Search academic texts

Information × Registration Number 2125U004810, Article popup.category Стаття, Опубліковано Title METHOD OF FORMATION OF PROGNOSED INDICATORS OF ACTIVITY OF SCIENTIFIC AND PEDAGOGICAL WORKERS For the purpose of the intellectually analyzed system of their analysis The activities of this rating (AI translated) popup.author Пукас Андрій ВасильовичСімак Андрій ЮрійовичPukas Andrii VasylovychSimak Andrii Yuriiovych popup.publication 30-06-2025 popup.source_user "Наукові праці Вінницького національного технічного університету" (Вінницький національний технічний університет) popup.source https://praci.vntu.edu.ua/index.php/praci/article/view/813 popup.publisher Вінницький національний технічний університет Description У сучасному науковому середовищі ефективність дослідників та викладачів часто оцінюється за допомогою формальних показників, таких як кількість публікацій, цитувань, грантів, педагогічних досягнень тощо. У науковій роботі описано метод формування прогнозованих показників активності науково-педагогічних працівників для побудови персоналізованих рекомендацій, що забезпечить підвищення ефективності їх діяльності у майбутньому періоді. Цей метод запропоновано реалізувати як модуль у складі інтелектуалізованої системи аналізу діяльності та рейтингування науково-педагогічних працівників закладу вищої освіти. Прогнозовані показники активності користувача системи можна сформувати на основі аналізу активності інших користувачів за подібною діяльністю. Запропоновано комбінований підхід, який враховує Евклідову відстань, косинусну подібність, спільні та унікальні критерії, бальну відмінність між спільними критеріями, нормалізацію показників та часову динаміку прогресу, а також дозволяє знаходити користувачів зі схожими, але кращими показниками діяльності, і формулювати конкретні пропозиції для покращення результатів діяльності користувача. Взаємодію з даними у роботі реалізовано на основі графової бази даних Neo4j, яка забезпечила ефективне моделювання складних взаємозв'язків між користувачами, їх звітами, критеріями, даними користувачів, бальними показниками та результатами. Графова модель дозволяє легко додавати нові типи даних та зв'язки, що робить процес пошуку масштабованим та гнучким, та аналіз результатів більш простішим. Аналіз часової динаміки (загальний прогрес, щорічний приріст балів) додає контекст до порівняння користувачів, що збільшує точність знаходження схожих користувачів. Обчислення загального індексу подібності через вагову суму різних факторів (спільні критерії, унікальні критерії, покращення балів, Евклідова відстань, косинусна подібність) забезпечує комплексний підхід до аналізу. popup.nrat_date 2026-04-20 Close