko N.S., Kirillova O.V. Otrazhenie rossijskih zhurnalov v BD Science Citation Index i SCOPUS // Educational Technology & Society. 2006. V.9. No.3. P.313-320.

60. Testa D. Process otbora zhurnalov v Thomson Reuters. Rezhim dostupa URL: http://thomsonreuters.com/content/science/pdf/ssr/journal_selection_essay-russian.pdf http://thomsonreuters.com/products services/science/free/essays/journal selection process/

61. Kirillova O. V. Podgotovka rossijskih zhurnalov dlja zarubezhnoj analiticheskoj bazy dann-yh Scopus. Rekomendacii i kommentarii. Rezhim dostupa - URL: http://elsevierscience.ru/info/add-journal-to-scopus/

62. Cyganov A. V. Kratkoe opisanie naukometricheskih pokazatelej, osnovannyh a citiruemosti // Upravlenie bol'shimi sistemami / Sbornik trudov. Special'nyj vypusk 44 - Naukometrija i jekspertiza v upravlenii naukoj / [pod red. D.A. Novikova, A.I. Orlova, P.Ju. Chebotareva]. M.: IPU RAN, 2013, s. 248- 261.

63. Publish or Perish. Rezhim dostupa URL: http://www.harzing.eom/pop.htm#metrics (data obrashhenija 26.08.2015.)

64. Shtovba S.D., Shtovba E.V. Indeks citirovanija, uchityvajushhij skrytuju diffuziju nauchnyh znanij // Nauchno-tehnicheskaja informacija. Ser. 1 «Organizacija i metodika informacionnoj raboty». - 2013. - №7. - S. 28-31. Rezhim dostupa URL: http://shtovba.vk.vntu.edu.ua/file/6ad63e809551b1e63ab2b9e21f9190e2.pdf

65. Grinchenko C. N. Imeet li reshenie zadacha permanentnoj ocenki vklada uchenogo v nauku? // Upravlenie bol'shimi sistemami / Sbornik trudov. Special'nyj vypusk 44 - Naukometrija i jekspertiza v upravlenii naukoj / [pod red. D.A. Novikova, A.I. Orlova, P.Ju. Chebotareva]. M.: IPU RAN, 2013, s. 280 - 291. Rezhim dostupa URL: http://ubs.mtas.ru/archive/index.php?SECTION ID=685

66. Mihajlov O. V. Citiruemost' uchenogo: vazhnejshij li jeto kriterij kachestva ego nauchnoj dejatel'nosti? // Informetries.ru. Jelektronnyj zhurnal. Stat'ja № 1079. Rezhim dostupa URL: http://www.informetrics.ru/articles/sn.php?id=56 (data obrashhenija: 26.08.2015).

67. Orlov A.I. Metodologicheskie oshibki vedut k nepravil'nym upravlencheskim reshenijam // Upravlenie bol'shimi sistemami. Vyp. 27. - M.: IPU RAN, 2009. - S. 59-65.

68. Jepshtejn V. L. O kontrproduktivnosti ispol'zovanija naukometricheskogo pokazatelja rezul'tativnosti nauchnoj dejatel'nosti dlja budushhego Rossii // Problemy upravlenija. - 2007. - №3. - S. 70-72. Rezhim dostupa - URL: http://cvberleninka.ru/article/n/o-kontrproduktivnosti-ispolzovaniya-naukometricheskogo- pokazatelva-rezultativnosti-nauchnov-devatelnosti-dlya-buduschego-rossii

69. Murav'ev A.A. K voprosu o klassifikacii rossijskih zhurnalov po jekonomike i smezhnym disciplinam // Nauchnye doklady. - 2012. -T.14 (R). - S. 1- 60. Rezhim dostupa: http://www.gsom.spbu.ru/files/upload/niim/publishing/2012/wp_muravyev.pdf

70. Silina A.Ju., Vasil'eva V.D., Derbisher V.E., Germashev I.V. Sistematizacija naukometricheskih pokazatelej jeffektivnosti nauchnoj dejatel'nosti // Informacionnye tehnologii. - 2009. - №6. - S. 53-56.

71. Mezhdunarodnyj sojuz matematikov predosteregaet ot nepravil'nogo ispol'zovanija statistiki citirovanij // Polit.ru / Nauka. - 16 ijunja 2008. Rezhim dostupa - URL: http://www.polit.ru/news/2008/06/16/mathunion/ (data obrashhenija: 08.01.2013).

72. Soloshenko N.S., Kirillova O.V. Otrazhenie rossijskih zhurnalov v BD Science Citation Index i SCOPUS // Educational Technology & Society. 2006. - V.9. - No.3. - P.313-320.

73. Hirsch J. E. An index to quantify an individual's scientific research output // Proceedings of the National Academy of Sciences. 2005. - Vol. 102. - No. 46. - P. 16569-16572. Rezhim dostupa -URL: http://www.pnas.org/content/102/46/ 16569.full

74. www.elibrary.ru/defaultx.asp - nauchnaja jelektronnaja biblioteka

75. http://school-collection.edu.ru/ - federal'noe hranilishhe Edinaja kollekcija cifrovyh obra-zovatel'nyh resursov

76. www.diss.rsl.ru - jelektronnaja biblioteka dissertacij

77. http://www.edu.ru/ - federal'nyj portal Rossijskoe obrazovanie

78. http://www.igumo.ru/ - internet-portal Instituta gumanitarnogo obrazovanija iinfor-macionnyh tehnologij

79. www.edu.ru - sajt Ministerstva obrazovanija RF

80. http://riep.ru - sajt Rossijskogo nauchno-issledovatel'skogo instituta jekonomiki, politiki i prava v nauchno-tehnicheskoj sfere (RlJePP)

81. www.humanities.edu.ru - sajt «Gumanitarnoe obrazovanie»

82. www.edu.ru - federal'nyj portal «Rossijskoe obrazovanie»

83. http://www.eduhmao.ru/info/1/4382/ - informacionno-prosvetitel'skij portal

84. http://www.iqlib.ru - jelektronnaja biblioteka obrazovatel'nyh i prosvetitel'nyh izdanij

85. http://www.integro.ru - Centr Sistemnyh Issledovanij «Integro»

86. Lucenko E.V. Sintez i verifikacija mnogokriterial'noj sistemno-kognitivnoj modeli universi-tetskogo rejtinga Gardian i ee primenenie dlja sopostavimoj ocenki jeffektivnosti rossijskih vuzov s uchetom napravlenija podgotovki / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №03(107). S. 1 - 62. - IDA [article ID]: 1071503001. - Rezhim dostupa: http://ej.kubagro.ru/2015/03/pdf/01.pdf, 3,875 u.p.l.

87. Lucenko E.V. ASK-analiz problematiki statej Nauchnogo zhurnala KubGAU v dinamike / E.V. Lucenko, V.I. Lojko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №06(100). S. 109 - 145. - IDA [article ID]: 1001406007. - Rezhim dostupa: http://ej.kubagro.ru/2014/06/pdf/07.pdf, 2,312 u.p.l.

Текст научной работы на тему «Наукометрическая интеллектуальная измерительная система по данным РИНЦ на основе АСК-анализа и системы "Эйдос"»