Показати скорочену інформацію

dc.contributor.authorПукас, А. В.uk
dc.contributor.authorСімак, А. Ю.uk
dc.date.accessioned2026-01-20T13:58:39Z
dc.date.available2026-01-20T13:58:39Z
dc.date.issued2025
dc.identifier.citationПукас 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.uk
dc.identifier.issn2307-5376
dc.identifier.urihttps://ir.lib.vntu.edu.ua//handle/123456789/50520
dc.description.abstractУ 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.uk
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofНаукові праці Вінницького національного технічного університету. № 2.uk
dc.relation.urihttps://praci.vntu.edu.ua/index.php/praci/article/view/813
dc.subjectінтелектуалізована системаuk
dc.subjectсистемний аналіз діяльності науково-педагогічних працівниківuk
dc.subjectрейтингуванняuk
dc.subjectметод формування показниківuk
dc.subjectЕвклідова відстаньuk
dc.subjectкосинусна подібністьuk
dc.subjectчасові рядиuk
dc.subjectнормалізаціяuk
dc.subjectіндекс подібностіuk
dc.subjectграфова база данихuk
dc.titleМетод формування прогнозованих показників активності науково-педагогічних працівників для інтелектуалізованої системи аналізу їх діяльності та рейтингуванняuk
dc.typeArticle, professional native edition
dc.typeArticle
dc.identifier.udc004.4
dc.relation.referencesРейтингова система Західноукраїнського національного університету. URL: https://rating.wunu.edu.ua/ (дата звернення: 24.03.2025).uk
dc.relation.referencesIntelligent 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.en
dc.relation.referencesAutomated 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.en
dc.relation.referencesМодуль збору даних для автоматичного заповнення звіту в інтелектуалізованій системі аналізу діяльності та рейтингування викладачів /А. В.Пукаста ін. Матеріали зимової школи-семінару молодих вчених і студентів «Комп’ютерні інформаційні технології» CIT’2024.Тернопіль: ЗУНУ, 2024. С. 69–71.uk
dc.relation.referencesA 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.en
dc.relation.referencesNuar 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.en
dc.relation.referencesArpita 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.en
dc.relation.referencesRecommender 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.en
dc.relation.referencesHodovychenko 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.en
dc.relation.referencesCypher Basics I.Neo4j Developer. URL: https://neo4j.com/developer/cypher-basics-i/ (дата звернення: 12.03.2025).en
dc.relation.referencesAldwairi 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.en
dc.relation.referencesПетрина В. В., Дорошенко А. В. Ефективність застосування методів класифікації для задач інтелектуального аналізу великих даних. Scientific Bulletin of UNFU. 2024. Т. 34, No5. С. 119–128. URL: https://doi.org/10.36930/40340516.uk
dc.relation.referencesE-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.en
dc.relation.referencesOndiek B., Mburu L., Njenga S. Machine Learning Applications for Recommender Systems in Higher Education: A Systematic Review.International Journal Of Applied Research And Technology. 2023. Vol. 8. URL: https://www.researchgate.net/publication/378970216_Machine_Learning_Applications_for_Recommender_Systems_in_Higher_Education_A_Systematic_Review.en
dc.relation.referencesJain G., Mahara T., Sharma S. C. Performance Evaluation of Time-based Recommendation System in Collaborative Filtering Technique.Procedia Computer Science. 2023. Vol.218. P. 1834–1844. URL: https://doi.org/10.1016/j.procs.2023.01.161.en
dc.relation.referencesFalah Z., Suryawan F. Recommendation System to Propose Final Project Supervisors using Cosine Similarity Matrix.Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika. 2022. Vol. 8. URL: https://doi.org/10.23917/khif.v8i2.16235.en
dc.relation.referencesFalah Z., Suryawan F. Recommendation System to Propose Final Project Supervisors using Cosine Similarity Matrix.Khazanah Informatika: Jurnal Ilmu Komputer dan Informatika. 2022. Vol. 8. URL: https://doi.org/10.23917/khif.v8i2.16235.en
dc.identifier.doihttps://doi.org/10.31649/2307-5376-2025-2-101-115


Файли в цьому документі

Thumbnail

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію