Математическое и алгоритмическое обеспечение вычислительного комплекса обработки обучающей информации тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат наук Рогов Игорь Евгеньевич

• Рогов Игорь Евгеньевич
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Рогов Игорь Евгеньевич

ВВЕДЕНИЕ

1. Анализ обучающих алгоритмов и методов

1.1. Обучающая и образовательная информация

1.2. Обработка обучающей информации

1.3. Принципы алгоритмизации обучающей информации

1.4. Обучающие и образовательные алгоритмы

1.5. Идеология комплексной оценки обучения

1.6. Модели и методы оценки знаний

1.6.1. Простейшая модель

1.6.2. Модели на основе вероятностных критериев

1.6.3. Модели, учитывающие время выполнения и уровень усвоения

заданий

1.6.4. Модель линейно-кусочной аппроксимации

1.6.5. Классификационные модели

1.6.6. Адаптивные модели и методы контроля

Выводы

2. Разработка алгоритмов для обучающих систем

2.1. Анализ сложности тестирующих программ

2.2. Временная сложность тестирования

2.3. Проблема определения латентной информация в обучении

2.3.1. Определение трудности заданий в модели Раша

2.3.2. Метод моментов для расчета трудности заданий

2.3.3. Расчет уровня подготовленности пользователя

2.4. Алгоритмы, построенные на сигмоидальных функциях

2.5. Квазисигмоидальная функция успеваемости как основа алгоритма тестирования

2.6. Квазисигмоидальная функция сложности теста

2.7. Предлагаемая модель адаптивного тестирования

2.8. Проверка предлагаемой модели адаптивного тестирования

Выводы

3. Методы разработки и поддержки обучающих алгоритмов

3.1. Гранулярный анализ информации

3.1.1. Гранулярная обработка обучающей информации

3.1.2. Свойства и особенности гранул

3.1.3. Анализ информационной гранулы

3.1.4. Теоретические основы метода гранулярного моделирования

3.1.5. Применение гранулированного анализа в сфере образования

3.2. Алгоритмы первого и второго рода

Выводы

4. Проектирование вычислительного комплекса обработки обучающей информации

4.1.Задачи вычислительного комплекса обработки обучающей информации

4.2. Архитектура вычислительного комплекса обработки обучающей информации

4.3. Основные сценарии использования вычислительного комплекса обработки обучающей информации

4.4. Выбор инструментов и технологий

4.4.1 Хранение данных

4.4.2 Конфигурация приложений

4.4.3 Сервис авторизации и аутентификации

4.4.4 Контроль качества создаваемого решения

4.5. Поддержка жизненного цикла программных компонент

4.5.1. Модели жизненного цикла

4.5.2. Составная модель ЖЦ ПК

Выводы

Основные результаты и выводы

Литература

Введение диссертации (часть автореферата) на тему «Математическое и алгоритмическое обеспечение вычислительного комплекса обработки обучающей информации»

ВВЕДЕНИЕ

Актуальность темы исследований. Методы и алгоритмы обработки обучающей информации применяют во многих областях, к числу которых относится управление, робототехника, интеллектуальные системы и другое. В сфере образования алгоритмы выступают в разных качествах: алгоритмы обучения как технологический процесс, алгоритмы тестирования как технологический и вычислительный процесс, алгоритмы обработки результатов тестирования как вычислительный процесс, алгоритмы обработки образовательной статистики как вычислительный процесс. Такая специфика делает актуальным исследование методов и алгоритмов обработки обучающей информации. Алгоритм обработки обучающей информации отличается от «чистых» вычислительных алгоритмов включением когнитивных и качественных факторов. Это также делает исследования в данной области актуальными.

С точки зрения решения практических задач: задача по обеспечению процессов образовательной деятельности - является очень важной поддержкой вычислительных систем учебных организаций. И здесь надо обратить внимание, в том числе, на потребности программно-аппаратного обеспечения для организации деятельности. Динамически меняющиеся условия функционирования требуют поддержки новых возникающих бизнес-процессов, реализация которых может производиться различными путями. Первый - экстенсивный, за счет закупки дополнительного оборудования и программного обеспечения. Второй, более целесообразный, - интенсивный, за счёт оптимизации использования вычислительных ресурсов и разработки новых программно-аппаратных решений на основе уже имеющегося оборудования. Это может быть возможно, например, за счет разработки новых алгоритмов обучающей информации, которые будут иметь меньшую вычислительную сложность по сравнению с существующими решениями,

а значит требовать существенно меньше вычислительных ресурсов, что даст возможность более эффективного использования имеющегося оборудования.

Во-вторых, необходима разработка оптимальной системы взаимодействия (интерфейсов) программных средств, которая позволит осуществить балансировку использования имеющихся вычислительных ресурсов, и, как следствие, может избавить от покупки дополнительного оборудования. Это является очень важным аспектом с практической точки зрения.

Актуальность работы обусловлена информационной и научной потребностью создания методологии и технологии компьютерной обработки информации в условиях роста многообразия и объемов обучающей информации, без привлечения дополнительного финансирования. Отдельно необходимо отметить потребность разработки научных методов обработки информации, полученной в ходе тестирования, как наиболее важного инструмента контроля хода образовательного процесса. Алгоритмы анализа успеваемости позволяют объективно, с помощью аналитических функций, сравнивать результаты и являются необходимым инструментом управления качеством образовательного процесса. Анализ методов оценки сложности тестов и алгоритмов тестирования также является важным инструментом для управления качеством образовательного процесса.

Ещё одним из решений может быть разработка и использование алгоритмов адаптивного тестирования, которые позволяют при меньших затратах времени и загруженности вычислительных ресурсов получить достаточно точные для принятия решений результаты контроля качества обучения. Выигрыш в данном случае достигается за счет того, что при тестировании испытуемому задается меньшее число вопросов для оценки его уровня подготовленности. Однако при адаптивном тестировании, так же, как и при обычном тестировании, необходимо определять сложность заданий

Поэтому разработка новых алгоритмов тестирования и обработки его результатов так важны с точки зрения уменьшения вычислительных затрат.

В этой связи можно отметить, что существующие подходы, в основе которых лежит модель Раша или Бирнбаума для расчета сложности заданий и уровня знаний имеют большую вычислительную сложность. Их использование для большого числа студентов требует очень больших вычислительных затрат, и как показывает практика, загружает вычислительные мощности университета на недопустимо продолжительное время, мешая выполнению других текущих задач.

Результаты исследований, которые легли в основу настоящей работы, связаны с разработкой прикладного математического и программно-технологического обеспечения необходимого для повышения эффективности и надежности процессов обработки и передачи данных и знаний.

Объектом исследования данной работы являются модели, методы и алгоритмы обработки информации применительно к сфере образования и обучения, связанные с совершенствованием программного обеспечения учреждений науки и образования Российской Федерации, а также вопросы взаимодействия их программных модулей с целью оптимизации загруженности вычислительных комплексов учебного заведения.

Предмет исследования определен паспортом специальности 05.13.11 область исследования п.3 (Модели, методы, алгоритмы, языки и программные инструменты для организации взаимодействия программ и программных систем), а также перечнем задач, решаемых в диссертации.

Степень разработанности проблемы.

При работе над диссертацией были изучены коллективные труды и отдельные работы российских авторов, посвященные математическим методам и алгоритмам, позволяющим эффективно осуществлять применение информационных систем. Среди таких работ следует отметить вклад в разработанность проблемы: Иванникова А. Д., Кораблина Ю. П., Никуличева Е. В., Раева В. К., Тарасова И. Е. и др. Необходимо выделить работы в области вычислений таких учёных как: Абрамов С. М., Балашов Е. П., Бурцев В. С., Вольфенгаген В. Э., Гильберт Д., Глушков В. М.,

Евдокимов В. Ф., Евреинов Э. В., Забродин А. В., Игнатьев М. Б., Каляев А. В., Каляев И. А., Колмогоров А. Н., Корнеев В. В., Королев Л. Н., Косарев Ю. Г., Кудж С. А., Кулагин В. П., Лазарев В. Г., Лацис А. О., Лебедев С. А., Левин В. К., Левин И. И., Марчук Г. И., Мельников В. А., Митропольский Ю. И., Непейвода Н. Н., Поспелов Д. А., Прангишвили И. В., Пузанков Д. В., Пухов Г. Е., Рябов Г. Г., Самарский А. А., Смолов В. Б., Томилин А. Н., Хетагуров Я. А., Хлебников В. А., Хорошевский В. Г., Цветков В. Я., Четверушкин Б. Н., Шокин Ю. И., Яненко Н. Н., J. Dongarra, J. L. Traf, M. Snir, P. Balaji, R. Rabenseifner, S. Cray, S. Matsuoka, T. Hoeler, T. Sterling, W. Gropp, и др. Также в научно-технической литературе значительное число публикаций посвящено проблемам построения алгоритмов, обработки обучающей информации и теории тестирования. Основополагающие результаты были получены в работах G. Rush, Cormen Th. H., Moore G. E., Bell G., Atkinson C., Kühne T., Hajek P., Pudlak P., Clear J., Martin-Lof P., Russell B., Brouwer L. E. J., Dung P. M., Yao Y. Y., Lin T. Y., Mirtaheri S. L., Grandinetti L., Van Gerven M., Verhulst P. F., Cramer S., и других авторов. Анализ проводимых исследований в отмеченных работах показал, что на настоящий момент не сформировался единый подход для решения задач повышения качества образовательного процесса через управление обучающей информацией, и, остаётся нерешённой задача повышения оперативности формирования гетерогенной информации, обеспечивающей её устойчивый анализ.

Целью диссертационного исследования является разработка математического и алгоритмического обеспечения, направленного на повышение эффективности вычислительных комплексов обработки обучающей информации за счёт математических моделей вычислений латентных параметров обучающей информации и оптимизации взаимодействия используемых программных инструментов.

Для достижения поставленной цели автором были решены следующие задачи:

1. Проведено аналитическое исследование проблематики в части развития математического обеспечения и алгоритмов обработки обучающей информации в условиях влияния когнитивных и латентных факторов на результат обработки информации. Это позволило определить цель диссертационного исследования.

2. Проведено исследование временной сложности разработанных алгоритмов использования обучающей информации, а также осуществлена разработка и исследование функции сложности для расчета оценок сложности изучаемых предметов. Это позволило разработать математическую модель и алгоритмы тестирования на основе квазисигмоидальной функции по расчету неявных параметров групповой успеваемости, которая имеет меньшую вычислительную сложность, чем алгоритмы на основе моделей Раша и Бирнбаума.

3. Разработана модель и алгоритм адаптивного тестирования, позволяющие существенно уменьшить число тестовых заданий для оценки уровня подготовленности испытуемого, что позволяет оптимизировать нагрузку на вычислительный комплекс университета при массовой проверке знаний (практика показала преимущества этого подхода при переходе на дистанционное обучение во время эпидемии Covid-19).

4. Проведено исследование применения гранулярного анализа и гранулярных вычислений для обработки гетерогенной обучающей информации, а также применения конструктивного подхода для построения моделей и алгоритмов обработки обучающей информации (для построения модели кумулятивной переменной), позволяющих оптимизировать взаимодействие между программными модулями с целью уменьшения нагрузки на вычислительный комплекс учебного заведения.

5. Проведена разработка архитектуры программного обеспечения вычислительных комплексов обучения с целью оптимизации взаимодействия программных модулей для снижения затрат вычислительных ресурсов, а также моделей жизненного цикла программных компонент вычислительных

комплексов обработки обучающей информации с целью повышения периода их эксплуатации.

Методы исследования. В работе использованы методы системного анализа, гранулярных вычислений, теории вероятностей, теории конструирования алгоритмов, метамоделирования, методы сравнительного анализа, методы оценки сложности, методы проектирования жизненного цикла.

Научная новизна работы состоит в:

1. Разработке асимптотической модели оценки временной сложности тестирования и модели кумулятивной переменной для обеспечения внутренней корреляции с целью выявления латентных параметров обучающей информации (сложности изучаемых предметов) и латентных групповых параметров успеваемости учащихся, что позволяет уменьшить вычислительную сложность алгоритмов обработки информации и как следствие оптимизировать использование вычислительных ресурсов.

2. Разработке методов гранулярного анализа для обработки гетерогенной обучающей информации и применения конструктивного подхода для построения моделей и алгоритмов обработки гетерогенной обучающей информации. Использование этих методов и подходов позволяет обеспечить наиболее оптимальное взаимодействие между программными модулями учебных вычислительных комплексов с целью оптимизации загруженности аппаратных средств.

3. Разработке новой модели адаптивного тестирования, позволяющей существенно уменьшить число тестовых заданий для оценки уровня подготовленности испытуемого при сохранении необходимой точности (практика показала преимущества этого подхода для оптимизации нагрузки на вычислительный комплекс университета при переходе на дистанционное обучение во время эпидемии Covid-19).

4. Разработано архитектурное решение и модель жизненного цикла программного обеспечения обучающего вычислительного комплекса,

позволяющее оптимизировать взаимодействие между программными модулями и тем самым снизить потребление необходимых вычислительных мощностей при обработке учебной информации и нагрузку на оборудование, а также повысить период эксплуатации программного обеспечения.

Практическая значимость работы состоит в:

Разработке методов и подходов (алгоритмы тестирования и обработки его результатов, имеющие меньшую по сравнению с существующими вычислительную сложность); оптимизации взаимодействия программных модулей; программной архитектуры обучающих систем, которые все вместе, по совокупности, требуют для своего выполнения существенно меньше вычислительных ресурсов, и дают возможность для более эффективного использования имеющегося оборудования для достижения желаемых результатов.

Основные положения, выносимые на защиту:

1. Модели оценки временной сложности тестирования и кумулятивной переменной для обеспечения внутренней корреляции с целью выявления латентных параметров обучающей информации (сложности изучаемых предметов) и латентных групповых параметров успеваемости, учащихся на основе использования квазисигмоидальных функций.

2. Модель адаптивного тестирования, позволяющая существенно уменьшить число тестовых заданий для оценки уровня подготовленности испытуемого при сохранении необходимой точности оценки знаний.

3. Методы гранулярного анализа для обработки гетерогенной обучающей информации и применение конструктивного подхода для построения моделей и алгоритмов обработки гетерогенной обучающей информации, что позволяет оптимизировать взаимодействие программных модулей вычислительных комплексов университета с целью уменьшения затрат времени и их загруженности.

4. Архитектура программного обеспечения и модель жизненного цикла обучающего вычислительного комплекса, позволяющие оптимизировать

взаимодействие между программными модулями и увеличить период эксплуатации программного обеспечения.

Достоверность и обоснованность результатов исследования подтверждается вычислительными экспериментами по оценке групповой успеваемости и оценке сложности, корректным использованием математического аппарата прикладной математики, непротиворечивостью известным результатам и соответствием получаемой информации требованиям специалистов в сфере обработки информации и успешным промышленным внедрением.

Теоретическая значимость научных результатов диссертационного исследования заключается в проведении исследования обучающей информации и обучающих алгоритмов; в систематике алгоритмов первого и второго рода в обучающих системах; в доказательстве того, что метамоделирование можно применять при вторичной обработке информации для выявления латентных характеристик; в доказательстве применения гранулярного анализа и гранулярных вычислений для выявления латентных параметров и причинно-следственной связи; в разработке асимптотической модели оценки временной сложности тестирования; в разработке модели кумулятивной переменной; в разработке и применении функции успеваемости; в разработке и применении функции сложности; в разработке и применении новых алгоритмов адаптивного тестирования; в разработке архитектуры программного обеспечения и модели жизненного цикла обучающего вычислительного комплекса, позволяющих оптимизировать взаимодействие между программными модулями и увеличить период эксплуатации программного обеспечения.

Практическая значимость. Научные и практические результаты диссертации использованы в обеспечении производственной деятельности университета, а также при проведении исследований эффективности процессов обработки и передачи данных в вычислительных машинах, комплексах и компьютерных сетях в рамках проведения ряда научно-

исследовательских и опытно-конструкторских работ, о чем свидетельствуют акты о внедрении результатов в РТУ МИРЭА и другие организации.

Личный вклад. Все основные результаты получены автором лично. Вклад соискателя в публикации, выполненные в соавторстве, заключается в следующем: автором разработана модель решения задачи оптимизации жизненного цикла, разработаны оценки сложности программных компонент, предложено применение асимптотического подхода при оценке сложности тестирующих алгоритмов, предложена идея гранулярного анализа обучающей информации. Автор принимал активное участие в разработке архитектуры, реализации, программировании и тестировании программного обеспечения, внедрённого в РТУ МИРЭА.

Апробация работы. Основные результаты работы докладывались и обсуждались на: конференциях:

IOP Conf. Series: Materials Science and Engineering, 919 (2020), Conference Series. Krasnoyarsk Science and Technology City Hall of the Russian Union of Scientific and Engineering Associations. Krasnoyarsk, Russian Federation (2020 г.);

2-й Международной научно-практической конференции «Методы и модели пространственного анализа» (14 октября 2019 г.), Бургас, Болгария;

Международной научно-практической конференции «Развитие инфокоммуникационных технологий. Теория и практика» (5 декабря 2019 г.), Бургас, Болгария;

Четвёртой научно-технической конференции студентов и аспирантов ФГБОУ ВО «МИРЭА - Российский технологический университет» (май 2019 г.);

XX Международной научно-практической конференции «Математические методы и модели анализа и прогнозирования развития социально-экономических процессов черноморского побережья Болгарии» (1 декабря 2020 г.), Бургас, Болгария;

Пятой научно-технической конференции студентов и аспирантов ФГБОУ ВО «МИРЭА - Российский технологический университет» (май 2020 г.);

IV Международной научно-практической конференции «Актуальные вопросы современной науки и образования» (15 февраля 2021 г.), Петрозаводск;

II Международной научно-практической конференции (15 марта 2021 г.), Петрозаводск.

Кроме того, результаты исследований докладывались на научных семинарах РТУ МИРЭА и ряда других университетов.

Публикации. Основные результаты диссертационного исследования опубликованы в 27 работах, из них 3 в изданиях Scopus, 4 в изданиях, включённых в перечень рецензируемых журналов, рекомендованных ВАК.

Структура и объем диссертационной работы. Диссертационная работа состоит из введения, 4 глав, заключения, списка цитируемой литературы и приложения. Общий объем работы составляет 189 страниц, в работе присутствует 47 рисунков, 10 таблиц, библиографический список из 214 наименований.

1. Анализ обучающих алгоритмов и методов

1.1. Обучающая и образовательная информация

Обучающая информация (Training information) - более широкое понятие в сравнении с образовательной информацией. Оно используется в среднем и высшем образовании [1, 2], при переподготовке специалистов, при подготовке и использовании тренажеров даже в программировании [3], при использовании и подготовке искусственных нейронных сетей [4], при подготовке интеллектуальных систем [5], при подготовке киберфизических систем [6], при отладке программ, при создании виртуального моделирования [7, 8], при тестировании программного обеспечения [9-11].

Образовательная информация [12] (Educational information) - это информация, которую применяют в сфере образования. Она характеризуется двумя однонаправленными потоками. Первый основной поток -«информирующий» направлен от объекта или субъекта обучения к учащемуся. Второй поток направлен от учащегося к преподавателю или тестирующей системе. Он является контрольным или тестирующим. Однонаправленность потоков в образовательной информации дает основание рассматривать их как информационное воздействие.

Обучающая информация содержит дополнительные информационные потоки, что ставит задачу их моделирования [13]. Например, нейронную сеть обучают [14] на условиях задачи (входное множество) и известных решениях (выходное множество). При этом соблюдаются отношения соразмерности [15] для области применения и отношение информационного соответствия для условий и задач. Для потока имеет место интерактивность или информационное взаимодействие [16], а не воздействие как в Educational information. Отсюда первое отличие является потоковым и состоит в использовании взаимодействия [16] вместо воздействия. Или замену однонаправленности на двунаправленность.

Второе различие является информационно когнитивным. Educational information осуществляется в основном по информационному каналу. То есть она является информационно определенной, воспроизводимой и повторяемой как явное знание. Преподаватель передает информационные сообщения, которые учащийся может продублировать по другим источникам. Преподаватель как субъект обучения является основным, но не единственным источником информации. Он осуществляет информирование, учащийся усвоение информации

Training information идёт в основном по когнитивному каналу и частично по информационному каналу. В этом случае субъект обучения или объект обучения чаще решают задачу выбора и принятия решения, чем просто информирование.

Третье отличие состоит в объектной ориентации. Образовательная информация ориентирована на один тип объектов - учащийся или учащийся перципиент. Обучающая информация ориентирована на разные типы объектов. Например, при использовании тренажера обучающая информация используется для обеспечения тренажера возможностями представления информационных ситуаций, для обеспечения тренажера возможностями обучения, для обеспечения тренажера информационным взаимодействием между действиями учащегося и результатом его действий.

Прежде чем тренажер используют его надо обучить. Прежде чем преподаватель начнет читать лекции он должен собрать разную информацию и подготовить лекции. На этом этапе он используют когнитивные факторы и когнитивную информацию. Возникает необходимость когнитивного моделирования [17, 18]. Прежде чем запустить программу, ее необходимо протестировать и оценить надежность.

Четвертое отличие является ситуационным [19-21]. Оно имеет аналог между темой и задачами. На одну учебную тему, может быть, множество разных задач. При обучении и использовании Educational information ситуация обучения повторяется из года в год. На начальной стадии цикла обучения

учащиеся находятся в состоянии информационной асимметрии между индивидуальными знаниями и объемом знаний, которые необходимо получить по завершению цикла обучения.

Обучающая информация направлена на обучение и поддержку процессов обучения, контроля обучения и оценки результатов обучения. Обучающая информация направлена на результат обучения и использование метамоделирования для получения выводов по совершенствованию процесса обучения. Обучающая информация использует множество ситуаций. Она используется для подготовки и использования средств обучения. Это можно определить как информационный поток поддержки обучения.

Training information используется для верификации средств обучения [22]. Training information используется для контроля состояния ПО и его обновления или регенерации [23]. То есть она включает сервисные функции дополнительно к образовательным функциям. Обучающая информация используется для расширения возможностей средств обучения. Например, в ходе эксплуатации транспортного средства выявляется ситуация, которая ранее не встречалась. Это характерно для высокоскоростного движения. При переподготовке специалистов такую ситуацию необходимо описать, включить в тестирующую систему [24] или тренажер и дать решение при её появлении.

В ходе изучения предмета могут появиться новые технические и научные достижения в этой области. Преподаватель должен собрать такую информацию, переработать её (это обучающая информация) и представить её в терминах языка учебного предмета [25], то есть преобразовать в образовательную информацию.

1.2. Обработка обучающей информации

Образование можно рассматривать как совокупность связанных процессов передачи нормативных знаний [26, 27], приобретения явных знаний, приобретения навыков, приобретения убеждений, приобретения опыта (неявных знаний) [28-30], тестирования [31-33], развития интеллекта. Соответственно, образовательная информация - это не информация, а совокупность информационных образовательных моделей [34, 35] передающих знания. В образовании передают не информацию, а знания. Образовательные информационные технологии включают информационное воздействие, информационное взаимодействие, потоковое обучение [36, 37], мультимедийное обучение [38-40], виртуальное обучение [41], обучение с использованием дополненной реальности [42], обучение с использованием паралингвистических средств [43, 44]. Образовательные методы включают обучение, тренинг, рассказывание историй, дискуссии и научное исследование. Обучение осуществляется под руководством преподавателей, наставников, коучей, но учащиеся могут заниматься самообразованием. Целью образования являются: устранение информационной асимметрии [45, 46] между знанием учащихся и нормативным знанием, увеличение знаний учащихся, рост интеллекта учащихся, формирование картины мира у учащихся [47-50]. Именно это обусловило понятие непрерывное образование.

Особенности обучающей информации. Необходимо провести разграничение между обучающей и познавательной информацией, и их соответствующими моделями. Термин cognitive information применяют в двух областях: область обучения и образования и область познания мира. Термин cognitive information применяют в сфере образования и обучения, а также как элемент самообразования. Термин cognitive information применяют в сфере познания, построения картины мира и в области самообучения искусственного интеллекта [51] как механизм формирования интеллектуальных решений [37] и вывода в интеллектуальных системах [52]. Во этой области термин cognitive

18

information применяют редко и значительно чаще применяют термин Cognitive Information Processing (CIP) Theory [53]. Под этим термином понимают не одну теорию, а совокупность теорий, используемых для описания всех точек зрения, которые определяют когнитивные процессы и когнитивные факторы. Среди таких факторов следует выделить: внимание, восприятие, воспринимаемость, обозримость, интерпретируемость, кодирование, запоминание, хранение и извлечение знаний. Когнитивная теория использует модель с двумя регистрами, где стимулы попадают в сенсорный регистр, а оттуда - в краткосрочную память. Модель похожа на компьютерную. Восприятие - это рецепция, перцепция и апперцепция. Гештальт-теория определяет, что «субъективные переживания не могут быть объяснены с помощью ссылки на задействованные объективные элементы». Гештальт-теория предполагает, что мы организуем наши восприятия, используя общие принципы, например фигура-фон, близость, сходство, общее направление, простота.

Список литературы диссертационного исследования кандидат наук Рогов Игорь Евгеньевич, 2022 год

Литература

1. Цветков В. Я. Информационное поле и информационное пространство // Международный журнал прикладных и фундаментальных исследований. -2016. - № 1-3. - с. 455-456.

2. Ожерельева Т. А. Особенности тестирования студентов в области наук о Земле // Международный журнал прикладных и фундаментальных исследований. - 2013. - № 5 - с. 109-110.

3. Якименко О. В. Применение обучающих программ-тренажеров в обучении программированию // Вестник Томского государственного педагогического университета. - 2009. - №. 1.

4. Бакунова О. М. и др. Использование нейронных сетей в образовании // Web of Scholar. - 2018. - Т. 1. - №. 1. - с. 8-10.

5. Розенберг И. Н., Цветков В. Я. Среда поддержки интеллектуальных систем // Транспорт Российской Федерации. - 2011. - № 6. - с. 6-8.

6. Цветков В. Я. Управление с применением кибер-физических систем // Перспективы науки и образования. - 2017. - №3(27). - с. 55-60.

7. I. P. Deshko, K. G. Kryazhenkov, E. E. Cheharin. Virtual Technologies // Modeling of Artificial Intelligence. 2016, 1 (9), p. 33-43. DOI: 10.13187/mai.201

8. Tsvetkov V. Ya. Virtual Modeling // European Journal of Technology and Design, 2016, 1(11), pp. 35-44/

9. Рогов И. Е. Методы и алгоритмы обработки образовательной информации // Славянский форум. 2021, 1(31). с. 211-227.

10. Рогов И. Е. Разработка алгоритмов для обучающих систем // Славянский форум. - 2019. - 3(25). - с. 56-66

11. Рогов И. Е. Обработка познавательной информации // Славянский форум. - 2020. - 4(30). - с. 378-385

12. Klochkov V. P. et al. Parameters of modeling the semantic compatibility of educational information // Amazonia Investiga. - 2019. - Т. 8. - №. 23. - с. 506516.

13. Рогов И. Е. Моделирование транспортных потоков // Наука и технологии железных дорог. - 2019. Т.3. - 3(11). - с. 26-38

14. Созыкин А. В. Обзор методов обучения глубоких нейронных сетей // Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. - 2017. - Т. 6. - №. 3.

15. Раев В. К. Соразмерность в информационном поле // Славянский форум. 2021, 3(33). с. 105-114.

16. Кудж С. А. Информационное взаимодействие и его атрибуты// Славянский форум. - 2017. - 4(18). - с. 27-33.

17. Цветков В. Я. Когнитивные аспекты построения виртуальных образовательных моделей// Перспективы науки и образования. - 2013. - №3. -с. 38-46.

18. Рогов И. Е., Чехарин Е. Е. Когнитивные конструкции информационного поиска. // Славянский форум. - 2020. - 3(29). - с. 150-159.

19. Цветков В. Я., Андреева О. А., Рогов И. Е., Титов Е. К. Ситуационное моделирование транспортной инфраструктуры при мобильном лазерном сканировании // Автоматика, связь, информатика. 2020. № 2. с. 2-4.

20. Цветков В. Я. Систематика информационных ситуаций // Перспективы науки и образования. - 2016. - №5 (23). - с. 64-68.

21. Цветков В. Я. Модель информационной ситуации // Перспективы науки и образования. - 2017. - №3(27). - с. 13-19.

22. Тухтаматов Х. Р. К вопросу верификации программных средств, используемых в электронном обучении // Информатизация образования: теория и практика. - 2014. - с. 157-158.

23. V. T. Matchin, I. Е. Rogov and V. Ya. Tsvetkov. Régénération of information control systems, 2020. IOP Conf. Sériés: Materials Science and Engineering, 919 (2020) 052005, doi:10.1088/1757-899X/919/6/052005

24. Розенберг И. Н. Дополнительное профессиональное обучение специалистов железнодорожного транспорта // Современное дополнительное профессиональное педагогическое образование. - 2016. - №2. - с. 84.-94.

25. Иванников А. Д. Проблема информационных языков и современное состояние информатики // Вестник МГТУ МИРЭА. - 2014. - № 4(5). - с. 39-62.

26. Черепанов В. С., Любимова О. В. Нормативное образование и технологические знания // Высшее образование сегодня. - 2010. - №. 4. -с. 42-44.

27. Бекулов Х. М., Бекулова И. Б. Нормативное обеспечение дистанционного обучения при реализации образовательных программ // Актуальные проблемы гуманитарных и естественных наук. - 2015. - №. 1-2. -с. 52-54.

28. Цветков В. Я. Неявное знание и его разновидности // Вестник Мордовского университета. - 2014. - Т. 24. № 3. - с. 199-205.

29. Цветков В. Я. Анализ неявного знания // Перспективы науки и образования. - 2014. - №1 (7). - с. 56-60.

30. A. S. Sigov and V. Ya. Tsvetkov. Tacit Knowledge: Oppositional Logical Analysis and Typologization // Herald of the Russian Academy of Sciences, 2015, Vol. 85, No. 5, pp. 429-433. DOI: 10.1134/S1019331615040073.

31. Рогов И. Е. Алгоритмы тестирования и познания // АКТУАЛЬНЫЕ ВОПРОСЫ СОВРЕМЕННОЙ НАУКИ И ОБРАЗОВАНИЯ: сборник статей IV Международной научно- практической конференции (15 февраля 2021 г.) -Петрозаводск : МЦНП «Новая наука», 2021. - с. 39-46.

32. Цветков В. Я. Оппозиционное и ситуационное тестирование // Международный журнал прикладных и фундаментальных исследований. -2016. - №6 -5. - с. 978-978.

33. Цветков В. Я. Направления тестирования в сфере образования // Современное дополнительное профессиональное педагогическое образование. - 2017. - № 2. - c.72 -80.

34. Раев В. К. Информационные модели как метод познания // Славянский форум. -2020. - 2(28). - с. 84-93.

35. Цветков В. Я. Информационные модели объектов, процессов и ситуаций // Дистанционное и виртуальное обучение. - 2014. - 5(83). - с. 4-11.

36. Грибан О. Н., Грибан И. В. Технология стрим-обучения в образовательном процессе: способы и перспективы применения // Педагогическое образование в России. - 2019. - №. 1. - с. 15-17.

37. Арбузов С. С. Использование технологий потоковой передачи данных при обучении студентов вуза // Информатизация образования и методика электронного обучения. - 2019. - с. 14-19.

38. Кудж С. А. Мультимедийные образовательные модели // Управление образованием: теория и практика - 2013. - № 4. - с. 9-14.

39. Кудж С. А., Сценарии мультимедийного образования // Управление образованием: теория и практика - 2014. - № 1. - с. 139-144.

40. Кужелев П. Д. Сценарии обучения с использованием мультимедиа // Образовательные ресурсы и технологии. - 2015. - №2 (10). - с. 17-22.

41. Ожерельева Т. А. Виртуальное образование и синергетика // Управление образованием: теория и практика. - 2015. - № 1(17). - с.20- 27.

42. Катханова Ю. Ф., Бестыбаева К. И. Технология дополненной реальности в образовании // Педагогическое мастерство и педагогические технологии. - 2016. - №. 2. - с. 289-291.

43. Цветков В. Я. Паралингвистические информационные единицы в образовании// Перспективы науки и образования. - 2013. - 4(4). - с. 30-38.

44. Цветков В. Я. Паралингвистические средства в дистанционном образовании // Дистанционное и виртуальное обучение. - №10. - 2013. -с. 4-11.

45. Оболяева Н. М. Устранение информационной асимметрии как инструмент повышения качества образования // Известия высших учебных заведений. Геодезия и аэрофотосъемка. - 2012. - №6. - с. 123-124.

46. Цветков В. Я. Информационная асимметрия в образовании. // Управление образованием, теория и практика. - 2014.- №4. - с. 20-28.

47. Бутко Е. Я. Персональная картина мира как результат образования // Дистанционное и виртуальное обучение. 2017. - № 1 (115). - с. 87-94.

48. Tsvetkov V. Ya. Worldview Model as the Result of Education // World Applied Sciences Journal. -2014. - 31 (2). - р.211-215.

49. Цветков В. Я. Информационное описание картины мира // Перспективы науки и образования. - 2014. - №5(11). - с. 9-13.

50. Цветков В. Я. Картина мира как образовательная парадигма // European Social Science Journal. 2013. № 10-1 (37). - с. 28-34.

51. Liang N. et al. Trsdl: Tag-aware recommender system based on deep learning-intelligent computing systems // Applied Sciences. - 2018. - Т. 8. - №. 5. - с. 799.

52. Tsvetkov V. Ya. Intelligent control technology. // Russian Journal of Sociology. 2015. №2(2). Р.97-104.

53. Osborn D. S. et al. Cognitive information processing theory // Contemporary Theories of Career Development: International Perspectives. - 2018.

54. Ожерельева Т. А. Логические информационные единицы // Славянский форум, 2015. - 2(8) - с. 240-249

55. Розенберг И. Н., Цветков В. Я. Логические информационные единицы // Международный журнал прикладных и фундаментальных исследований. - 2009. - № 4. - с.110- 111.

56. Tsvetkov V. Ya. Logic units of information systems // European Journal of Natural History. - 2009. - № 2. - p.99-100.

57. Кудж С. А., Цветков В. Я. Сравнительный анализ. - М.: МАКС Пресс, 2020. - 144с.

58. Wang H., Zhang Q., Yuan J. Semantically enhanced medical information retrieval system: a tensor factorization based approach // IEEE Access. - 2017. -Т. 5. - С. 7584-7593.

59. Кудж С. А., Цветков В. Я. Системный подход в диссертационных исследованиях // Перспективы науки и образования. - 2014. - №3(9). - с. 26-32.

60. Tsvetkov V. Ya., Matchin V. T. Information Conversion into Information Resources// European Journal of Technology and Design. - 2014. - № 2(4), p.92-104.

61. Павлов А. И. Информационные ресурсы в образовании // Международный журнал экспериментального образования. - 2014. - №5. -с. 74-78.

62. Цветков В. Я. Информационные модели и информационные ресурсы // Известия высших учебных заведений. Геодезия и аэрофотосъемка. - 2005.-№3. - с. 85-91.

63. Tsvetkov V. Ya. Information Models and Information Resources // European Journal of Technology and Design, 2016, 2 (12), p. 79-86.

64. Рогов И. Е., Цветков В. Я. Алгоритмы первого и второго рода // Славянский форум. - 2020. - 4(30). - с. 105-116.

65. Цветков В. Я. Решение задач второго рода с использованием информационного подхода // Международный журнал прикладных и фундаментальных исследований. - 2014. - №11-2. - с. 191-195.

66. Бредихин А. И. Алгоритмы обучения сверточных нейронных сетей // Вестник Югорского государственного университета. - 2019. - №. 1 (52).

67. Болбаков Р. Г., Цветков В. Я. Оценка качества образовательных порталов // Открытое образование. 2017. - 3. - с. 22-28.

68. Пушкарева К. А. Компетенции персонала как фактор качества образования // Перспективы науки и образования. - 2014. - №1. - с. 112-116.

69. Оболяева Н. М. Сравнительная оценка моделей качества образования // Перспективы науки и образования. - 2014. - №3. - с. 43-47.

70. Пак Н. И. Информационный подход и электронные средства обучения. - Красноярск: РИО КГПУ, 2013.

71. Ожерельева Т. А. Информационные образовательные конструкции // Дистанционное и виртуальное обучение. - 2016. - №5. - с. 31-38.

72. Рогов И. Е. Эволюция ситуационного управления транспортом // Наука и технологии железных дорог. 2021. Т. 5. №2 (18). - с.2 2-29.

73. Цветков В. Я. Информационные единицы сообщений // Фундаментальные исследования. - 2007. - №12-1. - с. 99.

74. Tsvetkov V. Ya. Information Units as the Elements of Complex Models // Nanotechnology Research and Practice. - 2014, № 1(1), р.57-64/

75. Ozhereleva T. А. Systematics for information units // European Researcher. 2014, № 11/1 (86), pp. 1894-1900.

76. Кудж С. А., Цветков В. Я. Информационные образовательные единицы // Дистанционное и виртуальное обучение. - 2014. - №1(79). - с. 2431.

77. http:// diagnost.psysil.ru/5.html. [Электронный ресурс] Дата обращения: 12.10.2021.

78. Matnei Filho R. A., Vergilio S. R. A multi-objective test data generation approach for mutation testing of feature models // Journal of Software Engineering Research and Development. - 2016. - Т. 4. - №. 1. - с. 4/

79. Tsvetkov V. Y. Correlative analysis and opposition variables // European Journal Of Natural History, 2014. №1, с.48-52.

80. Tsvetkov V. Yа. Opposition information analysis // European Journal of Technology and Design. - 2014. Т6. № 4. p189-196.

81. Номоконова О. Ю. Оппозиционный метод в диагностике // Славянский форум, 2016. - 3(13). - с. 207-211.

82. Савиных В. П. Оппозиционный анализ в информационном поле // Славянский форум, 2016. - 3(13). - с. 236-241.

83. Tsvetkov V. Ya. Opposition Variables as a Tool of Qualitative Analysis // World Applied Sciences Journal. - 2014. - 30(11). - р.1703-1706.

84. Рогов И. Е. Анализ тестирующих моделей и систем // Образовательные ресурсы и технологии. - 2019. - №4 (29). - с. 53-60.

85. Сафиулин Р. З. Развитие технологий тестирования в образовании // Управление образованием: теория и практика - 2015. - № 1(17) - с. 139-149.

86. Болбаков Р. Г. Знаково-символические системы // Славянский форум. -2019. - 3(25). - с. 108-117.

87. Зайцева Л. В., Прокофьева Н. О. Модели и методы адаптивного контроля знаний. // Educational Technology & Society, 2004, 7(4), с. 265-277.

88. Соловов А. В. Дидактика и технология электронного обучения в системе КАДИС // Индустрия образования, 2002, №6., с. 54-64.

89. Зайцева Л. В., Новицкий Л. П., Грибкова В. А. Разработка и применение автоматизированных обучающих систем на базе ЭВМ. - Под ред. Л.В.Ницецкого. - Рига : «Зинатне», 1989. - 174 с.

90. Зайцева Л. В. Методы контроля знаний при автоматизированном обучении. // Автоматика и вычислительная техника, 1991, Nr 4, с. 88-92.

91. Rasch G. Probabilistic Models for Some Intelligence and Attainment Tests. Copenhagen, Denmark: Danish Institute for Educational Research, 1960.

92. Журавлев Ю. И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики., 1978., вып. 33., с. 5-68.

93. Lord F. M. Application of Item Response Theory to Practical Testing Problems. Hillsdale N-J. Lawrence Erlbaum Ass., Publ., 1980, p.266.

94. Нейман Ю. М., Хлебников В. А. Введение в теорию моделирования и параметризации педагогических тестов. М.: Прометей, 2000, c. 168.

95. Переверзев В. Ю. Зарубежный опыт массового педагогического тестирования абитуриентов. // Тезисы докладов шестого симпозиума «Квалиметрия человека и образования: методология и практика», Книга II, Ч.2, М., 1997, c.167.

96. Crocker L., Algina J. Introduction to classical & modern test theory. Orlando, 1986.

97. Linden W. J., Hambelton R. K. Handbook of modern item response theory, New York, 1997.

98. Усачев Ю. Е. Проектирование интеллектуального учебника. // Дистанционное образование, 2000, № 4, c. 24-27.

99. Тельнов Ю. Ф. Интеллектуальные информационные системы в экономике, М.: Из-во Московского государственного университета экономики, статистики и информатики, 1988, c.174.

100. Искусственный интеллект. В 3-х кн. Кн.2 Модели и методы: Справочник. / Под ред. Д. А. Поспелова, М.: Радио и связь, 1980, c.304.

101. Робототехника и гибкие автоматизированные производства. В 9-ти кн. Кн. 6 Техническая имитация интеллекта: Учебное пособие для втузов. / В. М. Назаретов, Д. П. Ким. Под ред. И. М. Макарова, М.: Высшая школа, 1986, c.144.

102. Моисеев В. Б., Усманов В. В., Усачев Ю. Е., Андреев А. Б. Интеллектуальная система анализа знаний. // Тезисы докладов Второй Всероссийской конференции «Развитие системы тестирования в России». М., 2000, c. 82-84.

103. Оре О. Теория графов, М.: Наука, 1980, c.336.

104. Linacre J.M. Computer-Adaptive Testing: A Methodology Whose Time Has Come. // MESA Memorandum No. 69. Published in Sunhee Chae, Unson Kang, Eunhwa Jeon, and J. M. Linacre. (2000)

105. Chi-Keung Leung, Hua-Hua Chang, Kit-Tai Hau Computerized Adaptive Testing: A Comparison of Three Content Balancing Methods // The Journal of Technology, Learning, and Assessment, Volume 2, Number 5, December 2003.

106. Овчинников В.В. Оценивание учебных достижений учащихся при проведении централизованного тестирования. - М.: Изд-во Век книги, 2001. c. 27.

107. Нейман Ю. М. О шкалировании результатов централизованного тестирования в 2001 году. // Вопросы тестирования в образовании, 2001, № 1, c. 94-106.

108. Tsvetkov V. Ya. Complexity Index // European Journal of Technology and Design, 2013. № 1(1), p.64-69

109. Кудж С. А. Оценка групповой когнитивной сложности // Славянский форум. - 2018. - 2(20). - с. 36-43.

110. Цветков В.Я. Виды сложности // Славянский форум. -2019. - 1(23). -с. 160-165.

111. Болбаков Р. Г. Анализ сложности информационных конструкций // Перспективы науки и образования. - 2016. - №5. - с. 11-14.

112. Цветков В. Я., Булгаков С. В., Буравцев А. В., Рогов И. Е. Сложность в геоинформационных технологиях // Информация и космос. 2021. - №1. - с .121-126

113. Козлов А. В., Рогов И. Е., Титов Е. К., Цветков В.Я. Анализ сложности программных компонент // Славянский форум. -2020. - 4(30). -с. 410-419.

114. Розенберг И. Н., Цветков В. Я. Сложность программного обеспечения интеллектуальных транспортных систем // Наука и технологии железных дорог. 2020. Т.4. 4(16). - с. 3-15

115. Тымченко Е. В. Оценка сложности образовательных ресурсов // Дистанционное и виртуальное обучение. 2017. - № 1 (115). - с. 69-76.

116. Рогов И. Е. Оценка уровня сложности тестирующих программ // SCIENCE AND TECHNOLOGY RESEARCH : сборник статей II Международной научно-практической конференции (15 марта 2021 г.) -Петрозаводск : МЦНП «Новая наука», 2021. - с. 183-188.

117. Чехарин Е. Е. Системная инженерия как сложная технологическая система // Славянский форум. -2019. - 2(24). - с. 165-172.

118. Монахов С. В., Савиных В. П., Цветков В. Я. Методология анализа и проектирования сложных информационных систем. - М.: Просвещение, 2005. - 264 с.

119. Mokshin A. V., Mokshin V. V., Sharnin L. M. Adaptive genetic algorithms used to analyze behavior of complex system // Communications in Nonlinear Science and Numerical Simulation. - 2019. - Т. 71. - С. 174-186.

120. Van Berkel N. et al. Modeling interaction as a complex system // HumanComputer Interaction. - 2020. - С. 1-27/

121. Chambers L. D. (ed.). Practical Handbook of Genetic Algorithms: Complex Coding Systems, Volume III. - CRC press, 2019. - Т. 3

122. Цветков В. Я., Матчин В. Т. Агрегирование информационных моделей // Славянский форум. - 2014. - 2 (6). - с. 77-81.

123. Gozik N., Oguro S. Program Components // Education Abroad: Bridging Scholarship and Practice: Routledge. - 2020.

124. Turner J. R., Baker R. M. Complexity theory: An overview with potential applications for the social sciences // Systems. - 2019. - Т. 7. - №. 1. - С. 4.

125. Матчин В. Т., Цветков В. Я. Качественный анализ // Славянский форум. -2020. - 3(29). - с. 205-213

126. Цветков В. Я. Алгоритм качественной обработки информации при оценке предпочтительности // Славянский форум, 2016. - 4(14). - с. 268-274.

127. Раев В. К. Качественный анализ // ИТНОУ: Информационные технологии в науке, образовании и управлении. - 2019.- № 3 (13). - с.73-78.

128. Кудж С. А. Оппозиционный сравнительный анализ // Славянский форум. -2020. - 1(27). - с. 38-47

129. Кудж С. А. Методы сравнительного анализа // Славянский форум. -2019. - 3(25). - с. 140-150

130. Номоконова О. Ю. Системы сравнительного анализа в медицинской диагностике // Славянский форум. -2019. - 3(25). - с. 173-181

131. Цветков В. Я. Фактофиксирующие и интерпретирующие модели // Международный журнал прикладных и фундаментальных исследований. -2016. - №9-3. - с. 487.

132. Савиных В. П., Цветков В. Я. Фактофиксирующие модели // Славянский форум. -2019. - 3(25). - с. 67-74.

133. Arenas M., Munoz M., Riveros C. Descriptive complexity for counting complexity classes // 2017 32nd Annual ACM/IEEE Symposium on Logic in Computer Science (LICS). - IEEE, 2017. - С. 1-12.

134. Herold G., Kirshanova E., May A. On the asymptotic complexity of solving LWE // Designs, Codes and Cryptography. - 2018. - Т. 86. - №. 1. - С. 5583.

135. Sipser M. Introduction To The Theory Of Computation, ser // Computer Science Series. Thomson Course Technology. - 2006.

136. Аксайская Л. Н. Разработка и исследование параллельных схем цифровой обработки сигналов на основе минимизации временной сложности вычисления функций // Таганрог: ТТИ ЮФУ. - 2008.

137. Tsvetkov V. Ya., Rogov I. E., Kozlov A. V., Titov E. K. The apperception of information in cognitive analysis // В сборнике: Journal of Physics: Conference Series. Krasnoyarsk Science and Technology City Hall of the Russian Union of Scientific and Engineering Associations. Krasnoyarsk, Russian Federation, 2020. С. 32071.

138. S. Cramer (2003). "The origins and development of the logit model" (PDF). Cambridge UP.

139. https://itl.nist.gov/div898/software/dataplot/refman2/auxillar/logoddra.ht m. [Электронный ресурс]. Дата обращения: 07.12.2021

140. http:// www.columbia.edu/~so33/SusDev/Lecture_9.pdf. [Электронный ресурс]. Дата обращения: 07.12.2021

141. Lillicrap T. P. et al. Backpropagation and the brain // Nature Reviews Neuroscience. - 2020. - Т. 21. - №. 6. - с. 335-346.

142. Stenner AJ, Wright BD, Linacre JM. From p-values and raw score statistics to logits. 1994. (RMT VOLUME 8:1) http:// www.rasch.org/rmt/rmt81.htm [Электронный ресурс] Дата обращения: 20.12.2021.

143. Sumintono B. Rasch Model Measurements as Tools in Assesment for Learning // 1st International Conference on Education Innovation (ICEI 2017). -Atlantis Press, 2018. - с. 38-42.

144. Цветков В. Я. Латентный анализ в информационном поле // Славянский форум. - 2017. -2(16). - с. 213-217.

145. Пушкарева К. А. Информационно определяемые показатели для управления персоналом вуза // Управление образованием: теория и практика -2014. - № 2(14). - с. 130- 139.

146. Цветков В. Я., Оболяева Н. М. Использование коррелятивного подхода для управления персоналом учебного заведения // Дистанционное и виртуальное обучение. - №8 (50). - 2011. - с. 4- 9.

147. Tsvetkov V. Ya. Not Transitive Method Preferences. // Journal of International Network Center for Fundamental and Applied Research. 2015. 1(3), -pp.34-42.

148. Thomas Landauer, Peter W. Foltz, & Darrell Laham (1998). «Introduction to Latent Semantic Analysis» (PDF). Discourse Processes 25: 259-284.

149. Павлов А. И. Ономасиологическое информационное моделирование // Славянский форум. -2019. - 3(25). - с. 45-55.

150. Елсуков П. Ю. Трансформация неявного знания // Славянский форум, 2016. - 4(14). - с. 873-93.

151. Кудж С. А. Системный подход // Славянский форум. - 2014. - 1(5). -с. 252 -257.

152. Цветков В. Я. Теория систем. - М.: МАКС Пресс, 2018. - 88 с.

153. Елсуков П. Ю. Информация, уменьшающая неопределенность и информация, увеличивающая содержательность // Образовательные ресурсы и технологии - 2017. -3 (20). - с. 62-68.

154. Коваленко Н. И. Учёт неопределённости при управлении транспортным комплексом // Государственный советник. - 2014. - №3. - с. 5054.

155. Киселева И. А., Искаджян С. О. Информационные риски: методы оценки и анализа // ИТпортал. - 2017. - №. 2 (14).

156. Буравцев А. В., Цветков В. Я. Облачные вычисления для больших геопространственных данных // Информация и космос. 2019. - №3. - с .110115.

157. Tsvetkov V. Ya. Dichotomous Systemic Analysis. // Life Science Journal 2014. -11(6).- р. 586-590.

158. Хелд Г. Технологии передачи данных. 7-изд. - СПб.: Питер, 2003. -

720с.

159. Ожиганов А. А., Тарасюк М. В. Передача данных по дискретным каналам. - СПб.: Санкт-Петербургский государственный институт точной механики и оптики 1999. - 102 с.

160. Цветков В. Я. Применение теории отклика// Славянский форум. -2018. - 1(19). - с. 77-81.

161. Von Davier M. et al. Evaluating item response theory linking and model fit for data from PISA 2000-2012 // Assessment in Education: Principles, Policy & Practice. - 2019. - Т. 26. - №. 4. - С. 466-488.

162. Ожерельева Т. А. Применение вероятностной логики в тестирования // ИТНОУ: Информационные технологии в науке, образовании и управлении. - 2019. - № 1(11). - с. 8-16.

163. Цветков В. Я., Рогов И. Е. Функциональный подход к оценке успеваемости учебных групп // Образовательные ресурсы и технологии. -2021. - № 1 (34). - с. 61-68.

164. Рогов И. Е. Обработка изображений в целочисленной системе координат // Науки о Земле. - 2019. - №4. - с.48-57.

165. Tsvetkov V. Ya. Integer Coordinates as an Nanotechnological Instrument // Nanotechnology Research and Practice. - 2014, 4(4), pp. 230-236.

166. Сигов А. С. Методы оценки сложности тестирования в сфере образования / А. С. Сигов, В. Я. Цветков, И. Е. Рогов // Russian Technological Journal. - 2021. - Т. 9. - № 6(44). - с. 64-72. - DOI 10.32362/2500-316X-2021-9-6-64-72. - EDN IVGYKZ.

167. Математика. Большой энциклопедический словарь /Гл. ред. Ю. В. Прохоров. 3-е изд. - М.: Большая Российская энциклопедия, 2000. -848с.

168. Yao Y. Y. et al. Granular computing: basic issues and possible solutions // Proceedings of the 5th joint conference on information sciences. - 2000. - Т. 1. -С. 186-189.

169. Yao Y. Perspectives of granular computing // 2005 IEEE international conference on granular computing. - IEEE, 2005. - Т. 1. - С. 85-90.

170. Рогов И. Е. Гранулированный анализ // Славянский форум. -2020. -3(29). -с.240-249

171. Kudzh S. A., Rogov I. E., Tsvetkov V. Ya. The application of the statistical method for calculating the area of the areal object // В сборнике: Journal of Physics: Conference Series. Krasnoyarsk Science and Technology City Hall of the Russian Union of Scientific and Engineering Associations. Krasnoyarsk, Russian Federation, 2020. С. 32050.

172. Розенберг И. Н., Цветков В. Я. Мягкие вычисления// Славянский форум. -2018. - 1(19). - с. 63-69

173. Бутенков С. А. и др. Применение гранулированных вычислений в задачах САПР машиностроения // Известия Южного федерального университета. Технические науки. - 2004. - Т. 38. - №. 3.

174. Ожерельева Т. А. Информационное соответствие и информационный морфизм в информационном поле // ИТНОУ: Информационные технологии в науке, образовании и управлении. 2017-№4. -с. 86-92.

175. Цветков В. Я. Информационное соответствие // Международный журнал прикладных и фундаментальных исследований. - 2016. - №1-3. -с. 454-455.

176. Цветков В. Я. Семантика информационных единиц // Успехи современного естествознания. - 2007. - №10.- с.103-104.

177. Bargiela A., Pedrycz W. Granular computing // Handbook on computational intelligence: Volume 1: Fuzzy Logic, Systems, Artificial Neural Networks, and Learning Systems. - 2016. - С. 43-66.

178. Pedrycz W., Skowron A., Kreinovich V. (ed.). Handbook of granular computing. - John Wiley & Sons, 2008.

179. T. Y. Lin and C. J. Liau, "Granular computing and rough sets," in Data Mining and Knowledge Discovery Handbook, O. Maimon and L. Rokach, Eds., pp. 535-561, Springer, Boston, Mass, USA, 2005.

180. L. A. Zadeh, "Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic," Fuzzy Sets and Systems, vol. 90, no. 2, pp. 111-127, 1997/

181. A. Bargiela and W. Pedrycz, "The roots of granular computing," in Proceedings of the IEEE International Conference on Granular Computing, pp. 806809, 2006.

182. Y. Yao, "A partition model of granular computing," Transactions on Rough Sets I, vol. 1, pp. 232-253, 2004

183. W. Pedrycz and W. Homenda, "Building the Fundamentals of Granular Computing: A Principle of Justifiable Granularity," Applied Soft Computing, vol. 13, no. 10, pp. 4209-4218, 2013.

184. J. Niu, C. Huang, J. Li, and M. Fan, "Parallel computing techniques for concept-cognitive learning based on granular computing," International Journal of Machine Learning and Cybernetics, vol. 9, no. 11, pp. 1785-1805, 2018.

185. W. Sun, J. Zhang, and R. Wang, "Predicting electrical power output by using Granular Computing based Neuro-Fuzzy modeling method," in Proceedings of the 27th Chinese Control and Decision Conference, CCDC 2015, pp. 2865-2870, China, May 2015.

186. Цветков В. Я. Информационное моделирование. - Москва, 2015. -

60 с.

187. Цветков В. Я. Информационное моделирование при социологических исследованиях // Международный журнал прикладных и фундаментальных исследований. - 2013. - №4. - с. 87-90.

188. Цветков В. Я. Модели в информационных технологиях. - М.: Макс Пресс, 2006 -104 с.

189. Ожерельева Т. А. Информационное моделирование в образовательных технологиях // Международный журнал прикладных и фундаментальных исследований. - 2016. - №3-2. - с.214-218

190. Болбаков Р. Г. Семиотическое информационное моделирование // Славянский форум, 2015. - 4(10) - с. 54-60.

191. Bodrova E. V., Golovanova N. B., Kudzh S. A., Tsvetkov V. Ya. Developing pre-vocational profile training in the system of continuous engineering and technological education // Journal of Physics: Conference Series. - IOP Publishing, 2020. - Т. 1691. - №. 1. - С. 012023

192. Рогов И. Е. Алгоритмический анализ технологий тестирования - LAP Lambert Academic Publising, 2019. - 121 с.

193. Лагун А. В., Строев Н. Н. Формирование личного информационного иммунитета в условиях постоянного информационного воздействия // Ученые записки Санкт-Петербургского имени ВБ Бобкова филиала Российской таможенной академии. - 2018. - №. 3 (67).

194. Ожерельева Т. А. Жесткое и «мягкое» управление// Славянский форум. -2018. - 1(19). - с. 56-62.

195. Mirtaheri S. L., Grandinetti L. Dynamic load balancing in distributed exascale computing systems // Cluster Computing. - 2017. - Т. 20. - №. 4. -с. 3677-3689.

196. Перепелкин Д. А. Математическое и программное обеспечение адаптивной маршрутизации и балансировки потоков данных в программно-конфигурируемых сетях с обеспечением качества сетевых сервисов./ Дис. д.т.н. специальность: 05.13.11 - Рязань, РГРУ -2018 -443с.

197. Van Gerven M., Bohte S. Artificial neural networks as models of neural information processing // Frontiers in Computational Neuroscience. - 2017. - Т. 11. - с. 114.

198. Zador A. M. A critique of pure learning and what artificial neural networks can learn from animal brains // Nature communications. - 2019. - Т. 10. - №. 1. -с. 1-7.

199. Цветков В. Я. Информационная неопределенность и определенность в науках об информации // Информационные технологии. - 2015. - №1. - с. 37.

200. Номоконова О. Ю. Информационная неопределенность в информационном взаимодействии // Славянский форум. - 2017. - 1(15). -с. 104-110.

201. Zupanc K., Bosnic Z. Automated essay evaluation with semantic analysis // Knowledge-Based Systems. - 2017. - Т. 120. - с. 118-132.

202. Benedetti F. et al. Computing inter-document similarity with context semantic analysis // Information Systems. - 2019. - Т. 80. - с. 136-147.

203. Козлов А. В. Делимость в информационном поле // Славянский форум. -2018. - 3(21). - с. 8-13.

204. Матчин В. Т., Рогов И. Е. Жизненный цикл программного обеспечения обучающих систем // Образовательные ресурсы и технологии. -2020. - № 1 (30). - с. 49-57.

205. Кудж С. А., Цветков В. Я., Рогов И. Е. Поддержка жизненного цикла программных компонент // Российский технологический журнал. 2020. Т. 8. № 5 (37). с. 19-33.

206. V. Ya. Tsvetkov, Resource Method of Information System Life Cycle Estimation // European Journal of Technology and Design. - 2014. № 2 (4). p.86-91.

207. Sehra S. K. et al. Research patterns and trends in software effort estimation // Information and Software Technology. - 2017. - Т. 91. - с. 1-21

208. Tiwari S., Gupta A. Investigating comprehension and learnability aspects of use cases for software specification problems // Information and Software Technology. - 2017. - Т. 91. - с. 22-43

209. Laghouaouta Y. et al. A dedicated approach for model composition traceability // Information and Software Technology. - 2017. - Т. 91. - с. 142-159.

210. Дик В. В., Шайтура С. В. Жизненный цикл информационных систем // Вестник МГТУ МИРЭА. - 2014-№ 3 (4) - с. 116-129.

211. Матчин В Т. Регенерация бортовых баз данных // Наука и технологии железных дорог. - 2019. - 4(12). - с. 20-29.

212. Verhulst, P. F., (1838). Notice sur la loi que la population poursuit dans son accroissement. Correspondance mathématique et physique 10:113-121.

213. Вон Вернон Реализация методов предметно-ориентированного проектирования - М.: Вильямс. - 2016. - 690C. - ISBN: 978-5-8459-1881-9.

214. Рогов И. Е., Адоньев А. А., Старичкова Ю. В. Опыт разработки, тенденции развития и внедрения информационных систем поддержки основного образовательного процесса // Современные информационные технологии и ИТ-образование, - 2017. - Т.13 - № 4. - с. 82-90.