Методы и алгоритмы автоматизированной оценки частоты сбора информации о поведении индивидов на основе непрерывных данных тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Столярова Валерия Фуатовна

• Столярова Валерия Фуатовна
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Столярова Валерия Фуатовна

Введение

Глава 1 Автоматизированный сбор данных в повседневной

жизни о поведении респондентов

1.1 Автоматизированные средства сбора данных о поведении респондентов

1.2 Определение частоты поведения на основе неполной информации об эпизодах

1.3 Гамма-пуассоновская модель обработки неполной информации

об эпизодах поведения для получения оценки его частоты

1.4 Выводы

1.5 Формальная постановка задачи исследования

Глава 2 Подходы к характеризации зависимости непрерывных

случайных величин

2.1 Функция копулы как характеристика зависимости непрерывных случайных величин

2.2 Байесовские сети доверия: применение и подходы к представлению совместного распределения непрерывных переменных

2.3 Декомпозиция многомерного вероятностного распределения на двумерные копулы: модель лозы

2.4 Генерация данных для проведения вычислительного эксперимента

2.5 Выводы

Глава 3 Методы обработки неполной информации об эпизодах поведения для получения оценки его частоты по непрерывным данным

3.1 Статистический метод обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе копул

Стр.

3.2 Байесовский метод обработки неполной информации об эпизодах поведения для получения оценки его частоты на

основе гибридных байесовских сетей доверия

3.3 Алгоритм построения оценки частоты поведения по ограниченным непрерывным данным об интервалах между последовательными эпизодами, опирающийся на гибридные байесовские сети доверия

3.4 Сравнение результативности методов обработки неполной информации об эпизодах поведения для получения оценки его частоты по непрерывным данным

3.5 Выводы

Глава 4 Автоматизация обработки неполной информации об эпизодах поведения для получения оценки его частоты в социоориентированных приложениях

4.1 Архитектура прототипа программного комплекса

4.2 Непараметрическая байесовская сеть доверия для оценки частоты физической нагрузки среди женщин репродуктивного возраста: пилотное исследование

4.3 Выводы

Заключение

Список литературы

Приложение А. Список публикаций соискателя

Приложение Б. Сведения о государственной регистрации

программ для ЭВМ

Приложение В. Список научных проектов соискателя

Список рисунков

Список таблиц

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы автоматизированной оценки частоты сбора информации о поведении индивидов на основе непрерывных данных»

Введение

Актуальность темы исследования. Развитие современных цифровых технологий обуславливает автоматизацию дневникового метода сбора данных о поведении индивидов: данные могут быть получены от носимых сенсоров или самоотчетов в ходе повседневной жизни. В диссертационном исследовании рассматриваются такие автоматизированные средства, которые предполагают отправку респондентам уведомлений о необходимости пройти опрос в определенные моменты времени. Наиболее популярными из них являются PIEL survey, SEMA (Smartphone Ecological Momentary Assessment), Experience Sampler и другие.

Для использования подобных автоматизированных дневниковых средств сбора информации в исследованиях поведения индивидов необходимо задать частоту отправки уведомлений респондентам. С одной стороны, сбор данных должен производиться с частотой, достаточной для отражения исследуемого поведения; с другой стороны, слишком частые уведомления ведут к снижению качества ответов. Таким образом, от соответствия частоты отправки уведомлений истинной частоте исследуемого поведения зависит результативность использования автоматизированных средств сбора данных о поведении в повседневной жизни. Общей задачей направления исследований является совершенствование модельно-алгоритмического обеспечения автоматизированных дневниковых методов сбора информации о поведении индивидов в повседневной жизни. Имеющиеся подходы предполагают задание частоты отправки уведомлений на основании экспертной информации или ранее проведенных пилотных исследований. Актуальной является задача автоматизации оценивания частоты отправки уведомлений респондентам на основе обработки неполной информации о поведении, которая поступает от индивидов и может быть сопряжена с неопределенностью. При проведении опросов наиболее доступными являются данные об эпизодах поведения.

Для получения оценок частоты в случае ограниченности поступающих данных используются вероятностные модели обработки информации, как, например, гамма-пуассоновская модель. А. Л. Тулупьевым и соавторами был предложен метод обработки неполной информации об эпизодах поведения для получения его частоты с использованием классических байесовских сетей дове-

рия. Однако этот подход опирается на дискретные данные о длинах интервалов между последовательными эпизодами поведения, и потому поступающие непрерывные данные дискретизуются. Этот шаг сопряжен с информационными потерями, и потому полученные оценки могут отклоняться от истинных значений. В диссертационном исследовании решается научно-техническая задача разработки методов и алгоритмов автоматизированной обработки неполной информации об эпизодах поведения для оценки частоты обращений к респондентам автоматизированными дневниковыми средствами сбора данных.

Важность и значимость решаемой задачи определяются возрастающими требованиями к обоснованности и доказательности решений, принимаемых с использованием данных с неопределенностью, а также положениями Национальных Проектов Российской Федерации «Цифровая экономика» и «Экономика данных», которые направлены на развитие и внедрение отечественных цифровых разработок в том числе в социальной сфере.

Степень разработанности темы. Основные концепции и подходы к представлению и обработке неопределенности данных и знаний, неполноты информации представлены в работах А. И. Аверкина [1], Д. Дюбуа [2], Л. А. Заде [3-6], А. С. Нариньяни [7-9], Дж. Пиэрла [10,11], Д. А. Поспелова [1], А. Прада [2], И. С. Солдатенко [12,13], М. Сугено [14], А. В. Язенина [15-17] и других.

Классические подходы к оцениванию характеристик последовательностей эпизодов, как частота, опираются на анализ повторяющихся событий; для гамма-пуассоновского процесса основные результаты получены О. Люндбергом, Дж. Гранделлом [18], Р. Куком, Дж. Лоулессом [19] и многими другими.

Для оценки характеристик последовательности эпизодов поведения отдельного респондента, если данные поступают на естественном языке, может использоваться подход нечетких временных рядов, развивающийся в работах К. Сонга, В. Педрича, И. Перфильевой [20], Н.Г. Ярушкиной [20,21], Т. В. Афанасьевой [20].

Вероятностные методы получения оценок частоты с использованием ограниченных данных об эпизодах поведения на основе гамма-пуассоновского процесса разрабатывались в работах Т. В. Тулупьевой [22-46], А. Л. Тулу-пьева [31-39,41-63,63], А. В. Суворовой [28-38,40-45,54,55,57-62,64-70], А. Е. Пащенко [32,34,36-46,62,63,71,72,72,73], А. В. Сироткина [34,35,60]. А. В. Тороповой [23-27,30,51,56,59,64,66,74,75]; в основе предложенного метода лежат классические байесовские сети доверия..

Целью диссертационного исследования является повышение результативности обработки неполной информации об эпизодах поведения респондентов для получения оценки его частоты за счет разработки моделей и алгоритмов, опирающихся на непрерывные данные.

Цель диссертационной работы достигается решением совокупности задач:

1. Разработать метод обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе копул.

2. Модифицировать для учета непрерывных данных метод обработки неполной информации об эпизодах поведения, использующий байесовские сети доверия.

3. Разработать алгоритм построения оценки частоты поведения по ограниченным непрерывным данным об интервалах между последовательными эпизодами, опирающийся на гибридные байесовские сети доверия.

4. Разработать архитектуру прототипа комплекса программ для сбора и обработки неполной информации об эпизодах поведения индивидов с помощью предложенного алгоритма.

Объектом исследования являются автоматизированные средства сбора данных о поведении индивидов в повседневной жизни.

Предметом исследования являются методы обработки информации о поведении индивидов для автоматизированного вычисления частоты отправки уведомлений при сборе данных в повседневной жизни.

Научная новизна исследования достигнута в каждой из приведенных задач.

1. Разработан статистический метод обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе копул, отличающийся учетом непрерывных данных при построении оценки частоты поведения за счет рассмотрения структуры зависимости переменных — длин интервалов в гамма-пуассоновской модели (копулы Клейтона), обеспечивающий снижение требований к объему наблюдений и меньшее отклонение получаемой оценки от истинного значения на пространстве вероятностных распределений.

2. Разработан байесовский метод обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе гибридных байесовских сетей доверия, отличающийся возможностью использования непрерывных данных при выводе, обеспечивающий возможность учета влияния

дополнительных факторов при получении оценки и ее меньшее отклонение от истинного значения на пространстве вероятностных распределений.

3. Разработан алгоритм построения оценки частоты поведения по ограниченным непрерывным данным на основе предложенного байесовского метода обработки неполной информации об эпизодах, отличающийся формированием промежуточного набора данных на основе декомпозиции совместного распределения переменных гамма-пуассоновской модели на двумерные копулы (лозы), обеспечивающий построение оценки частоты поведения в условиях критичной ограниченности ресурса наблюдения для задания априорной модели.

4. Разработана архитектура прототипа комплекса программ обработки неполной информации об эпизодах поведения индивидов, отличающаяся наличием модуля оценки частоты поведения на основе разработанного байесовского метода и модуля визуализации процесса внесения данных о реализованных эпизодах, обеспечивающая повышение результативности обработки неполной информации об эпизодах поведения для определения частоты отправки уведомлений индивидам о необходимости внесения данных.

Теоретическая значимость результатов исследования заключается в разработке методов обработки неполной информации об эпизодах поведения, которые используют непрерывные данные при построении оценки частоты и обеспечивают снижение требований к объему наблюдений, необходимых для получения оценки.

Практическая значимость результатов исследования заключается в повышении результативности определения частоты обращений к респондентам автоматизированными дневниковыми средствами сбора данных за счет разработки прототипа программного продукта, реализующего предложенный байесовский метод обработки неполной информации об эпизодах поведения для определения его частоты, а также допускающих использование в условиях критичной ограниченности ресурса наблюдения для задания априорной модели.

Методология и методы исследования. Исследование опирается на общую методологию получения научного знания: дедуктивного обоснования утверждений в отношении специальным образом формализованных объектов и сведения новых нерешенных задач к известным задачам, уже получившим решение; также использует методы теории вероятности, в частности теории анализа повторяющихся событий, теории случайных точечных процессов, вероятностных графических моделей, копул.

Основные положения, выносимые на защиту:

1. Статистический метод обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе копул.

2. Байесовский метод обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе гибридных байесовских сетей доверия.

3. Алгоритм построения оценки частоты поведения по ограниченным непрерывным данным на основе предложенного байесовского метода обработки неполной информации об эпизодах.

4. Архитектура прототипа комплекса программ обработки неполной информации об эпизодах поведения индивидов, отличающаяся наличием модуля оценки частоты поведения на основе разработанного байесовского метода и модуля визуализации процесса внесения данных о реализованных эпизодах.

Соответствие диссертации научной специальности. Представленные в диссертационном исследовании направлены на разработку специального математического и алгоритмического обеспечения процесса обработки неполной информации об эпизодах поведения индивидов, а также анализ такой информации на основе компьютерных методов, и потому соответствуют специальности 2.3.1 — «Системный анализ, управление и обработка информации, статистика»: пункт 5: «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта», пункт 12: «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации».

Достоверность полученных результатов обеспечивается систематическим анализом теоретических и практических аспектов оценивания частоты поведения, в том числе с использованием данных и знаний с неопределенностью. Результаты были представлены на конференциях всероссийского и международного уровней, опубликованы в рецензируемых журналах, а также согласуются с результатами других исследователей в данной области.

Апробация результатов. Основные научные мероприятия, в ходе которых были представлены и обсуждались результаты диссертационного исследования: Международные научные конференции «Интеллектуальные информационные технологии в технике и на производстве» (2021-2023 годы); I Международная конференция «Искусственный интеллект в технике и науке» Л1Е8-2022 (2022); VI Международная научно-практическая конференция

1С1Т—2020 (Саратов, 2020 г.); XVIII Национальная конференция по искусственному интеллекту КИИ-2020 (Москва, 2020 г.); Международные конференции по мягким вычислениям и измерениям (Санкт-Петербург, 2018, 2021-2023 годы); Санкт-Петербургские международные конференции «Региональная информатика» (2016, 2020, 2022).

Полученные в диссертации результаты являются частью научно-исследовательских проектов, поддержанных грантами РФФИ № 20-07-00839 А, 14-07-00694 А, 14-01-00580 А, 12-01-00945 А, также были использованы при проведении исследовательских работ в рамках государственного задания Федерального государственного бюджетного учреждения науки «Санкт-Петербургский Федеральный исследовательский центр Российской академии наук» (СПб ФИЦ РАН). Кроме того, проекты, содержащие результаты диссертационного исследования, становились победителями конкурса грантов Комитета по науке и высшей школы для аспирантов в 2018 году и для молодых ученых в 2022 и 2023 годах.

Получены акты о внедрении результатов диссертационного исследования в учебном процессе Северо-Западного института управления РАНХиГС, при выполнении научно-исследовательской работы в рамках проекта по государственному заданию СПб ФИЦ РАН (СПИИРАН) № FFZF-2022-0003, № 0073-2019-0003 и № 0073-2018-0001, а также в рамках консультационного процесса ООО «Клиника Звездная».

Публикации. По теме диссертации соискателем было опубликовано 27 научных работ. В это число входят: 5 статей в изданиях из «Перечня рецензируемых научных изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук, на соискание ученой степени доктора наук» [47, 76-79] (из которых три единоличных); 8 публикаций [22,48-50,52,53,80,81] в изданиях, индексируемых Зсориз/'МЪЗ (1 единоличная [80]); 12 докладов и тезисов на научных конференциях (из которых 8 единоличных, в том числе [82,83]); получено 2 свидетельства о регистрации программ для ЭВМ (Роспатент) [84,85]. Полный список публикаций по теме исследования представлен в приложении А диссертации.

Личный вклад. В опубликованных работах вклад соискателя отражают содержание диссертации и основные положения, выносимые на защиту. Публикация полученных результатов проводилась совместно с научным руководителем А. Л. Тулупьевым и членами лаборатории теоретических и междисци-

плинарных проблем информатики СПб ФИЦ РАН. Представленные к защите результаты получены лично автором.

Работа [76] посвящена результатам вычислительного эксперимента, проведенного автором и позволяющего определить близость оценок, получаемых при помощи представленных методов обработки неполной информации об эпизодах поведения для получения оценки его частоты, истинному значению. В работе [22] автором был проведен анализ устойчивости различных методов к ошибкам входных данных при построении искомых оценок смешивающего распределения гамма-пуассоновского процесса. Работа [48] посвящена численному заданию модели копулы-лозы для ситуации критичной ограниченности ресурса наблюдения для построения априорной модели, автором при помощи вычислительного эксперимента получены типы копул и их параметры для некоторых типов повседневного поведения. Работа [49] посвящена выявлению особенностей применимости двух способов численного задания гибридной БСД при оценке смешивающего распределения гамма-пуассоновского процесса, автором проведено сравнение двух подходов с точки зрения статистической близости распределений и с точки зрения размерности параметрического пространства априорной модели. В работе [50] автором рассмотрен частный случай применения регрессионной модели оценивания среднего числа эпизодов риск-ассоциированного поведения по ограниченным данным. Работа [47] посвящена описанию формализации задачи обработки неполной информации об эпизодах поведения для получения оценки его частоты в терминах теории повторяющихся событий, автором предложена и описана эта формализация. Работа [52] содержит описание пилотного исследования, автором проведены вычисления склонности к физической нагрузке по данным опросов о нескольких эпизодах, собранным на базе перинатального центра г. Пермь. В работе [53] автором рассмотрен частный случай применения регрессионной модели оценивания параметров риск-ассоциированного поведения по ограниченным данным об эпизодах постинга в онлайн социальной сети. В работе [80] автором предложено использовать непрерывные непараметрические БСД в качестве метода обработки неполной информации об эпизодах поведения для получения оценки его частоты, работа [82] посвящена применению копул для оценивания параметра гамма-распределения смешанного пуассоновского процесса в задаче оценки частоты постинга в онлайн социальной сети. В работе [81] автором применена регрессионная модель Кокса для обработки неполной информации об эпизо-

дах поведения для получения оценки частоты рискообразующего поведения. Статья [77] описывает основы подхода копул к моделированию зависимости переменных гамма-пуассоновской модели поведения, работа [83] содержит описание в терминах копул структуры зависимости гамма-пуассоновской модели поведения, предложенное автором. Работы [78,79] посвящены аналитическому обзору задачи учета эпизодических рисков при анализе рисков предприятий с высоким влиянием человеческого фактора.

Объем и структура работы. Диссертация состоит из введения, 4 глав, заключения и 3 приложений. Полный объём диссертации составляет 163 страницы, включая 17 рисунков и 10 таблиц. Список литературы содержит 318 наименований.

Краткое содержание работы.

В первой главе описаны примеры областей применения автоматизированных дневниковых средств сбора данных о поведении, основные их характеристики. При использовании таких средств важно на начальном этапе определить частоту обращения к респондентам, которая должна соответствовать частоте исследуемого поведения, при этом респонденты различаются по склонности к поведению. Для построения такой оценки при проведении опросов доступной является ограниченная информация об эпизодах поведения.

В основе методов обработки информации об эпизодах поведения лежит гамма-пуассоновская модель, в рамках которой эпизоды поведения каждого отдельного индивида г моделируются пуассоновским процессом N¡(1) с историей Н(£), а смешивающее гамма-распределение и{ ~ Оашша(к, ф) отражает индивидуальные различия в поведении между индивидами. В главе представлены доказательства свойств гамма-пуассоновской модели поведения, которые определяют характеристики реализации эпизодов на временной оси. В частности показано, что задача оценки частоты поведения сводится к задаче определения смешивающего распределения и его параметров.

Описаны существующие методы обработки неполной информации об эпизодах поведения для получения его частоты с использованием таких данных: статистический подход классической регрессии Кокса и классические байесовские сети доверия. Отмечается, что существующие методы получения оценки частоты поведения разнятся по возможности обработки неопределенности поступающей информации об эпизодах и являются требовательными к объему необходимых наблюдений, поэтому актуальной является задача разработки но-

вых методов, позволяющих повысить результативность обработки информации об эпизодах поведения с целью получения оценки его частоты.

Вторая глава диссертации направлена на описание методологических основ и понятийного аппарата статистического метода обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе копул и байесовского метода обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе гибридных байесовских сетей доверия.

В главе приведены основные понятия аппарата копул, который лежит в основе статистического метода обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе копул при помощи непрерывных данных об интервалах между последовательными эпизодами.

Байесовский метод обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе гибридных байесовских сетей доверия позволяет отказаться от искусственной дискретизации поступающих данных об эпизодах поведения и, в силу особенностей подхода байесовских сетей доверия, позволяет учитывать возможность влияния дополнительных факторов при получении оценки. В главе описаны два способа задания такой гибридной вероятностно-графической модели: приближение усеченными базисными функциями, требующий большого набора данных для задания априорной модели, и подход лозы, который допускает полностью экспертное задание модели и, следовательно, использование в условиях критичной ограниченности ресурса наблюдения. Первый способ используется в диссертационном исследовании в иллюстративных целях в силу высоких требований к объему данных для задания априорной модели.

Третья глава диссертации представляет основные теоретические результаты диссертационного исследования.

В главе предложен статистический метод обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе копул. Этот метод опирается на вид копулы, которая связывает ] переменных, отвечающих длинам интервалов между последовательными эпизодами Т1,... , Tj гамма-пуассоновской модели поведения: это копула Клейтона. Общий вид совместного распределения этих переменных определяет математическую суть метода. Для оценки параметра копулы Клейтона, которые совпадает с искомым параметром гамма-распределения, используются стати-

стические методы, как метод максимального правдоподобия, и аналитические методы, как метод обращения рангового коэффициента корреляции Кендалла. Существуют также алгоритмы, позволяющие получать оценку при сверхмалом объеме наблюдений (от 10 респондентов). В главе представлен алгоритм применения метода.

Статистический метод обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе копул является базовым методом, опирающимся на структуру зависимости переменных гамма-пуассо-новской модели представления информации об эпизодах поведения индивидов. Однако такой подход не допускает учета влияния дополнительных факторов и возможной неточности поступающих данных при получении оценки.

Байесовский метод обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе гибридных байесовских сетей доверия опирается на использование байесовского рассуждения с использованием декомпозиции совместного распределения переменных предметной области. В его основе лежит предложенный А. Л. Тулупьевым и соавторами граф байесовской сети доверия (БСД), который отражает структуру независимости переменных гамма-пуассоновской модели, при этом искомая оценка смешивающего распределения строится при поступлении новых данных посредством байесовского вывода в априорно заданной модели. Существующий метод использует вывод с использованием дискретных переменных, хотя, как отмечалось, поступающие данные об интервалах между последовательными эпизодами поведения являются непрерывными. Поэтому в диссертационном исследований этот метод был модифицирован для учета этой особенности: рассмотрены гибридные байесовские сети доверия.

В основе представляемого к защите байесовского метода обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе гибридных байесовских сетей доверия лежит декомпозиция структуры зависимости переменных гамма-пуассоновской модели поведения на попарные копулы — лоза, описанная в третьей главе диссертации.

В исследовании также был предложен алгоритм построения оценки частоты поведения по ограниченным непрерывным данным на основе предложенного байесовского метода обработки неполной информации об эпизодах. Этот алгоритм предполагает формирование промежуточного набора данных на основе декомпозиции совместного распре-

деления переменных гамма-пуассоновской модели на двумерные копулы (лозы) и последующее обучение классической байесовской сети доверия, но с большим числом интервалов дискретизации для непрерывных переменных. Ниже приведена последовательность шагов алгоритма.

1. Формирование набора данных, отражающих гамма-пуассоновскую модель поведения с к интервалами между последовательными эпизодами поведения на основе выведенной структуры лозы. Типы копул были определены выше. Параметры могут быть определены на основании статистических данных, заданы на основе экспертной информации или же вычислены.

2. Обучение параметров классической байесовской сети доверия с большим количеством интервалов дискретизации на основании сгенерированного на шаге 1 набора данных.

3. Включение в байесовскую сеть доверия дополнительных переменных, отражающих влияние внешних факторов на поведение или неопределенность поступающих данных.

4. Приведение поступающего тестового набора данных для п ^ 1 респондентов, для каждого из которых есть информация о т ^ к интервалах между последовательными эпизодами, к равномерному распределению путем обратного преобразования (перехода к рангам).

5. Проведение байесовского вывода для получения рангов апостериорного распределения искомой переменной и, отражающей смешивающее распределение гамма-пуассоновского процесса.

Особенностью использования байесовского метода обработки неполной информации об эпизодах поведения для получения оценки его частоты на основе гибридных байесовских сетей доверия является переход от самих вероятностных распределений к рангам и структуре зависимости (копулам). Отметим, что существует проприетарное программное обеспечение ИшКе^ которое позволяет использовать гибридные байесовские сети доверия с переменными в исходной шкале (т.е. минуя шаги 2 и 4).

Список литературы диссертационного исследования кандидат наук Столярова Валерия Фуатовна, 2025 год

Список литературы

1. Нечеткие множества в моделях управления и искусственного интеллекта / А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун и др. — М. : Наука, 1986.

2. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике. — М. : Радио и связь, 1990.

3. Zadeh L. A. The concept of a linguistic variable and its application to approximate reasoning—I // Information sciences.— 1975.— Vol. 8, no. 3.— P. 199-249.

4. Zadeh L. A. The concept of a linguistic variable and its application to approximate reasoning—II // Information sciences.— 1975.— Vol. 8, no. 4.— P. 301-357.

5. Zadeh L. A. The concept of a linguistic variable and its application to approximate reasoning-III // Information sciences.— 1975.— Vol. 9, no. 1.— P. 43-80.

6. Заде Л. А. Основы нового подхода к анализу сложных систем и процессов принятия решений. — 1974.

7. Нариньяни А.С. НЕ-факторы: неоднозначность (до-формальное исследование) I // Новости искусственного интеллекта. — 2003. — Т. 5. — С. 47-55.

8. Нариньяни А.С. НЕ-факторы: неоднозначность (до-формальное исследование) II // Новости искусственного интеллекта. — 2003.— Т. 6.— С. 10-17.

9. Нариньяни А. С. Введение в недоопределенность // Проблемы информатики. — 2019. — № 1(42). — С. 61-82.

10. Pearl J. Probabilistic Reasoning in Intelligent Systems. — NYC : Morgan Kaufmann, 1988. — 552 p.

11. Pearl J. Causality: Models, Reasoning and Inference.— Cambridge : Cambridge university press, 2009. — 465 p.

12. Рогонов С., Солдатенко И. Анализ сложенного нормального распределения случайной величины // Нечеткие системы и мягкие вычисления. — 2021. — Т. 16, № 2. — С. 111-122.

13. Математические модели нечеткой случайной величины: сравнительное изучение / И. С. Солдатенко, И. Б. Бреслер, С. А. Рогонов, А. В. Язенин // Вестник Тверского государственного университета. Серия: Прикладная математика. — 2023. — № 3. — С. 41-63.

14. Тэрано Т., Асаи К., Сугэно М. Прикладные нечеткие системы. — М.: Мир, 1993.

15. Язенин А. В. Основные понятия теории возможностей: математический аппарат для принятия решений в условиях гибридной неопределенности. — М.: Физматлит, 2016.

16. Yazenin A., Soldatenko I. Model of a minimal risk portfolio under hybrid uncertainty // Control and Cybernetics. — 2021. — Vol. 50, no. 2. — P. 315-333.

17. Егорова Ю.Е., Язенин А.В. К проблеме возможностно-вероятностной оптимизации // Известия Российской академии наук. Теория и системы управления. — 2017. — № 4. — С. 104-120.

18. Grandell J. Mixed Poisson Processes. — CRC Press, 1997. — Vol. 77 of Monographs on Statistics and Applied Probability.

19. Cook R.J., Lawless J. The statistical analysis of recurrent events.— Springer Science & Business Media, 2007. — 415 p. — ISBN: 978-0-387-69809-0.

20. Ярушкина Н. Г., Афанасьева Т. В., Перфильева И. Г. Интеллектуальный анализ временных рядов. — 2010.

21. Ярушкина Н. Г. Основы теории нечетких и гибридных систем. — М. : Финансы и Статистика, 2004.

22. Stoliarova V., Tulupyeva T. Approaches to accounting for the uncertainty of data on the time of realization of episodes in models for assessing the characteristics of individual's episodic behavior // 2023 XXVI International Conference on Soft Computing and Measurements (SCM) / IEEE. — 2023.

23. Торопова А.В., Тулупьева Т.В. Дискретизация непрерывной величины, характеризующей интенсивность, в модели социально-значимого поведения // XXV Международная конференция по мягким вычислениям и измерениям (SCM-2022). Сборник докладов.—Санкт-Петербург.—25-27 мая. — 2022. — С. 41-44.

24. Торопова А.В., Тулупьева Т.В. Апробация модели интенсивности поведения со скрытыми переменными на данных респондентов о последних публикациях в сети Инстаграм // XXIV Международная конференция по мягким вычислениям и измерениям (SCM-2021). Сборник докла-дов.—Санкт-Петербург.—26-28 мая. — 2021.— С. 51-53.

25. Торопова А., Абрамов М., Тулупьева Т. Машинное обучение байесовской сети доверия как инструмента оценки интенсивности процесса по данным из социальной сети // Научно-технический вестник информационных технологий, механики и оптики. — 2021. — Т. 21, № 5. — С. 727-737.

26. Toropova A., Tulupyeva T. Learning Behavior Rate Models on Social Network Data // CEUR Workshop Proceedings. Selected Contributions of the" Russian Advances in Artificial Intelligence" Track at RCAI. — 2020. — P. 10-16.

27. Торопова А.В., Тулупьева Т.В. Байесовская сеть доверия как модель оценки интенсивности поведения на примере постинга в социальной сети // Международная конференция по мягким вычислениям и измерениям. — Т. 1. — 2020. — С. 20-22.

28. Суворова А. В., Тулупьев А. Л. Апробация модели для оценивания интенсивности поведения индивидов на данных социальной сети // Международная конференция по мягким вычислениям и измерениям. — Т. 1. — 2016. —С. 34-37.

29. Suvorova A., Tulupyeva T. Bayesian belief networks in risky behavior modelling // Proceedings of the First International Scientific Conference "Intelligent Information Technologies for Industry"(IITI'16) Volume 2 / Springer.— 2016. —P. 95-102.

30. Торопова Александра Витальевна, Суворова Алёна Владимировна, Тулупьева Татьяна Валентиновна. Оценка согласованности данных в модели рискованного поведения // Международная конференция по мягким вычислениям и измерениям. — Т. 1. — 2015. — С. 5-8.

31. Автоматизированный инструментарий для опроса респондентов об эпизодах рискованного поведения: первичный анализ результатов применения / А.В. Суворова, В.Ф. Мусина, Т.В. Тулупьева и др. // Информатика и автоматизация. — 2013. — Т. 26. — С. 175-193.

32. Моделирование социально-значимого поведения респондентов: аналитическая и численная оценки интенсивности в окрестности интервью при информационном дефиците / Алена Владимировна Суворова, Андрей Валентинович Лавренов, Татьяна Валентиновна Тулупьева и др. // Информатика и автоматизация. — 2012. — № 20. — С. 101-115.

33. Суворова А. В., Тулупьева Т. В., Тулупьев А. Л. Обобщенная линейная регрессионная модель для прогноза временного интервала между последним эпизодом рискованного поведения и моментом интервью на основе социально-демографических и психологических особенностей // Информатика и автоматизация. — 2012.— №21. — С. 80-94.

34. Вероятностные графические модели социально-значимого поведения индивида, учитывающие неполноту информации / А. В. Суворова, Т. В. Тулупьева, А. Л. Тулупьев и др. // Информатика и автоматизация. — 2012. — № 22. — С. 101-112.

35. Функция правдоподобия с гетерогенными аргументами в идентификации пуассоновской модели рискованного поведения в случае информационного

дефицита / Д.В. Степанов, В.Ф. Мусина, А.В. Суворова и др. // Информатика и автоматизация. — 2012. — № 23. — С. 157-184.

36. Эвристическая оценка интенсивности поведения по рекордным интервалам между эпизодами: обработка неточности ответов респондента / А.В. Суворова, А.Л. Тулупьев, Т.В. Тулупьева, А.Е. Пащенко // Международная конференция по мягким вычислениям и измерениям.— Т. 2.— 2012.— С. 101-104.

37. Обработка систематической ошибки, связанной с длиной временных интервалов между интервью и последним эпизодом в гамма-пауссоновской модели поведения / Д. Зельтерман, А. В. Суворова, А. Е. Пащенко и др. // Труды СПИИРАН. — 2011. — Т. 1, № 16. — С. 160-185.

38. Диагностика регрессионных уравнений в анализе интенсивности рискованного поведения по его последним эпизодам / Д. Зельтерман, А. В. Суворова, А. Е. Пащенко и др. // Информатика и автоматизация. — 2011. — № 17. — С. 33-46.

39. Косвенная оценка вероятности заражения ВИЧ-инфекцией на основе данных о последних эпизодах рискованного поведения / А.Е. Пащенко, А.Л. Тулупьев, Т.В. Тулупьева и др. // Здравоохранение Российской Федерации. — 2010. — № 2. — С. 32-35.

40. Суворова А. В., Пащенко А. Е., Тулупьева Т. В. Оценка характеристик сверхкороткого временного ряда по гранулярным данным о рекордных интервалах между событиями // Информатика и автоматизация. — 2010.— № 12. — С. 170-181.

41. Анализ гранулярных данных и знаний в задачах исследования социально значимых видов поведения / А. В. Суворова, А. Л. Тулупьев, А. Е. Пащенко и др. // Компьютерные инструменты в образовании. — 2010. — № 4.

42. Вероятностные распределения порядковых статистик в анализе сверхкоротких нечетких и неполных временных рядов / А. В. Суворова, А. Е. Пащенко, Т. В. Тулупьева, А. Л. Тулупьев // Информатика и автоматизация. — 2009. — № 10. — С. 184-207.

43. Построение доверительных интервалов оценок интенсивности рискованного поведения на основе неравенства Чебышева / Алена Владимировна Суворова, Антон Евгеньевич Пащенко, Татьяна Валентиновна Тулупьева, Александр Львович Тулупьев // Информатика и автоматизация. — 2009. — № 10. — С. 96-109.

44. Сравнение параметров угрообразующего поведения в разных группах на основе неполных и неточных данных / Александр Львович Тулупьев,

Татьяна Валентиновна Тулупьева, Антон Евгеньевич Пащенко, Алена Владимировна Суворова // Информатика и автоматизация. — 2009. — № 9. — С. 252-261.

45. Косвенные оценки и сравнение параметров угрообразующего поведения в разных группах по неполным и неточным данным / А.Л. Тулупьев, А.В. Суворова, Т.В. Тулупьева, А.Е. Пащенко // Международная конференция по мягким вычислениям и измерениям. — Т. 2. — 2009. — С. 110-114.

46. Пащенко Антон Евгеньевич, Тулупьев Александр Львович, Тулупьева Татьяна Валентиновна. Оценка интенсивности поведения респондента в условиях информационного дефицита // Информатика и автоматизация. — 2008. — Т. 7, № 0. — С. 239-254.

47. Stoliarova V. F., Tulupyev A. L. Cox regression in the problem of risky behavior parameter estimation based on the last episodes' data // St. Petersburg Polytechnical State University Journal. Physics and Mathematics. — 2021.— Vol. 14, no. 4. —P. 202-217.

48. Stoliarova V., Tulupyev A. Assessment of the Vine-Copula for the Gamma Poisson Model of Risky Person's Behavior with Synthetic Data // Studies in Systems, Decision and Control / Springer. — 2023. — P. 97-108.

49. Stoliarova V., Tulupyev A. Probabilistic Graphical Models with Continuous Variables for the Decision Making About Risky Episodic Behavior in the Framework of Gamma Poisson Model with Application to Public Posting Data // Proceedings of the Sixth International Scientific Conference «Intelligent Information Technologies for Industry»(IITI'22) / Springer. — 2022. — P. 465-474.

50. Stoliarova V., Tulupyev A. Cumulative Mean Function of Public Posting Episodes in the Online Media with Regard to User's Digital Traces: Limited Data on publications Dates and Profile Data // 2022 XXV International Conference on Soft Computing and Measurements (SCM) / IEEE.— 2022.— P. 25-27.

51. Столярова Валерия Фуатовна, Торопова Александра Витальевна, Тулу-пьев Александр Львович. Модель для оценки частоты публикации постов в онлайн социальной сети по неполным данным с учетом объективных детерминант поведения // Нечеткие системы и мягкие вычисления. — 2021.— Т. 16, № 2. — С. 77-95.

52. The Non-parametric Bayes Belief Network for the Physical Activity Parameters Modelling: The Pilot Study / V. Stoliarova, G. Sadykova, A. Olina,

A. Tulupyev // International Conference on Intelligent Information Technologies for Industry. — Vol. 330 of Lecture Notes in Networks and Systems. — Springer, 2021. — P. 224-233.

53. Stoliarova V., Tulupyev A. Regression model for the problem of parameter estimation in the gamma Poisson model of behavior: an application to the online social media posting data // 2021 XXIV International Conference on Soft Computing and Measurements (SCM). — IEEE, 2021. — P. 24-27.

54. Suvorova Alena, Tulupyev Alexander. Prediction quality of Bayesian belief network model for risky behavior: comparison of subsamples with different rates // 11th Conference of the European Society for Fuzzy Logic and Technology (EUSFLAT 2019) / Atlantis Press. — 2019. — P. 648-652.

55. Suvorova A., Tulupyev A. Learning Bayesian network structure for risky behavior modelling // Proceedings of the Third International Scientific Conference "Intelligent Information Technologies for Industry"(IITI'18) Volume 2 3 / Springer. — 2019. — P. 58-65.

56. Toropova A., Tulupyeva T. Synthesis and learning of socially significant behavior model with hidden variables // Proceedings of the Third International Scientific Conference "Intelligent Information Technologies for Industry"(IITI'18) Volume 2 3/ Springer. — 2019. — P. 76-84.

57. Суворова А.В., Тулупьев А.Л. Неопределенность в оценивании параметров рискованного поведения индивидов // Нечеткие системы и мягкие вычисления. Промышленные применения. — 2017.— С. 170-177.

58. Suvorova A., Tulupyev A. Evaluation of the model for individual behavior rate estimate: Social network data // 2016 XIX IEEE International Conference on Soft Computing and Measurements (SCM) / IEEE. — 2016. — P. 18-20.

59. Торопова А. В., Суворова А. В., Тулупьев А. Л. Диагностика согласованности в модели для оценивания интенсивности социально-значимого поведения // Нечеткие системы и мягкие вычисления.— 2015.— Т. 10, № 1. —С. 93-107.

60. Суворова А.В., Тулупьев А.Л., Сироткин А.В. Байесовские сети доверия в задачах оценивания интенсивности рискованного поведения // Нечеткие системы и мягкие вычисления. — 2014. — Т. 9, № 2. — С. 115-129.

61. Beta prime regression with application to risky behavior frequency screening / Alexander Tulupyev, Alena Suvorova, Jennifer Sousa, Daniel Zelterman // Statistics in medicine. — 2013. — Vol. 32, no. 23. — P. 4044-4056.

62. Особенности обработки данных и знаний об эпизодах социально-значимого поведения в окрестности интервью / А. В. Лавренов, А. В. Суворова,

А. Е. Пащенко, А. Л. Тулупьев // Информатика и автоматизация. — 2010. — № 15. — С. 246-262.

63. Пащенко А.Е., Тулупьев А.Л., Николенко С.И. Статистическая оценка вероятности заражения ВИЧ-инфекцией на основе данных о последних эпизодах рискованного поведения // Труды СПИИРАН.— 2006.— Т. 2, № 3. — С. 257-268.

64. Торопова А., Суворова А. Подходы к обработке зашумленных данных в модели социально-значимого поведения // Международная конференция по мягким вычислениям и измерениям. — Т. 1. — 2018. — С. 138-140.

65. Suvorova A. Exploring Bayesian belief network for risky behavior modelling: discretization and latent variables // Proceedings of the II International Scientific and Practical Conference "Fuzzy Technologies in the Industry-FTI". Ulyanovsk, Russia. — 2018. — P. 63-70.

66. Торопова А.В., Суворова А.В. Анализ модели социально-значимого поведения со скрытыми переменными // Международная конференция по мягким вычислениям и измерениям. — Т. 1. — 2017. — С. 81-84.

67. Суворова Алёна Владимировна. Модели для оценивания интенсивности поведения респондентов: синтез структур байесовской сети доверия // Международная конференция по мягким вычислениям и измерениям. — Т. 1. — 2017. — С. 126-129.

68. Суворова Алена Владимировна. Гибридные модели оценки параметров социально-значимого поведения по сверхмалой неполной совокупности наблюдений // Информатика и автоматизация. — 2013. — № 24. — С. 116-134.

69. Суворова А.В. Моделирование социально-значимого поведения по сверхмалой неполной совокупности наблюдений // Информационно-измерительные и управляющие системы. — 2013. — Т. 11, № 9. — С. 34-37.

70. Суворова Алёна Владимировна. Подходы к представлению и обработке неопределенности данных и знаний о поведении индивидов // Информатика и автоматизация. — 2012. — № 23. — С. 206-222.

71. Пащенко Антон Евгеньевич. Применение байесовских сетей доверия для расчета относительных оценок показателей процессов, ассоциированных с риском, в условиях информационного дефицита // Информатика и автоматизация. — 2013. — № 31. — С. 95-122.

72. Пащенко А.Е. Математические модели и алгоритмы для комплекса программ по идентификации интенсивности рискованного поведения в условиях дефицита информации // Международная конференция по мягким вычислениям и измерениям. — Т. 2. — 2009. — С. 105-109.

73. Пащенко А.Е., Тулупьев А.Л., Николенко С.И. Моделирование заражения ВИЧ-инфекцией на основе данных о последних эпизодах рискованного поведения // Известия высших учебных заведений. Приборостроение. — 2006. — Т. 49, № 11. — С. 33-34.

74. Торопова А.В. Методы и алгоритмы обработки неопределенности данных при оценивании интенсивности пуассоновского процесса по ограниченному объему доступных наблюдений: дисс. ...т. н.: 05.13.01.— ФГБУН СПИИ РАН. — 2022.

75. Toropova A. Data coherence diagnosis in BBN risky behavior model // Proceedings of the First International Scientific Conference "Intelligent Information Technologies for Industry"(IITI'16) Volume 2 / Springer.— 2016.— P. 111-119.

76. Столярова В.Ф., Тулупьева Т.В., А.А. Вяткин. Подходы к оцениванию кумулятивных характеристик поведения в группах разнородных индивидов: точность оценки в условиях ограниченных наблюдений // Информатика и автоматизация. — 2024. — Т. 6, № 25. — С. 1730-1753.

77. Столярова В.Ф. Копулы и моделирование зависимости: косвенные оценки интенсивности рискованного поведения // Компьютерные инструменты в образовании. — 2018. — Т. 3. — С. 21-36.

78. Мусина В.Ф. Байесовские сети доверия как вероятностная графическая модель для оценки медицинских рисков // Информатика и автоматизация. — 2013. — Т. 24. — С. 135-151.

79. Мусина В.Ф. Байесовские сети доверия как вероятностная графическая модель для оценки экономических рисков // Информатика и автоматизация. — 2013. — Т. 25. — С. 235-254.

80. Stoliarova V. Non-parametric Bayes belief network for intensity estimation with data on several last episodes of person's behavior // International Scientific and Practical Conference in Control Engineering and Decision Making. — Vol. 337 of Studies in Systems, Decision and Control. — Springer, 2020. — P. 486-497.

81. Stoliarova V. Modeling of the Copula for Dependency of Two Inter-Episode Interval Lengths in Gamma-Poisson Model of Person's Behavior // 2018 XXI International Conference on Soft Computing and Measurements (SCM).— IEEE, 2018. — P. 122-125.

82. Столярова В.Ф. Оценка интенсивности публикации постов в онлайн социальной сети по датам последних публикаций: апробация гамма-пуас-соновской модели поведения // XVIII национальная конференция по искусственному интеллекту с международным участием (КИИ-2020). Труды конференции. — 2020. — С. 145-152.

83. Столярова В.Ф. Виды и свойства попарной зависимости длин интервалов между последовательными эпизодами в пуассоновской и гамма-пуассо-новской моделях поведения // Интеллектуальные системы и технологии: современное состояние и перспективы. Сборник научных трудов IV Международной летней школы-семинара по искусственному интеллекту для студентов, аспирантов, молодых ученых и специалистов.— 2017.— С. 160-166.

84. Столярова В.Ф., Абрамов М.В. Automation of the person's Behavior Rate Estimation with Data on Several Last Episodes: Vine Hybrid Bayesian Belief Network Approach for the Gamma Poisson Model Version 01 (AuBehRLE: VH BBN & GPM v.01). — [Роспатент]. — 2022. — Рег. № 2022685740.

85. Столярова В.Ф., Тулупьев А.Л. The Graphical User Interface for Collecting Self - Reported Times of the Last Episodes of Person's Physical Activity During One Week Version 01 (GUI for SRT of PhActLE v.01).— [Роспатент].— 2021. — Рег. № 2021667891.

86. Stone A., Shiffman S. Ecological momentary assessment (EMA) in behavorial medicine. // Annals of behavioral medicine. — 1994.

87. Shiffman S., Stone A., Hufford M. Ecological momentary assessment // Annu. Rev. Clin. Psychol. — 2008. — Vol. 4. — P. 1-32.

88. Ц-EMA: Microinteraction-based ecological momentary assessment (EMA) using a smartwatch / S. Intille, C. Haynes, D. Maniar et al. // Proceedings of the 2016 ACM international joint conference on pervasive and ubiquitous computing.— 2016. —P. 1124-1128.

89. Stinson L., Liu Y., Dallery J. Ecological momentary assessment: a systematic review of validity research // Perspectives on Behavior Science. — 2022. — Vol. 45, no. 2. —P. 469-493.

90. Van Berkel N., Ferreira D., Kostakos V. The experience sampling method on mobile devices // ACM Computing Surveys (CSUR).— 2017.— Vol. 50, no. 6. — P. 1-40.

91. Methodology used in ecological momentary assessment studies about sedentary behavior in children, adolescents, and adults: systematic review using the checklist for reporting ecological momentary assessment studies / C. Romanzini, M. Romanzini, M. Batista et al. // Journal of Medical Internet Research. — 2019. — Vol. 21, no. 5. — P. e11967.

92. External contexts and movement behaviors in ecological momentary assessment studies: a systematic review and future directions / N. Papini, C. Yang, B. Do

et al. // International Review of Sport and Exercise Psychology. — 2023. — Vol. 16, no. 1. —P. 337-367.

93. Maugeri A., Barchitta M. A systematic review of ecological momentary assessment of diet: implications and perspectives for nutritional epidemiology // Nutrients.—2019. —Vol. 11, no. 11. —P. 2696.

94. Smyth J., Stone A. Ecological momentary assessment research in behavioral medicine // Journal of Happiness studies. — 2003. — Vol. 4. — P. 35-52.

95. Ecological momentary assessment in behavioral research: addressing technological and human participant challenges / L. Burke, S. Shiffman, E. Music et al. // Journal of medical Internet research. — 2017. — Vol. 19, no. 3. — P. e77.

96. Current state and future directions of technology-based ecological momentary assessment and intervention for major depressive disorder: a systematic review / D. Colombo, J. Fernandez-Alvarez, A. Patane et al. // Journal of clinical medicine. — 2019. — Vol. 8, no. 4. — P. 465.

97. The utility of smartphone-based, ecological momentary assessment for depressive symptoms / S. Yim, L. Lui, Y. Lee et al. // Journal of Affective Disorders. — 2020. — Vol. 274. — P. 602-609.

98. Suicidal thoughts, suicidal behaviours and self-harm in daily life: A systematic review of ecological momentary assessment studies / B. Gee, J. Han, H. Benassi, P. Batterham // Digital health.— 2020.— Vol. 6.— P. 2055207620963958.

99. Ecological momentary assessment in the investigation of craving and substance use in daily life: a systematic review / F. Serre, M. Fatseas, J. Swendsen, M. Auriacombe // Drug and alcohol dependence.— 2015.— Vol. 148.— P. 1-20.

100. Votaw V., Witkiewitz K. Motives for substance use in daily life: A systematic review of studies using ecological momentary assessment // Clinical Psychological Science. — 2021. — Vol. 9, no. 4. — P. 535-562.

101. Clark V., Kim S. Ecological momentary assessment and mHealth interventions among men who have sex with men: Scoping review // Journal of Medical Internet Research. — 2021. — Vol. 23, no. 8. — P. e27751.

102. Contextual dissonance: Design bias in sensor-based experience sampling methods / N. Lathia, K. Rachuri, C. Mascolo, P. Rentfrow // Proceedings of the 2013 ACM international joint conference on Pervasive and ubiquitous computing. — 2013. — P. 183-192.

103. Чернова Г.В., Кудрявцев А.А. Управление рисками: Учебное пособие.— Москва : ТК Велби, 2003. — 160 с.

104. Mikes A. Enterprise risk management in action. — London : London School of Economics and Political Science (United Kingdom), 2006.— P. 260.

105. Aven T. Risk analysis.— John Wiley & Sons, 2015.— P. 212.— ISBN: 978-1-119-05779-6.

106. A Bayesian Belief Network modelling of organisational factors in risk analysis: A case study in maritime transportation / P. Trucco, E. Cagno, F. Ruggeri, O. Grande // Reliability Engineering & System Safety. — 2008. — Vol. 93, no. 6. — P. 845-856.

107. Overview on Bayesian networks applications for dependability, risk analysis and maintenance areas / P. Weber, G. Medina-Oliva, C. Simon, B. Iung // Engineering Applications of Artificial Intelligence. — 2012. — Vol. 25, no. 4. — P. 671-682.

108. An advanced fuzzy Bayesian-based FMEA approach for assessing maritime supply chain risks / C. Wan, X. Yan, D. Zhang et al. // Transportation Research Part E: Logistics and Transportation Review.— 2019.— Vol. 125.— P. 222-240.

109. Two decades on human reliability analysis: a bibliometric analysis and literature review / L. Hou, R. Liu, H. Liu, S. Jiang // Annals of Nuclear Energy.— 2021. —Vol. 151.—P. 107969.

110. Weick K.E., Sutcliffe K. M., Obstfeld D. Organizing for high reliability: processes of collective mindfulness // Research in Organizational Behavior / Ed. by R.S. Sutton, B.M. Staw. — Stanford : Jai Press, 1999. — P. 81-123.

111. Sutcliffe K. M. High reliability organizations (HROs) // Best Practice & Research Clinical Anaesthesiology. — 2011. — Vol. 25, no. 2. — P. 133-144.

112. Rochlin G. I., La Porte T. R., Roberts K. H. The self-designing high-reliability organization: Aircraft carrier flight operations at sea // Naval War College Review.— 1987.— Vol. 40, no. 4.— P. 76-92.— https://www.jstor.org/stable/ 44637690.

113. Roberts K. H. Some characteristics of one type of high reliability organization // Organization Science.— 1990. — Vol. 1, no. 2. — P. 160-176.

114. Five system barriers to achieving ultrasafe health care / R. Amalberti, Y. Au-roy, D. Berwick, P. Barach // Annals of internal medicine. — 2005. — Vol. 142, no. 9. — P. 756-764.

115. Bagnara S., Parlangeli O., Tartaglia R. Are hospitals becoming high reliability organizations? // Applied ergonomics. — 2010. — Vol. 41, no. 5. — P. 713-718.

116. Carayon P., Wood K. E. Patient safety // Information Knowledge Systems Management. — 2009. — Vol. 8, no. 1-4. — P. 23-46. — PMID: 20543237.

117. Apostolakis G. E. How useful is quantitative risk assessment? // Risk Analysis: An International Journal. — 2004. — Vol. 24, no. 3. — P. 515-520.

118. Experience sampling methods: A discussion of critical trends and considerations for scholarly advancement / A. Gabriel, N. Podsakoff, D. Beal et al. // Organizational Research Methods. — 2019. — Vol. 22, no. 4. — P. 969-1006.

119. Can O. Experience Sampling Methodology: A Systematic Review and Discussion for Organizational Research // Electronic Journal of Business Research Methods. — 2020. — Vol. 18, no. 2. — P. pp129-141.

120. Venz L., Casper A., Sonnentag S. Affect, Stress, and Health: The Role of Work Characteristics and Work Events // The Cambridge Handbook of Workplace Affect / Ed. by Liu-Qin Yang, Russell Cropanzano, Catherine S. Daus, Vicen-teEditors Martínez-Tur. — Cambridge Handbooks in Psychology. Cambridge University Press, 2020. — P. 105-119.

121. Seifried J., Rausch A. Applying the experience sampling method to research on workplace learning // Methods for Researching Professional Learning and Development: Challenges, Applications and Empirical Illustrations.— Springer, 2022. —P. 19-41.

122. Puranik H., Koopman J., Vough H. Excuse me, do you have a minute? An exploration of the dark-and bright-side effects of daily work interruptions for employee well-being. // Journal of Applied Psychology.— 2021.— Vol. 106, no. 12. —P. 1867.

123. How can machine learning be used in stress management: A systematic literature review of applications in workplaces and education / S. Mittal, S. Mahendra, V. Sanap, P. Churi // International Journal of Information Management Data Insights. — 2022. — Vol. 2, no. 2. — P. 100110.

124. Respite for SMEs: A Systematic Review of Socio-Technical Cybersecurity Metrics / M. van Haastrecht, Yigit O., M. Brinkhuis, M. Spruit // Applied Sciences.— 2021. —Vol. 11, no. 15. —P. 6909.

125. Абрамов М.В., Тулупьева Т.В., Тулупьев А.Л. Социоинженерные атаки: социальные сети и оценки защищенности пользователей. — СПб. : ГУАП, 2018. — 266 с. — ISBN: 978-5-8088-1377-5.

126. Социоинженерные атаки: проблемы анализа / А.А. Азаров, Т.В. Тулупье-ва, А.В. Суворова и др. — СПб. : Наука, 2016. — С. 349.

127. Insider threat risk prediction based on Bayesian network / N. Elmrabit, S. Yang, L. Yang, H. Zhou // Computers & Security.— 2020.— Vol. 96.— P. 101908.

128. Nobles C. Botching human factors in cybersecurity in business organizations // HOLISTICA-Journal of Business and Public Administration.— 2018.— Vol. 9, no. 3.—P. 71-88.

129. Evaluating information security core human error causes (IS-CHEC) technique in public sector and comparison with the private sector / M. Evans, Y. He, L. Maglaras et al. // International journal of medical informatics.— 2019.— Vol. 127. — P. 109-119.

130. Albladi S. M., Weir G.R.S. User characteristics that influence judgment of social engineering attacks in social networks // Human-centric Computing and Information Sciences. — 2018. — Vol. 8, no. 1. — P. 1-24.

131. Abramov M. V., Tulupyev A. L. Soft Estimates of User Protection from Social Engineering Attacks // Conference on Artificial Intelligence and Natural Language. — 2019. — P. 47-58.

132. Frolova M.S., Korepanova A. A., Abramov M. V. Assessing the Degree of the Social Media User's Openness Using an Expert Model Based on the Bayesian Network // 2021 XXIV International Conference on Soft Computing and Measurements (SCM). — 2021. — P. 52-55.

133. Kelley T., Amon M. J., Bertenthal B. I. Statistical models for predicting threat detection from human behavior // Frontiers in psychology.— 2018.— Vol. 9. — P. 466.

134. Ögütgü G., Testik Ö., Chouseinoglou O. Analysis of personal information security behavior and awareness // Computers & Security.— 2016.— Vol. 56.— P. 83-93.

135. The human aspects of information security questionnaire (HAIS-Q): two further validation studies / K. Parsons, D. Calic, M. Pattinson et al. // Computers & Security. — 2017. — Vol. 66. — P. 40-51.

136. Acquisti A., Gross R. Imagined communities: Awareness, information sharing, and privacy on the Facebook // Privacy Enhancing Technologies: 6th International Workshop, PET 2006, Cambridge, UK, June 28-30, 2006, Revised Selected Papers 6 / Springer. — 2006. — P. 36-58.

137. Utz S., Krämer N. The privacy paradox on social network sites revisited: The role of individual characteristics and group norms // Cyberpsychology: Journal of psychosocial research on cyberspace. — 2009. — Vol. 3, no. 2. — P. 2.

138. Approach to identifying of employees profiles in websites of social networks aimed to analyze social engineering vulnerabilities / N. Shindarev, G. Bagretsov, M. Abramov et al. // International Conference on Intelligent Information Technologies for Industry.— 2017. — P. 441-447.

139. Khlobystova A., Abramov M., Tulupyev A. Employees' Social Graph Analysis: A Model of Detection the Most Criticality Trajectories of the Social Engineering Attack's Spread // International Conference on Intelligent Information Technologies for Industry. — 2019. — P. 198-205.

140. Oliseenko V. D., Tulupyeva T. V. Neural network approach in the task of multi-label classification of user posts in online social networks // 2021 XXIV International Conference on Soft Computing and Measurements (SCM).— 2021. —P. 46-48.

141. D'Arcy J., Teh P. Predicting employee information security policy compliance on a daily basis: The interplay of security-related stress, emotions, and neutralization // Information & Management. — 2019. — Vol. 56, no. 7. — P. 103151.

142. Information security behavior and information security policy compliance: A systematic literature review for identifying the transformation process from noncompliance to compliance / R. Ali, P. Dominic, S. Ali et al. // Applied Sciences.— 2021. —Vol. 11, no. 8.—P. 3383.

143. Нариньяни А. С. Введение в недоопределенность // Проблемы информатики. — 2019. — № 3(40). — С. 61-81.

144. Socio-Technical Systems Analysis in Health Care: A Research Agenda / P. Carayon, E. Bass, T. Bellandi et al. // IIE Transactions on Healthcare Systems Engineering. — 2011. — Vol. 1, no. 3. — P. 145-160.

145. Акопов В.И. Проблема обоснованного риска в медицинской практике // Проблемы экспертизы в медицине. — 2001. — Т. 1, № 1. — С. 8-10.

146. Vincent C.A. Risk, safety and the dark side of quality // British Medical Journal.— 1997. —Vol. 314. —P. 1775-1776.

147. Incidence of adverse events and negligence in hospitalized patients / T.A. Bren-nan, L.L. Leape, N.M. Laird et al. // The New England Journal of Medicine. — 1991. — Vol. 324. — P. 370-376.

148. Carayon P., Wood K.E. Patient Safety: The Role of Human Factors and Systems Engineering // Studies in Health Technology and Informatics. — 2010. — Vol. 153. — P. 23-46.

149. Leape L.L. Error in medicine // The Journal of the American Medical Association. — 1994. — Vol. 272, no. 23. —P. 1851-1857.

150. Vincent C., Taylor-Adams S., Stanhope V. Framework for analyzing risk and safety in clinical medicine // British Medical Journal.— 1998. — Vol. 316.— P. 1154-1157.

151. An alternative strategy for studying adverse events in medical care / L.B. Andrews, C. Stocking, T. Krizek et al. // Lancet.— 1997.— Vol. 349, no. 9048. — P. 309-313.

152. Effken J.A. Different lenses, improved outcomes: a new approach to the analysis and design of healthcare information systems // International Journal of Medical Informatics. — 2002. — Vol. 65, no. 1. — P. 59-74.

153. Reason J.T. Understanding adverse events: human factors // Clinical risk management / Ed. by C.A. Vincent.— London : BMJ Publications, 1995.— P. 31-54.

154. Applying human factors methods to clinical risk management in obstetrics / N. Stanhope, Vincent, C.A. et al. //An International Journal of Obstetrics & Gynaecology. — 1997. —Vol. 104, no. 11. —P. 1225-1232.

155. Purdy G. ISO 31000:2009-Setting a new standard for risk management // Risk Analysis. — 2010. — Vol. 30, no. 6. — P. 881-886.

156. Improving patient care: Five system barriers to achieving ultrasafe health care / R. Amalberti, Y. Auroy, D. Berwick, P. Barach // Annals of Internal Medicine. — 2005. — Vol. 142. — P. 756-764.

157. Bagnara S., Parlangeli O., R. Tartaglia. Are hospitals becoming high reliability organizations? // Applied Ergonomics. — 2010. — Vol. 41, no. 5. — P. 713-718.

158. Leape L.L., Berwick D.M. Five years after To Err Is Human: What have we learned? // Journal of the American Medical Association. — 2005. — Vol. 293, no. 19. —P. 2384-2390.

159. Olsen S., Undre S., Vincent C. Safety in surgery: First steps towards a systems approach // Clinical Risk. — 2005. — Vol. 11. — P. 190-194.

160. Patient safety and incident reporting: Survey of Italian healthcare workers / S. Albolino, R. Tartaglia, T. Bellandi et al. // BMJ Quality and Safety. — 2010. —Vol. 19. — P. i8-i12.

161. Organization World Health. World alliance for patient safety: WHO draft guidelines for adverse event reporting and learning systems: from information to action. — 2005.

162. Sitting F., Singh H. A New Socio-technical Model for Studying Health Information Technology in Complex Adaptive Healthcare Systems // Quality & Safety in Healthcare. — 2010. — Vol. 3. — P. i68-i74.

163. A comparison of learning algorithms for Bayesian networks: a case study based on data from an emergency medical service / S. Acida, L.M. de Campos, J.M. Fernândez-Lunab et al. // Artificial Intelligence in Medicine. — 2004. — Vol. 30, no. 3. —P. 215-232.

164. Mohr J., Batalden P., Darach P. Integrating patient safety into the clinical microsystem // British Medical Journal of Quality & Safety. — 2004. — Vol. 13, no. 2. — P. ii34-ii38.

165. Organization and Representation of Patient Safety Data: Current Status and Issues around Generalizability and Scalability / A.A. Boxwala, M. Dierks, M. Keenan et al. // Journal of the American Medical Informatics Association. — 2004. — Vol. 11, no. 6. — P. 468-478.

166. The experience sampling method as an mHealth tool to support self-monitoring, self-insight, and personalized health care in clinical practice / J. van Os, S. Verhagen, A. Marsman et al. // Depression and anxiety. — 2017. — Vol. 34, no. 6. — P. 481-493.

167. Practitioner and researcher perspectives on the utility of ecological momentary assessment in mental health care: A survey study / M. Piot, M. Mestdagh, H. Riese et al. // Internet Interventions. — 2022. — Vol. 30. — P. 100575.

168. Рыбина Г. В. Основы построения интеллектуальных систем. — Финансы и статистика, 2010.

169. Нариньяни А. С. НЕ-факторы: точность и недоопределенность — различие и взаимосвязь // Известия РАН. Теория и системы управления. — 2000. — № 5. — С. 46-52.

170. Statistical models based on counting processes / P. K. Andersen, O. Borgan, R. D. Gill, N. Keiding. — Springer Science & Business Media, 2012. — 768 p. — ISBN: 978-0-387-94519-4.

171. Therneau T.M., Grambsch P.M. Modeling Survival Data: Extending the Cox Model. — Springer Science+Business Media New York, 2000. — 356 p.

172. Balan T., Putter H. A tutorial on frailty models // Statistical methods in medical research. — 2020. — Vol. 29, no. 11. — P. 3424-3454.

173. Fuzzy logic in action: Applications in epidemiology and beyond / E. Massad, N. Ortega, L. de Barros, C. Struchiner. — Springer Science & Business Media, 2009. — Vol. 232.

174. Richter L., Johnson P. Current methods of assessing substance use: A review of strengths, problems, and developments // Journal of Drug Issues.— 2001.— Vol. 31, no. 4. —P. 809-832.

175. Development of the alcohol use disorders identification test (AUDIT): WHO collaborative project on early detection of persons with harmful alcohol con-sumption-II / John B Saunders, Olaf G Aasland, Thomas F Babor et al. // Addiction. — 1993. — Vol. 88, no. 6. — P. 791-804.

176. Orosz Gabor, Töth-Kiräly Istvän, Bothe Beäta. Four facets of Facebook intensity—the development of the multidimensional Facebook intensity scale // Personality and individual differences. — 2016. — Vol. 100. — P. 95-104.

177. Sobell L. C., Cunningham J. A., Sobell M. B. Recovery from alcohol problems with and without treatment: prevalence in two population surveys. // American journal of public health.— 1996. — Vol. 86, no. 7.— P. 966-972.

178. Psychometric evaluation of the Timeline Followback for Exercise among college students / G. A. Panza, J. Weinstock, Garrett I. A., L. S. Pescatello // Psychology of Sport and Exercise. — 2012. — Vol. 13, no. 6. — P. 779-788.

179. Validation of a multisubstance online Timeline Followback assessment / R. Mar-tin-Willett, T. Helmuth, M. Abraha et al. // Brain and behavior.— 2020.— Vol. 10, no. 1. —P. e01486.

180. Validation of a multisubstance online Timeline Followback assessment / R. Mar-tin-Willett, T. Helmuth, M. Abraha et al. // Brain and behavior.— 2020.— Vol. 10, no. 1. —P. e01486.

181. Capturing habitualness of drinking and smoking behavior in humans / L. A. Ray, H. Du, E. Grodin et al. // Drug and alcohol dependence. — 2020. — Vol. 207.—P. 107738.

182. Defining and measuring abstinence in clinical trials of smoking cessation interventions: an updated review / M. E. Piper, C. Bullen, S. Krishnan-Sarin et al. // Nicotine and Tobacco Research. — 2020. — Vol. 22, no. 7. — P. 1098-1106.

183. Reliability of the timeline follow-back sexual behavior interview / L. S. Weinhardt, M. P. Carey, S. A. Maisto et al. // Annals of Behavioral Medicine.— 1998. —Vol. 20, no. 1.—P. 25-30.

184. Bernstein S. L., Rosner J., Toll B. Concordance between timeline follow-back and single-question assessment of self-reported smoking in a clinical trial // Substance abuse. — 2016. — Vol. 37, no. 3. — P. 398-401.

185. Concurrent validity of an online version of the Timeline Followback assessment. / E. R. Pedersen, J. Grow, S. Duncan et al. // Psychology of Addictive Behaviors. — 2012. — Vol. 26, no. 3. — P. 672.

186. Модели ВИЧ-рискованного поведения в контексте психологической защиты и других адаптивных стилей / Т. В. Тулупьева, А. Е. Пащенко,

A. Л. Тулупьев и др. — СПб. : Издательство"Наука 2008. — 140 с.

187. Суворова А. В., Тулупьев А. Л. Синтез структур байесовской сети доверия для оценки характеристик рискованного поведения // Информационно-управляющие системы. — 2018.— № 1 (92). — С. 116-122.

188. A hybrid model for human factor analysis in process accidents: FBN-HFACS / E. Zarei, M. Yazdi, R. Abbassi, F. Khan // Journal of loss prevention in the process industries. — 2019. — Vol. 57. — P. 142-155.

189. Vaczi D., Toth-Laufer E., Szadeczky T. Fuzzy-based cybersecurity risk analysis of the human factor from the perspective of classified information leakage // 2020 IEEE 18th International Symposium on Intelligent Systems and Informatics (SISY) / IEEE. — 2020. — P. 000113-000118.

190. Невзоров В.Б. Рекорды. Математическая теория. — Фазис, 2000.

191. Модели ВИЧ-рискованного поведения в контексте психологической защиты и адаптации / Т. В. Тулупьева, А. Е. Пащенко, А. Л. Тулупьев,

B. М. Голянич // Вестник Санкт-Петербургского университета. Социология. — 2010. — № 1. — С. 108-115.

192. Суворова А. В., Тулупьева Т. В., Тулупьев А. Л. Обобщенная линейная регрессионная модель для прогноза временного интервала между последним эпизодом рискованного поведения и моментом интервью на основе социально-демографических и психологических особенностей // Информатика и автоматизация. — 2012.— №21. — С. 80-94.

193. Newbold E.M. A contribution to the study of the human factor in the causation of accidents // Industrial Health Research Board. — London, 1926. — Vol. Report No. 34.

194. Greenwood M., Yule G.U. An inquiry into the nature of frequency distributions representative of multiple happenings with particular reference to the occurrence of multiple attack of disease or of repeated accidents // Journal of Royal Statistical Society. — 1920. — Vol. 89. — P. 255-279.

195. Nelsen R. An introduction to copulas.— Springer Science & Business Media, 2007. — 271 p. — ISBN: 978-0387-28659-4.

196. Joe H. Multivariate models and multivariate dependence concepts.— CRC Press, 1997. — 424 p. — ISBN: 0-412-07331-5.

197. Феллер В. Введение в теорию вероятностей и ее применение в 2-х т. — М. : Мир, 1984. — 528, 752 с.

198. Sklar A. Random variables, joint distribution functions, and copulas // Kyber-netika. — 1973. —Vol. 9, no. 6. —P. 449-460. — http://dml.cz/dmlcz/125838.

199. Pair-copula constructions of multiple dependence / K. Aas, C. Czado, A. Frigessi, H. Bakken // Insurance: Mathematics and economics. — 2009. — Vol. 44, no. 2. —P. 182-198.

200. Czado C. Analyzing dependent data with vine copulas. — Springer, 2019. — Vol. 222 of Lecture Notes in Statistics. — 261 p.

201. Grzegorzewski P. Probabilistic implications // Fuzzy Sets and Systems.— 2013. —Vol. 226.—P. 53-66.

202. Wienke A. Frailty models in survival analysis.— Chapman and Hall/CRC, 2010. — 320 p.

203. Oakes D. Bivariate survival models induced by frailties // Journal of the American Statistical Association. — 1989. — Vol. 84, no. 406. — P. 487-493.

204. Emura T., Matsui S., Rondeau V. Survival analysis with correlated endpoints: Joint frailty-copula models.— Springer, 2019.— 118 p.

205. The long-term bivariate survival FGM copula model: an application to a brazilian HIV Data / F. Louzada, A. K. Suzuki, V. G. Cancho et al. // Journal of Data Science.—2012. —Vol. 10, no. 3. — P. 511-535.

206. Zaroudi S., Behzadi M. H., Faridrohani M. R. Application of Copula in Life Insurance // International Journal of Applied Mathematics and Statistic. — 2018. —Vol. 57, no. 3.—P. 162-168.

207. Kuss O., Hoyer A., Solms A. Meta-analysis for diagnostic accuracy studies: a new statistical model using beta-binomial distributions and bivariate copulas // Statistics in medicine. — 2014. — Vol. 33, no. 1. — P. 17-30.

208. Nikoloulopoulos A. K. A mixed effect model for bivariate meta-analysis of diagnostic test accuracy studies using a copula representation of the random effects distribution // Statistics in medicine.— 2015.— Vol. 34, no. 29.— P. 3842-3865.

209. Shi Q., Sargent D. J. Meta-analysis for the evaluation of surrogate endpoints in cancer clinical trials // International journal of clinical oncology. — 2009. — Vol. 14, no. 2. —P. 102-111.

210. A copula approach to estimate reliability: an application to self-reported sexual behaviors among HIV serodiscordant couples / S. L. Bellamy, S. Baek, A. B. Troxel et al. // Statistics and Its Interface.— 2016.— Vol. 9, no. 1.— P. 57-67.

211. Modelling the differences in counted outcomes using bivariate copula models with application to mismeasured counts / A. C. Cameron, T. Li, P. K. Trivedi, D. M. Zimmer // The Econometrics Journal. — 2004. — Vol. 7, no. 2. — P. 566-584.

212. Czado C. Pair-copula constructions of multivariate copulas // Copula theory and its applications. — Springer, 2010. — P. 93-109.

213. Joe H. Families of m-Variate Distributions with Given Margins and m(m-1)/2 Bivariate Dependence Parameters // Lecture Notes-Monograph Series. — 1996. —Vol. 28.—P. 120-141.

214. Bedford T., Cooke R. M. Probability density decomposition for conditionally dependent random variables modeled by vines // Annals of Mathematics and Artificial intelligence. — 2001. — Vol. 32, no. 1. — P. 245-268.

215. Bedford T., Cooke R. M. Vines-a new graphical model for dependent random variables // The Annals of Statistics. — 2002. — Vol. 30, no. 4. — P. 1031-1068.

216. Kurowicka D., Cooke R. M. Uncertainty analysis with high dimensional dependence modelling. — John Wiley & Sons, 2006. — 295 p. — ISBN: 978-0-470-86306-0.

217. Николенко С.И., Тулупьев А.Л., Сироткин А.В. Основы теории байесовских сетей. — СПб : Изд-во С.-Петерб. ун-та, 2021. — 400 с.

218. Тулупьев А. Л., Сироткин А. В., Николенко С. И. Байесовские сети доверия: логико-вероятностный вывод в ациклических направленных графах. — СПб. : Изд-во Санкт-Петербургского ун-та, 2009. — 400 с.

219. Koller D., Friedman N. Probabilistic Graphical Models: Principles and Techniques. — Cambridge : MIT Press, 2009. — 1272 p. — ISBN: 978-0-2620-1319-2.

220. Korb Kevin B, Nicholson Ann E. Bayesian artificial intelligence. — CRC press, 2010. — 451 p.—ISBN: 978-1-4398-1592-2.

221. Neapolitan R. E. Learning Bayesian networks.— Pearson Prentice Hall, 2004. —Vol. 38.— 674 p.

222. Richens J. G., Lee C. M., Johri S. Improving the accuracy of medical diagnosis with causal machine learning // Nature communications.— 2020.— Vol. 11, no. 1. — P. 1-9.

223. Тулупьев А.Л., Николенко С.И., Сироткин А.В. Байесовские сети: логико-вероятностный подход. — СПб : Наука, 2006. — 607 с.

224. Тулупьев А.Л. Алгебраические байесовские сети: локальный логико-вероятностный вывод. — СПб : СПбГУб ООО Издательство «Анатолия», 2007. — 80 с. — Серия "Элементы мягких вычислений".

225. Hanea A. Algorithms for non-parametric Bayesian belief nets (doctoral thesis).— 2008.— https://repository.tudelft.nl/islandora/object/uuid: 2cd65be4-1708-4967-8f09-902a40386090.

226. Jaynes E. T. Probability theory: The logic of science. — Cambridge university press, 2003. — 727 p.

227. Bayesian data analysis / A. Gelman, J. B. Carlin, H. S. Stern et al.— NY : Chapman and Hall/CRC, 2013.— 675 p.

228. Cornalba C., Giudici P. Statistical models for operational risk management // Physica A: Statistical Mechanics and its applications. — 2004. — Vol. 338, no. 1-2. —P. 166-172.

229. Bonafede C. E., Giudici P. Bayesian networks for enterprise risk assessment // Physica A: Statistical Mechanics and its Applications. — 2007. — Vol. 382, no. 1. — P. 22-28.

230. Kohda T., Cui W. Risk-based reconfiguration of safety monitoring system using dynamic Bayesian network // Reliability Engineering & System Safety. — 2007. —Vol. 92, no. 12. —P. 1716-1723.

231. Langseth H., Portinale L. Bayesian networks in reliability // Reliability Engineering & System Safety. — 2007. — Vol. 92, no. 1. — P. 92-108.

232. Johnson C. A., Flage R., Guikema S. D. Feasibility study of PRA for critical infrastructure risk analysis // Reliability Engineering & System Safety. — 2021. —Vol. 212.—P. 107643.

233. Weidl G., Madsen A. L., Israelson S. Applications of object-oriented Bayesian networks for condition monitoring, root cause analysis and decision support on operation of complex continuous processes // Computers & chemical engineering. — 2005. — Vol. 29, no. 9. — P. 1996-2009.

234. Koller D., Pfeffer A. Object-oriented Bayesian networks // Proceedings of the Thirteenth conference on Uncertainty in artificial intelligence.— 1997.— P. 302-313.

235. Mkrtchyan L., Podofillini Luca., Dang V. N. Bayesian belief networks for human reliability analysis: A review of applications and gaps // Reliability engineering & system safety. — 2015. — Vol. 139. — P. 1-16.

236. Enabling a powerful marine and offshore decision-support solution through Bayesian network technique / A.G. Eleye-Datubo, A. Wall, A. Saajedi, J. Wang // Risk Analysis. — 2006. — Vol. 26, no. 3. — P. 695-721.

237. A fuzzy and Bayesian network CREAM model for human reliability analy-sis-The case of tanker shipping / Q. Zhou, Y. Wong, H. Loh, K. Yuen // Safety science.—2018. —Vol. 105. —P. 149-157.

238. A fuzzy Bayesian network approach to improve the quantification of organizational influences in HRA frameworks / P. Li, G. Chen, L. Dai, L. Zhang // Safety science. — 2012. —Vol. 50, no. 7. — P. 1569-1583.

239. Lacave C., Diez F. J. Knowledge Acquisition in PROSTANET - A Bayesian Network for Diagnosing Prostate Cancer // Knowledge-Based Intelligent Information and Engineering Systems / Ed. by V. Palade, R. J. Howlett, L. Jain. — Springer Berlin Heidelberg, 2003. — P. 1345-1350.

240. Wasyluk H., Onisko A., Druzdzel M.J. Support of diagnosis of liver disorders based on a causal Bayesian network model // Medical Science Monitor. — 2001. —Vol. 7, no. 1. —P. 327-332.

241. Bayesian networks for risk prediction using real-world data: a tool for precision medicine / P. Arora, D. Boyne, J. J. Slater et al. // Value in Health. — 2019. — Vol. 22, no. 4. — P. 439-445.

242. Bayesian networks in ovarian cancer diagnosis: potentials and limitations / P. Antal, H. Verrelst, D. Timmerman et al. // Proceedings 13th IEEE Symposium on Computer-Based Medical Systems. CBMS 2000. — 2000. — P. 103-108.

243. Approximate inference for medical diagnosis / W.A.J.J. Wiegerincka, H.J. Kap-pena, E.W.M.T. ter Braakb et al. // Pattern Recognition Letters.— 1999.— Vol. 20, no. 11-13. —P. 1231-1239.

244. Bayesian Network to Predict Breast Cancer Risk of Mammographic Microcalcifications and Reduce Number of Benign Biopsy Results: Initial Experience / D.L. Burnside, E.S.and Rubin, J.P. Fine, R.D. Shachter et al. // Radiology.— 2006. — Vol. 240, no. 3. — P. 666-673.

245. Leape L.L.and Berwick D.M. Five years after To Err Is Human: What have we learned? // Journal of the American Medical Association. — 2005. — Vol. 293, no. 19. — P. 2384—2390.

246. Twardy C.R., Nicholson A.E., Korb K.B.and McNeil J. Epidemiological data mining of cardiovascular Bayesian networks // electronic Journal of Health Informatics. — 2006. — Vol. 1, no. 1. — P. e3.

247. Nikovski D. Constructing Bayesian networks for medical diagnosis from incomplete and partially correct statistics // IEEE Transactions on Knowledge and Data Engineering. — 2000. — Vol. 12, no. 4. — P. 509-516.

248. Kononenko I. Inductive and Bayesian learning in medical diagnosis // Applied Artificial Intelligence. — 1993. — Vol. 7, no. 4. — P. 317-337.

249. Bellazzi R., Zupan B. Predictive data mining in clinical medicine: current issues and guidelines // International journal of medical informatics. — 2008. — Vol. 77, no. 2. —P. 81-97.

250. Friedman N., Geiger D., Goldszmidt M. Bayesian networks classifiers // Machine Learning. — 1997. — Vol. 29. — P. 131-163.

251. Provan G. M., Singh M. Data Mining and Model Simplicity: A Case Study in Diagnosis // KDD. — 1996. — P. 57-62.

252. Zhang N. L., Nielsen T.D., Jensen F. V. Latent variable discovery in classification models // Artificial Intelligence in Medicine. — 2004. — Vol. 30, no. 3. — P. 283-299.

253. Aronsky D., Haug P.J. Diagnosing Community-Acquired Pneumonia with a Bayesian Network // Proceedings of the AMIA Symposium.— 1998.— P. 632-636.

254. Fawcett T. An introduction to ROC analysis // Pattern recognition letters. — 2006. —Vol. 27, no. 8. — P. 861-874.

255. DIAVAL, a Bayesian expert system for echocardiography / F.J. Diez, J. Miraa, E. Iturraldeb, S. Zubillagac // Artificial Intelligence in Medicine.— 1997.— Vol. 10, no. 1. —P. 59-73.

256. Wasyluk H., Onisko A, Druzdzel M. J. Support of diagnosis of liver disorders based on a causal Bayesian network model // Medical Science Monitor. — 2001. —Vol. 7, no. 1; SUPP. —P. 327-332.

257. Lucas P. J. F., Boot H., Taal B. A decision-theoretic network approach to treatment management and prognosis // Knowledge-based Systems. — 1998. — Vol. 11, no. 5-6.—P. 321-330.

258. Application of Bayesian classifier for the diagnosis of dental pain / S. Chat-topadhyay, R. M. Davis, D. D. Menezes et al. // Journal of medical systems. — 2012. —Vol. 36, no. 3.—P. 1425-1439.

259. A self-learning expert system for diagnosis in traditional Chinese medicine / X. Wang, H. Qu, P. Liu, Y. Cheng // Expert systems with applications. — 2004. — Vol. 26, no. 4. — P. 557-566.

260. Predictive models for pressure ulcers from intensive care unit electronic health records using Bayesian networks / P. Kaewprag, C. Newton, B. Vermillion et al. // BMC medical informatics and decision making.— 2017.— Vol. 17, no. 2. — P. 81-91.

261. Choudhury A., Gupta D. A survey on medical diagnosis of diabetes using machine learning techniques // Recent developments in machine learning and data analytics.— Springer, 2019.— P. 67-78.

262. Accuracy of dengue clinical diagnosis with and without NS1 antigen rapid test: Comparison between human and Bayesian network model decision / C. Sa-Nga-muang, P. Haddawy, V. Luvira et al. // PLoS neglected tropical diseases. — 2018. —Vol. 12, no. 6.—P. e0006573.

263. Causal Bayesian Networks for Medical Diagnosis: A Case Study in Rheumatoid Arthritis / A. Fahmi, A. MacBrayne, E. Kyrimi et al. // 2020 IEEE International Conference on Healthcare Informatics (ICHI) / IEEE. — 2020. — P. 1-7.

264. Heckerman D. Probabilistic similarity networks // Networks.— 1990.— Vol. 20, no. 5. —P. 607-636.

265. Bayesian networks in healthcare: Distribution by medical condition / S. McLachlan, K. Dube, G. Hitman et al. // Artificial Intelligence in Medicine. — 2020. — Vol. 107. —P. 101912.

266. Фишберн П. Теория полезности для принятия решений. — М. : наука, 1978.

267. Shahid A. H., Singh M.P. Computational intelligence techniques for medical diagnosis and prognosis: Problems and current developments // Biocybernetics and Biomedical Engineering.— 2019. — Vol. 39, no. 3.— P. 638-672.

268. Lucas P.J.F., Abu-Hanna A. Prognostic methods in medicine // Artificial Intelligence in Medicine. — 1999. —Vol. 15. —P. 105-119.

269. Mozetic I. Diagnostic efficiency of deep and surface knowledge in KARDIO // Artificial Intelligence in Medicine. — 1990. — Vol. 2, no. 2. — P. 67-83.

270. Prognostic bayesian networks: I: Rationale, learning procedure, and clinical use / M. Verduijn, N. Peek, P. M. J. Rosseel et al. // Journal of Biomedical Informatics. — 2007. — Vol. 40, no. 6. — P. 609-618.

271. NasoNet, joining Bayesian networks, and time to model nasopharyngeal cancer spread / S. F. Galán, F. Aguado, F. J. Díez, J. Mira // Conference on Artificial Intelligence in Medicine in Europe / Springer.— 2001.— P. 207-216.

272. Lucas P.J.F., Boot H., Taal B.G. Computer-based decision support in the management of primary gastric non-Hodgkin lymphoma // Methods of information in medicine. — 1998. —Vol. 37, no. 03. —P. 206-219.

273. Using probabilistic and decision-theoretic methods in treatment and prognosis modeling / S. Andreassen, C. Riekehr, B. Kristensen et al. // Artificial Intelligence in medicine.— 1999. — Vol. 15, no. 2. — P. 121-134.

274. A probabilistic and decision-theoretic approach to the management of infectious disease at the ICU / P.J.F. Lucas, N. C. de Bruijn, K. Schurink, A. Hoepelman // Artificial Intelligence in medicine. — 2000. — Vol. 19, no. 3. — P. 251-279.

275. Dantu R., Kolan P. Risk management using behavior based Bayesian networks // International Conference on Intelligence and Security Informatics / Springer.— 2005.—P. 115-126.

276. Assessing the physical impact of cyberattacks on industrial cyber-physical systems / K. Huang, C. Zhou, Y. Tian et al. // IEEE Transactions on Industrial Electronics. —2018. —Vol. 65, no. 10.—P. 8153-8162.

277. Uusitalo L. Advantages and challenges of Bayesian networks in environmental modelling // Ecological modelling. — 2007. — Vol. 203, no. 3-4. — P. 312-318.

278. Тулупьев А. Л., Николенко С. И., Сироткин А. В. Байесовские сети доверия: логико-вероятностный подход. — СПб. : Наука, 2006. — 607 с.

279. Хованов Н.В. Анализ и синтез показателей при информационном дефиците. — СПб : Изд-во СПбГУ, 1996. — 196 с.

280. Тулупьев А.Л. Алгебраические байесовские сети: глобальный логико-вероятностный вывод в деревьях смежности. Сер. элементы мягких вычислений. — СПб. : СПбГУ; Издательство «Анатолия», 2007. — 40 с.

281. Тулупьев А.Л. Алгебраические байесовские сети: локальный логико-вероятностный вывод. Сер. элементы мягких вычислений. — СПб. : СПбГУ; Издательство «Анатолия», 2007. — 80 с.

282. Lauritzen S. L. Graphical models. — Oxford : Clarendon Press, 1996.

283. A review of inference algorithms for hybrid Bayesian networks / A. Salmerón, R. Rumí, H. Langseth et al. // Journal of Artificial Intelligence Research.— 2018. — Vol. 62. — P. 799-828.

284. Hanea A. M., Kurowicka D., Cooke R. M. Hybrid method for quantifying and analyzing Bayesian belief nets // Quality and Reliability Engineering International. — 2006. — Vol. 22, no. 6. — P. 709-729.

285. Mixtures of truncated basis functions / H. Langseth, T. D. Nielsen, R. Rumi, A. Salmerón // International Journal of Approximate Reasoning.— 2012.— Vol. 53, no. 2. —P. 212-227.

286. Czado C., Nagler T. Vine copula based modeling // Annual Review of Statistics and Its Application. — 2022. — Vol. 9, no. 1. — P. 453-477.

287. Hybrid Bayesian Networks Using Mixtures of Truncated Basis Functions / I. Pérez-Bernabé, A. D. Maldonado, T. D. Nielsen, A. Salmerón // R Journal. — 2020. — Vol. 12, no. 2. — P. 321-341.

288. Bedford T., Cooke R.M. Reliability methods as management tools: dependence modelling and partial mission success // Reliability Engineering & System Safety. — 1997. —Vol. 58, no. 2. — P. 173-180.

289. Selecting and estimating regular vine copulae and application to financial returns / J. Dissmann, E. C. Brechmann, C. Czado, D. Kurowicka // Computational Statistics & Data Analysis. — 2013. — Vol. 59. — P. 52-69.

290. Morales-Napoles O. Counting vines // Dependence modeling: Vine copula handbook. — World Scientific Publishing Co., 2011. — P. 189-218.

291. Aas K. Pair-copula constructions for financial applications: A review // Econometrics. — 2016. — Vol. 4, no. 4. — P. 43.

292. Kurowicka D., Cooke R. Non-parametric continuous Bayesian belief nets with expert judgement // Probabilistic safety assessment and management / Springer. — 2004. — P. 2784-2790.

293. Hanea A., Morales-Napoles O., Ababei D. Non-parametric Bayesian networks: Improving theory and reviewing applications // Reliability Engineering & System Safety. — 2015. — Vol. 144. — P. 265-284.

294. Morales O., Kurowicka D., A. Roelen. Eliciting conditional and unconditional rank correlations from conditional probabilities // Reliability Engineering & System Safety. — 2008. —Vol. 93, no. 5. — P. 699-710.

295. Further development of a Causal model for Air Transport Safety (CATS): Building the mathematical heart / B. Ale, L.J. Bellamy, R. Van der Boom et al. // Reliability Engineering & System Safety. — 2009. — Vol. 94, no. 9. — P. 1433-1441.

296. Jesionek P., Cooke R.M. Generalized method for modeling dose-response relations application to BENERIS project // European Union project. — 2007.— URL: http://en.opasnet.org/w/Beneris.

297. Bedford T., Cooke R.M. Vines: A new graphical model for dependent random variables // Annals of Statistics. — 2002. — P. 1031-1068.

298. Physical activity correlates in people living with HIV/AIDS: a systematic review of 45 studies / D. Vancampfort, J. Mugisha, J. Richards et al. // Disability and rehabilitation. — 2018. —Vol. 40, no. 14. — P. 1618-1629.

299. The power of testing a semi-parametric shared gamma frailty parameter in failure time data / M. Rahgozar, S. Faghihzadeh, G. Babaee Rouchi, Y. Peng // Statistics in medicine. — 2008. — Vol. 27, no. 21. — P. 4328-4339.

300. A new estimation method for copula parameters for multivariate hydrological frequency analysis with small sample sizes / L. Qian, Y. Zhao, J. Yang et al. // Water Resources Management. — 2022. — Vol. 36, no. 4. — P. 1141-1157.

301. Optimal mass transport: Signal processing and machine-learning applications / S. Kolouri, S. Park, M. Thorpe et al. // IEEE signal processing magazine. — 2017. — Vol. 34, no. 4. — P. 43-59.

302. Candari C. J., Cylus J., Nolte E. Assessing the economic costs of unhealthy diets and low physical activity: An evidence review and proposed framework. — WHO Regional Office for Europe, 2017. — Vol. 47.

303. A comparison of direct versus self-report measures for assessing physical activity in adults: a systematic review / S. A Prince, K. B. Adamo, M. E. Hamel et al. // International journal of behavioral nutrition and physical activity. — 2008. —Vol. 5, no. 1. —P. 1-24.

304. Sit, step, sweat: longitudinal associations between physical activity patterns, anxiety and depression / S.A. Hiles, F. Lamers, Y. Milaneschi, B.W.J.H. Pen-ninx // Psychological medicine. — 2017. — Vol. 47, no. 8. — P. 1466-1477.

305. Dishman R., Washburn R., Schoeller D. Measurement of physical activity // Quest. — 2001. — Vol. 53, no. 3. — P. 295-309.

306. Bull F. C., Maslin T. S., Armstrong T. Global physical activity questionnaire (GPAQ): nine country reliability and validity study // Journal of Physical Activity and health. — 2009. — Vol. 6, no. 6. — P. 790-804.

307. Physical activity assessment methodology in the Five-City Project / J. F. Sallis, W. L. Haskell, Peter D. Wood et al. // American journal of epidemiology.— 1985. —Vol. 121, no. 1.—P. 91-106.

308. Godin G., Shephard R. J. A simple method to assess exercise behavior in the community // Canadian Journal of Applied Sport Sciences. — 1985. — Vol. 10, no. 3. — P. 141-146.

309. International physical activity questionnaire: 12-country reliability and validity / C. L. Craig, A. L. Marshall, M. Sjöström et al. // Medicine & science in sports & exercise. — 2003. — Vol. 35, no. 8. — P. 1381-1395.

310. Objective measurement of physical activity outcomes in lifestyle interventions among adults: A systematic review / V. J. Silfee, C. F. Haughton, D. E. Jake-Schoffman et al. // Preventive medicine reports.— 2018.— Vol. 11. —P. 74-80.

311. Large-scale physical activity data reveal worldwide activity inequality / T. Althoff, R. Sosic, J. L. Hicks et al. // Nature. — 2017. — Vol. 547, no. 7663.— P. 336-339.

312. Bayesian network modeling: A case study of an epidemiologic system analysis of cardiovascular risk / P. Fuster-Parra, P. Tauler, M. Bennasar-Veny et al. // Computer methods and programs in biomedicine.— 2016.— Vol. 126.— P. 128-142.

313. Kharitonov N.A., Tulupyev A.L. Local parameter training of algebraic Bayesian networks: conjugate distributions and expert knowledge with uncertainty // CEUR Workshop Proceedings. — Vol. 2648. — 2019. — P. 219-226.

314. Tulupyev A., Kharitonov N. Algebraic Bayesian networks: a frequentist approach to knowledge pattern parameters machine learning // CEUR Workshop Proceeding. — Vol. 2782. — 2020. — P. 65-70.

315. Nonparametric bayesian networks / K. Ickstadt, B. Bornkamp, M. Grzegorczyk et al. // Bayesian statistics. — 2010. — Vol. 9. — P. 283-316.

316. Network anomaly intrusion detection using a nonparametric Bayesian approach and feature selection / W. Alhakami, A. ALharbi, S. Bourouis et al. // IEEE Access. — 2019. — Vol. 7. — P. 52181-52190.

317. Mining and visualising ordinal data with non-parametric continuous BBNs / A. Hanea, D. Kurowicka, R. Cooke, D. Ababei // Computational Statistics & Data Analysis. — 2010. — Vol. 54, no. 3. — P. 668-687.

318. Morales O., Kurowicka D., Roelen A. Eliciting conditional and unconditional rank correlations from conditional probabilities // Reliability Engineering & System Safety. — 2008. —Vol. 93, no. 5. — P. 699-710.

Приложение А Список публикаций соискателя

Публикации в ведущих рецензируемых научных журналах и изданиях из перечня рецензируемых научных изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук, на соискание ученой степени доктора наук:

1. Столярова В.Ф., Тулупьева Т.В., Вяткин А.А. Подходы к оцениванию кумулятивных характеристик поведения в группах разнородных индивидов: точность и применимость в условиях ограниченных наблюдений // Информатика и Автоматизация. — 2024. — Том 6, №23. — Стр. 1730-1753. DOI: https://doi.org/10.15622/ia.23.6.6

2. Столярова В.Ф., Торопова А.В., Тулупьев А.Л. Модель для оценки частоты публикации постов в онлайн социальной сети по неполным данным с учетом объективных детерминант поведения // Нечеткие системы и мягкие вычисления. — 2021. — Т. 16, № 2. — С. 77-95. https://doi.org/10.26456/fssc81

3. Столярова В.Ф. Копулы и моделирование зависимости: косвенные оценки интенсивности рискованного поведения // Компьютерные инструменты в образовании. — 2018. — № 3. — С. 21-36.

4. Мусина В.Ф. Байесовские сети доверия как вероятностная графическая модель для оценки медицинских рисков // Труды СПИИРАН. — 2013. — Вып. 24. — С. 135-151.

5. Мусина В.Ф. Байесовские сети доверия как вероятностная графическая модель для оценки экономических рисков // Труды СПИИРАН. — 2013. — Вып. 25. — С. 235-254.

Публикации в российских и иностранных научных изданиях, входящих в перечни WoS/Scopus:

1. Stoliarova V. F., Tulupyev A. L. Cox regression in the problem of risky behavior parameter estimation based on the last episodes' data // St. Petersburg Polytechnical State University Journal. Physics and Mathematics. 2021. — Vol.14 (4). — Pp. 202-217. DOI: 10.18721/JPM. 14415

2. Stoliarova V., Tulupyeva T. Approaches to accounting for the uncertainty of data on the time of realization of episodes in models for assessing the characteristics of individual's episodic behavior // Proceedings of the 2023 XXVI International Conference on Soft Computing and Measurements (SCM). — IEEE, 2023. Pp. 21-23. DOI: 10.1109/SCM58628.2023.10159086

3. Stoliarova V.F., Tulupyev A.L. Assessment of the vine-copula for the gamma Poisson model of risky person's behavior with synthetic data // Studies in Systems, Decision and Control, Proceedings of the International Conference Artificial Intelligence in Engineering and Science. — Springer, Cham., 2023. — Vol. 247. — Pp. 97-108. DOI: 10.1007/ 978-3-031-22938-1_7

4. Stoliarova V., Tulupyev A. Probabilistic Graphical Models with Continuous Variables for the Decision Making About Risky Episodic Behavior in the Framework of Gamma Poisson Model with Application to Public Posting Data // Sixth International Scientific Conference «Intelligent Information Technologies for Industry» (IITI'22), Lecture Notes in Networks and Systems. — Springer, Cham., 2023. — Vol. 566. — Pp. 465-474. DOI: 10.1007/978-3-031-19620-1_44

5. Stoliarova V.F., Tulupyev A.L. Cumulative Mean Function of Public Posting Episodes in the Online Media with Regard to User's Digital Traces: Limited Data on publications Dates and Profile Data // 2022 XXV International Conference on Soft Computing and Measurements (SCM). — IEEE, 2022. — Pp. 25-27. ISBN: 978-1-6654-9669-8. DOI: 10.1109/SCM55405.2022.9794894

6. The Non-parametric Bayes Belief Network for the Physical Activity Parameters Modelling: The Pilot Study /Stoliarova V., Sadykova G., Olina A., Tulupyev A. // International Conference on Intelligent Information Technologies for Industry, Lecture Notes in Networks and Systems. — Springer, 2021. — Vol. 330. — Pp. 224-233. 10.1007/ 978-3-030-87178-9_23

7. Stoliarova V.F., Tulupyev A.L. Regression Model for the Problem of Parameter Estimation in the Gamma Poisson Model of Behavior: an Application to the Online Social Media Posting Data // 2021 XXIV

International Conference on Soft Computing and Measurements (SCM).

— IEEE, 2021. — Pp. 24-27. DOI: 10.1109/SCM52931.2021.9507187

8. Stoliarova V. Non-Parametric Bayes Belief Network for Intensity Estimation with Data on Several Last Episodes of Person's Behavior // International Scientific and Practical Conference in Control Engineering and Decision Making, Studies in Systems, Decision and Control. — Springer, Cham., 2020. — Vol. 337. — Pp. 486-497. DOI: 10.1007/ 978-3-030-65283-8_40

9. Stoliarova V.F. Modeling of the Copula for Dependency of Two InterEpisode Interval Lengths in Gamma-Poisson Model of Person's Behavior // Proceedings of the XXI International conference on Soft Computing and Measurements (SCM-2018). — IEEE, 2018. — P. 122--125.

Публикации в других изданиях:

1. Столярова В.Ф., Тулупьева Т.В. Подходы к учету неопределенности данных о времени реализации эпизодов в моделях оценивания сводных характеристик эпизодического поведения индивидов // Сборник докладов XXVI Международной конференции по мягким вычислениям и измерениям (SCM-2023). — СПб: СПбГЭТУ «ЛЭТИ», 2022. — С. 34-36. — ISBN 978-5-7629-3198-4

2. Столярова В.Ф., Бушмелев Ф.В. Использование самоотчетов и больших данных при оценке человеческого фактора в системах риск-менеджмента организации: кибербезопасность и цифровые следы // Научные труды СЗИУ РАНХиГС. — 2023. — Т. 14(3). — Стр. 194-202.

3. Столярова В.Ф., Тулупьев А.Л. Оценка среднего числа эпизодов поведения по неполным данным о времени эпизодов и наблюдаемым характеристикам индивида // Сборник докладов XXV Международной конференции по мягким вычислениям и измерениям (SCM-2022).

— СПб: СПбГЭТУ «ЛЭТИ», 2022. — С. 37-40. — ISBN 978-5-7629-3037-6

4. Столярова В.Ф. Паттерн поведения пользователя онлайн социальной сети: интенсивность действий и подходы к оценке // Региональная информатика и информационная безопасность. Сборник трудов. — СПб: СПОИСУ, 2021. — № 10. — С. 319-321.

5. Столярова В. Ф., Тулупьев А. Л. Регрессия в задаче оценки параметров гамма-пуассоновской модели поведения: апробация на данных

о постинге в онлайн социальной сети // XXIV Международная конференция по мягким вычислениям и измерениям (8СМ-2021). СПб.: СПбГЭТУ «ЛЭТИ», 2021. — С. 28-31.

6. Столярова В.Ф. Функция правдоподобия для оценки параметров поведения индивида по данным о трех последних эпизодах в гамма-пуассоновской модели // XVII Санкт-Петербургская международная конференция «Региональная информатика (РИ-2020)»: материалы конференции, часть 2. — СПОИСУ. СПб, 2020. — С. 261-262.

7. Столярова В.Ф. Оценка интенсивности публикации постов в онлайн социальной сети по датам последних публикаций: апробация гамма-пуассоновской модели поведения // XVIII национальная конференция по искусственному интеллекту с международным участием (КИИ-2020), труды конференции. — Стр. 145-152.

8. Столярова В.Ф. Моделирование копулы зависимости длин интервалов между последовательными эпизодами поведения индивида в гамма-пуассоновской модели // XXI Международная конференция по мягким вычислениям и измерениям (БСМ-2018). Сборник докладов в 2-х томах. — СПб.: СПбГЭТУ «ЛЭТИ». — Том 1. — С. 122—125.

9. Столярова В.Ф. Автоматическое извлечение данных о длинах интервалов между последовательными эпизодами из опросника о последних эпизодах поведения. // Информационная безопасность регионов России (ИБРР-2017). X Санкт-Петербургская межрегиональная конференция: Материалы конференции. — СПб: СПОИСУ, 2017. — С. 427-429.

10. Столярова В.Ф. Виды и свойства попарной зависимости длин интервалов между последовательными эпизодами в пуассоновской и гамма-пуассоновской моделях поведения // Интеллектуальные системы и технологии: современное состояние и перспективы. Сборник научных трудов IV Международной летней школы-семинара по искусственному интеллекту для студентов, аспирантов, молодых ученых и специалистов. — СПб.: Политехника-сервис, 2017. — С. 160-166.

11. Столярова В.Ф. Копулы в задачах оценки интенсивности рискованного поведения индивида по данным о последних эпизодах поведения // Материалы 6-й всероссийской научной конференции по проблемам информатики СПИС0К-2016. (26-29 апреля 2016 г. Санкт-Петербург). — СПб.: ВВМ, 2016. — С. 552-558

12. Столярова В. Ф. Вероятностные графические модели на основе копул для построения оценки интенсивности угрозообразующего поведения индивида по данным о последних эпизодах // Региональная информатика (РИ-2016). Юбилейная XV Санкт-Петербургская международная конференция «Региональная информатика (РИ-2016)»: Материалы конференции. — СПОИСУ. СПб, 2016. — С. 521. — ISBN 978-5-906841-68-1

Приложение Б

Сведения о государственной регистрации программ для ЭВМ

1. Столярова В.Ф., Тулупьев А.Л. Automation of the person's Behavior Rate Estimation with Data on Several Last Episodes: Vine Hybrid Bayesian Belief Network Approach for the Gamma Poisson Model Version 01 (AuBehRLE: VH BBN & GPM v.01) (Свидетельство). Свид. о гос. рег. прогр. для ЭВМ. Рег. № 2022685740. (27.12.2022)

2. Столярова В.Ф., Абрамов М.В. The Graphical User Interface for Collecting Self - Reported Times of the Last Episodes of Person's Physical Activity During One Week Version 01 (GUI for SRT of PhActLE v.01). (Свидетельство). Свид. о гос. рег. прогр. для ЭВМ. Рег. № 2021667891. (08.11.2021)

РОССИЙСКАЯ ФЕДЕРАЦИЯ

RU

2021667891

ФЕДЕРАЛЬНАЯ СЛУЖБА

ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства):

Авторы:

Столярова Валерия Фуатовна (RU), Тулупьев Александр Львович (RU)

2021667891

Дата регистрации: 08.11.2021

Дата публикации: 08.11.2021

Номер и дата поступления заявки:

2021667467 08.11.2021

Правообладатель: Федеральное государственное бюджетное учреждение науки "Санкт-Петербургский Федеральный исследовательский центр Российской академии наук" (ЯИ)

Название программы для ЭВМ:

The Graphical User Interface for Collecting Self-Reported Times of the Last Episodes of Person's Physical Activity During One Week Version 01 (GUI for SRT of PhActLE v.01)

Программа предназначена для графического сбора информации о времени реализации эпизодов физической активности индивида за прошедшую неделю. Программа реализует метод ТЬРБ и метод последних эпизодов для сбора информации о поведении. Программа может использоваться в учреждениях здравоохранения и исследовательских учреждениях для быстрого сбора информации об эпизодическом поведении индивида за прошедшую неделю. Функциональные возможности программы: программа представляет собой интерактивный графический интерфейс. На временной оси пользователь кликом выбирает время, когда произошел эпизод, выбранное время может корректироваться. Затем нажатием кнопки вносит его в базу данных, которая отражается в окне приложения. При завершении программы, все внесенные ответы сохраняются в отдельной файле.

Язык программирования: И

Объем программы для ЭВМ: 11 Кб

Реферат:

РОССИЙСКАЯ ФЕДЕРАЦИЯ

RU

2022685740

ФЕДЕРАЛЬНАЯ СЛУЖБА

ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства):

Авторы:

Столярова Валерия Фуатовна (RU), Абрамов Максим Викторович (RU)

2022685740

Дата регистрации: 27.12.2022

Дата публикации: 27.12.2022

Номер и дата поступления заявки:

2022685995 27.12.2022

Правообладатель: Федеральное государственное бюджетное учреждение науки "Санкт-Петербургский Федеральный исследовательский центр Российской академии наук" ^^