Оценка научной деятельности

Сроки проекта: c 7 июня по 31 января

Последние годы ведутся самые горячие споры относительно оценки эффективности научной деятельности, которая (эта оценка) на самом деле должна стимулировать качество сферы исследований и приводить общество к осознанию критичной важности аккумулирования интеллекта как главного драйвера развития в современном мировом укладе. По-видимому идеальные показатели при такой оценке установить невозможно.

Следует ли на законодательном уровне каким-либо образом прописать правила и нормы организации профессиональной экспертной оценки научной деятельности?

Как принять участие:

– Ознакомьтесь с предложениями коллег

– Оцените и прокомментируйте их

– Опишите ваши предложения

Образование и искусственный интеллект.

Уважаемые коллеги!

В современном информационном обществе глобализация, рост значения искусственного интеллекта в аналитике огромных массивов данных ведут к увеличению рисков применения цифровых технологий. К сожалению, рассмотрение вопросов обеспечения информационной безопасности государства в отрыве от вопросов развития аппаратной части вычислительных систем, создания отечественных международных баз знаний (агрегаторов информации, информационных систем и т. д.) только усугубляет проблемы, связанные с поляризацией информационного пространства, возникающей из-за различия в вычислительных возможностях его участников, различного понимания правил предоставления информации в общее для всех участников пространство и ошибок выработки критериев, направляющих информационные потоки в конкретном направлении (например, они могут ставить в зависимость российских исследователей от иностранных журналов искусственным образом из-за отсутствия у отечественных журналов соответствующих «значков»).

В современном обществе образование начинает обучать не только людей, но и искусственный интеллект. Для обучения нейросетей используют базы знаний. В историческом контексте, ученые и библиотеки выделяют такие информационные агрегаторы, как eLIBRARY.ru (осн. 1998 г.), Scopus (осн. 2004 г.), Google Scholar (осн. 2004 г.) и Web of Science (осн. 2016 г.). В том числе в работе используют проект МИАН РАН Math-Net.Ru, развивается и предоставляет национальный тестовый доступ наукометрическая система Dimensions. Кроме агрегирования информации, такого рода системы позволяют отслеживать взаимодействия, взаимосвязи между научными направлениями. Также считается, что дата индексации статьи в базу данных позволяет устанавливать справедливость в различного рода спорных вопросах. В современном информационном обществе длительные сроки выхода публикации и добавления её в базу данных (к сожалению, иногда суммарный срок доходит до 2,5 лет!) заставляют использовать более быстрые способы донесения информации, используют архивы, из-за чего функции агрегаторов начинают выполнять поисковики, а информация в агрегаторах обесценивается.

Расширение информационного поля и снижение количества физических информационных объектов позволяет не только управлять и манипулировать информационным порядком, находить статистические пороги необходимости литературы (ёё физической реализации) по конкретному направлению на конкретном языке, но и позволяет создавать мощные нейросетевые «модели всего» [1] за счет автоматизированного анализа информации как общего, как и частного информационных пространств.

Интерес к статистическим оценкам взаимодействия с информацией для обучения нейросетей говорит в том числе и о важности выработки критериев оценки статей на родном языке, развития отечественных баз данных с РИНЦ в направлении более удобного использования данных баз знаний. Также это было бы полезно для развития отечественных поисковиков (Yandex, Mail.ru), перспективно выглядит интеграция с сервисом Яндекс.Патенты (похожее реализовано в Google Scholar), подобного рода задачи также были бы интересны студентам и аспирантам (Техноатом Mail.ru).

Культура цитирования играет важную роль в развитии нейросетевых систем знания, автоматизация ссылок по ГОСТу только лишний раз усиливает влияние данных требований. Отечественные международные базы данных также покажут насколько реально востребованы статьи на родном языке у представителей других стран, позволят создать свои и улучшить действующие нейросетевые мультифизические модели.


Литература:

  1. iMat: Data extraction from scientific papers through Machine Learning, EMMC Workshop 2019 Industrial Impact of Materials Modelling, 8-10 July 2019, Turin - Italy.


2 доработки
Просмотр и добавление доработок недоступны