Пошук академічних текстів

Інформація × Реєстраційний номер 2125U004810, Матеріали видань та локальних репозитаріїв Категорія Стаття, Опубліковано Назва роботи МЕТОД ФОРМУВАННЯ ПРОГНОЗОВАНИХ ПОКАЗНИКІВ АКТИВНОСТІ НАУКОВО-ПЕДАГОГІЧНИХ ПРАЦІВНИКІВ ДЛЯ ІНТЕЛЕКТУАЛІЗОВАНОЇ СИСТЕМИ АНАЛІЗУ ЇХ ДІЯЛЬНОСТІ ТА РЕЙТИНГУВАННЯ Автор Пукас Андрій ВасильовичСімак Андрій ЮрійовичPukas Andrii VasylovychSimak Andrii Yuriiovych Дата публікації 30-06-2025 Постачальник інформації "Наукові праці Вінницького національного технічного університету" (Вінницький національний технічний університет) Першоджерело https://praci.vntu.edu.ua/index.php/praci/article/view/813 Видання Вінницький національний технічний університет Опис 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. Додано в НРАТ 2026-04-20 Закрити