<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Метод формування прогнозованих показників активності науково-педагогічних працівників для інтелектуалізованої системи аналізу їх діяльності та рейтингування

Анотація

У сучасному науковому середовищі ефективність дослідників та викладачів часто оцінюється за допомогою формальних показників, таких як кількість публікацій, цитувань, грантів, педагогічних досягнень тощо. У науковій роботі описано метод формування прогнозованих показників активності науково-педагогічних працівників для побудови персоналізованих рекомендацій, що забезпечить підвищення ефективності їх діяльності у майбутньому періоді. Цей метод запропоновано реалізувати як модуль у складі інтелектуалізованої системи аналізу діяльності та рейтингування науково-педагогічних працівників закладу вищої освіти. Прогнозовані показники активності користувача системи можна сформувати на основі аналізу активності інших користувачів за подібною діяльністю. Запропоновано комбінований підхід, який враховує Евклідову відстань, косинусну подібність, спільні та унікальні критерії, бальну відмінність між спільними критеріями, нормалізацію показників та часову динаміку прогресу, а також дозволяє знаходити користувачів зі схожими, але кращими показниками діяльності, і формулювати конкретні пропозиції для покращення результатів діяльності користувача. Взаємодію з даними у роботі реалізовано на основі графової бази даних Neo4j, яка забезпечила ефективне моделювання складних взаємозв'язків між користувачами, їх звітами, критеріями, даними користувачів, бальними показниками та результатами. Графова модель дозволяє легко додавати нові типи даних та зв'язки, що робить процес пошуку масштабованим та гнучким, та аналіз результатів більш простішим. Аналіз часової динаміки (загальний прогрес, щорічний приріст балів) додає контекст до порівняння користувачів, що збільшує точність знаходження схожих користувачів. Обчислення загального індексу подібності через вагову суму різних факторів (спільні критерії, унікальні критерії, покращення балів, Евклідова відстань, косинусна подібність) забезпечує комплексний підхід до аналізу.

Опис

УДК

Мова

Бібліографічний опис

Пукас А. В., Сімак А. Ю. Метод формування прогнозованих показників активності науково-педагогічних працівників для інтелектуалізованої системи аналізу їх діяльності та рейтингування // Наукові праці Вінницького національного технічного університету. Електрон. текст. дані. 2025. № 2. https://praci.vntu.edu.ua/index.php/praci/article/view/813.

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (14)

  1. Intelligent Analyzing Module in the Academic Staff Performance Appraisal System /A.Pukaset al.2023 12th International Conference on Advanced Computer Information Technologies (ACIT). 2023. P. 423–429.
  2. Automated Reporting Module in the Academic Staff Performance Appraisal System /A.Pukaset al.2024 14th International Conference on Advanced Computer Information Technologies (ACIT). 2024. P. 423–429.
  3. A user-knowledge vector space reconstruction model for the expert knowledge recommendation system /L.Gaoet al.Information Sciences. 2023. Vol. 632. P. 358–377. URL: https://doi.org/10.1016/j.ins.2023.03.025.
  4. Nuar A. N. A., Sen S. C. Examining the Trend of Research on Big Data Architecture: Bibliometric Analysis using Scopus Database.Procedia Computer Science. 2024. Vol. 234. P. 172–179. URL: https://doi.org/10.1016/j.procs.2024.04.010.
  5. Arpita C., Monalisa S., Debasis S. SHARE: Designing multiple criteria-based personalized research paper recommendation system.Information Sciences. 2022. Vol. 617. P. 41–64. URL: https://doi.org/10.1016/j.ins.2022.09.064.
  6. Recommender System in Academic Choices of Higher Education: A Systematic Review /N.Kamalet al. IEEE Access. 2024. Vol. 12. P. 35475–35501. URL: https://doi.org/10.1109/ACCESS.2024.3368058.
  7. Hodovychenko M., Gorbatenko A. Recommender systems: models, challenges and opportunities. Herald of Advanced Information Technology. 2023. Vol. 6. P. 308–319. URL: https://doi.org/10.15276/hait.06.2023.20.
  8. Cypher Basics I.Neo4j Developer. URL: https://neo4j.com/developer/cypher-basics-i/ (дата звернення: 12.03.2025).
  9. Aldwairi M., Jarrah M., Mahasneh N., Al-khateeb B. Graph-based data management system for efficient information storage, retrieval and processing.Information Processing & Management. 2023. Vol. 60, Issue 2. URL: https://doi.org/10.1016/j.ipm.2022.103165.
  10. E-Learning Course Recommender System Using Collaborative Filtering Models /K. K.Jenaet al. Electronics.2022.Vol. 12(1). Article ID: 157. URL: https://doi.org/10.3390/electronics12010157.