Динамика формирования связей в сетях, структурированных на основе прогностических терминов

Цели. Для моделирования и анализа информационной проводимости сложных сетей с нерегулярной структурой возможно применение известных в физике твердого тела методов теории перколяции, позволяющих количественно оценить, насколько данная сеть близка к перколяционному переходу, и тем самым сформировать модель прогнозирования. Объектом исследования выступают международные информационные сети, структурированные на основе словарей модельных прогностических терминов, тематически относящихся к перспективным информационным технологиям.

Методы. Применен алгоритмический подход, согласно которому задается последовательность комбинирования необходимых операций по автоматизированной обработке текстовой информации внутренними алгоритмами специализированных баз данных (БД), программных сред и оболочек, предусматривающих их интеграцию при передаче данных. Данный подход, в частности, включает этапы построения терминологической модели предметной области в библиографической БД Scopus, затем обработку текстов на естественном языке с выводом визуальной карты научного ландшафта предметной области в программе VOSviewer и далее - сбор расширенных данных параметров, характеризующих динамику формирования связей научной терминологической сети в программной среде Pajek.

Результаты. Визуальный кластерный анализ, составляющий в динамике 2004-2021 гг. диапазон 645-3364 термов категории «Технологии памяти и хранения данных», интегрированных суммарно в 23 кластера, выявил активное кластерообразование в области терма «quantum memory» (квантовая память), позволяющее делать качественные выводы о локальной динамике научного ландшафта. Проведенный в программном пакете STATISTICA разведочный анализ данных свидетельствует о корреляции поведения введенного интегратора ключевых слов MADSTA с базовыми термами, включая периоды экстремумов, что подтверждает правильность выбора методики детализации исследования по годам.

Выводы. Заложена основа для формирования комплекса базовых параметров, необходимых при обширном вычислительном моделировании кластерообразования в семантическом поле научных текстов, особенно в отношении симуляций формирования наибольшего компонента сети и перколяционных переходов.

1. Maltseva D., Batagelj V. Journals publishing social network analysis. Scientometrics. 2021;126(4): 3593-3620. https://doi.org/10.1007/s11192-021-03889-z

2. Жуков Д.О., Хватова Т.Ю., Зальцман А.Д. Моделирование стохастической динамики изменения состояний узлов и перколяционных переходов в социальных сетях с учетом самоорганизации и наличия памяти. Информатика и ее применения. 2021;15(1):102-110. https://doi.org/10.14357/19922264210114

3. Chkhartishvili A.G., Gubanov D.A., Novikov D.A. Models of influence in social networks. In: Social Networks: Models of Information Influence, Control and Confrontation. Studies in Systems, Decision and Control. 2019;189:1-40. https://doi.org/10.1007/978-3-030-05429-8_1

4. Newman M.E.J. The structure and function of complex networks. SIAM Rev. 2003;45(2):167-256. https://doi.org/10.1137/S003614450342480

5. Dashko Yu.V., Kramarov S.O., Zhdanov A.V. Sintering of polycristalline ferroelectrics and the percolation problem in stochastically packed networks. Ferroelectrics. 1996;186(1): 85-88. https://doi.org/10.1080/00150199608218039

6. Broadbent S.R., Hammersley J.M. Percolation processes: I. Crystals and mazes. Math. Proc. Cambridge Philos. Soc. 1957;53(3):629-641. https://doi.org/10.1017/S0305004100032680

7. Li M., Liu R.-R., Lu L., Hu M.-B., Xu S., Zhang Y.-C. Percolation on complex networks: Theory and application. Phys. Rep. 2021;907:1-68. https://doi.org/10.1016/j.physrep.2020.12.003

8. Brunk N.E., Twarock R. Percolation theory reveals biophysical properties of virus-like particles. ACS Nano. 2021;15(8):12988-12995. https://doi.org/10.1021/acsnano.1c01882

9. Shao J., Havlin S., Stanley H.E. Dynamic opinion model and invasion percolation. Phys. Rev. Lett. 2009; 103(1):018701. https://doi.org/10.1103/PhysRevLett.103.018701

10. Бодрунов С.Д. Ноономика. М.: Культурная революция; 2018. 432 с. ISBN 978-5-6040343-1-6

11. Wickham H., Grolemund G. R for data science: import, tidy, transform, visualize, and model data. O'Reilly Media, Inc.; 2016. 492 p.

12. Попов О.Р., Крамаров С.О. Исследование распространения информации в сетях, структурированных из набора прогностических терминов. Вестник кибернетики. 2022;1(45):38-45. https://doi.org/10.34822/1999-7604-2022-1-38-45

13. Попов О.Р. Адаптация мировых практик к проблеме долгосрочного технологического прогнозирования состояния самоорганизующихся интеллектуальных систем. Интеллектуальные ресурсы - региональному развитию. 2021;2:91-98.

14. Когай В.Н., Пак В.С. Алгоритмическая модель компьютерной системы выделения ключевых слов из текста на базе онтологий. Проблемы современной науки и образования. 2016;16(58):33-40.

15. Панин С.Б. Современные наукометрические системы «WoS» и «Scopus»: издательские проблемы и новые ориентиры для российской вузовской науки. Гуманитарные исследования Центральной России. 2019;3:51-65. https://doi.org/10.24411/2541-9056-2019-11030

16. Thilakaratne M., Falkner K., Atapattu T. A systematic review on literature-based discovery: general overview, methodology, & statistical analysis. ACM Computing Surveys. 2019;52(6):Article 129. https://doi.org/10.1145/3365756

17. Gerlach M., Peixoto T.P., Altmann E.G. A network approach to topic models. Sci. Adv. 2018;4(7):eaaq1360. https://doi.org/10.1126/sciadv.aaq1360

18. Zelenkov Yu. The topic dynamics in knowledge management research. In: Uden L., Ting I.H., Corchado J. (Eds.). Knowledge Management in Organizations (KMO 2019): Proceedings of the 14th International Conference. 2019 P. 324-335. https://doi.org/10.1007/978-3-030-21451-7_28

19. Van Eck N.J., Waltman L. Visualizing bibliometric networks. In: Ding Y., Rousseau R., Wolfram D. (Eds.). Measuring Scholarly Impact: Methods and Practice. Springer; 2014. P. 284-321. https://doi.org/10.1007/978-3-319-10377-8_13

20. Van Eck N.J., Waltman L. Accuracy of citation data in Web of Science and Scopus. arXiv preprint arXiv:1906.07011. 2019. https://doi.org/10.48550/arXiv.1906.07011

21. Erdos P, Renyi A. On random graphs I. Publ. Math. Debrecen. 1959;6:290-297. URL: https://studylib.net/doc/25387956/on-random-graphs--1959--by-p.-erdos-and-a.-renyi

22. De Nooy W., Mrvar A., Batagelj V. Exploratory social network analysis with Pajek: Revised and expanded edition for updated software. 3rd ed. Series: Structural Analysis in the Social Sciences. Cambridge: Cambridge University Press; 2018. 484 p. https://doi.org/10.1017/9781108565691

23. Doreian P., Batagelj V., Ferligoj A. (Eds.). Advances in network clustering and blockmodeling. John Wiley & Sons; 2020. 414 p.

24. Zuanazzi N.R., de Castilhos Ghisi N., Oliveira E.C. Analysis of global trends and gaps for studies about 2, 4-D herbicide toxicity: A scientometric review. Chemosphere. 2020;241:125016. https://doi.org/10.1016/j.chemosphere.2019.125016

25. Сигов А.С., Андрианова Е.Г., Жуков Д.О., Зыков С.В., Тарасов И.Е. Квантовая информатика: обзор основных достижений. Russ. Technol. J. 2019;7(1):5-37. https://doi.org/10.32362/2500-316X-2019-7-1-5-37