Научная работа: Терминология научного дискурса авторов статей по специальности: 05.20.01 – Технологии и средства механизации сельского хозяйства через призму когнитивного анализа

Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его системно-когнитивной модели [31-48].

3. Результаты и обсуждение (Results and discussion)

3.1 Когнитивно-целевая структуризация предметной области

Когнитивно-целевая структуризация предметной области включает разработку классификационных и описательных шкал (таблицы 5 и 6). Это единственный неавтоматизированный этап АСК-анализа.

Таблица 5 - Классификационные шкалы

Таблица 6 - Описательные шкалы

3.2 Подготовка исходных данных, формализация предметной области

Исходные данные, используемые в численном примере данной работы, представляют собой выборку из баз данных Научного журнала КубГАУ: http://ej.kubagro.ru/ (таблица 7).

Таблица 7 - Исходные данные (фрагмент) Полный файл исходных данных можно скачать по ссылке: ftp://b5_20444140@ftp.byethost5.com/htdocs/Source_data_applications/Applications-000208/Inp_data.xlsx

3.3 Формализация предметной области

Для ввода этих исходных данных в систему «Эйдос» и формализации предметной области был использован автоматизированный программный интерфейс (API) 2.3.2.2 с параметрами, приведенными на рисунке 2:

Рисунок 3. Главная экранная форма API-2.3.2.2

При вводе осуществлялась лемматизация, которая заняла около 37 секунд (рисунок 3):

Рисунок 4. Экранная форма по результатам лемматизации

Так как среди классификационных и описательных шкал нет числовых, то система не запрашивает количество числовых диапазонов для них (рисунок 4):

Рисунок 5. Экранные формы API-2.3.2.2

Из рисунка 4 видно, что ввод исходных данных из внешнего Excel-файла в систему «Эйдос» занял менее 0.5 секунды.

В данной модели использование лемматизации сокращает число слов примерно на 13%.

В результате в данном режиме автоматически разработаны градации классификационных и описательных шкал (таблицы 8 и 9), а затем с их использованием исходные данные закодированы и сформирована обучающая выборка (таблица 10):

Таблица 8 - Классификационные шкалы и градации

Таблица 9 - Описательные шкалы и градации (фрагмент)

Таблица 10 - Обучающая выборка (фрагмент)

Обучающая выборка по сути представляет собой базу исходных данных, нормализованную с помощью классификационных и описательных шкал и градаций.

В результате автоматической формализации предметной области подготовлены все необходимые условия для выполнения следующего этапа АСК-анализа: синтеза и верификации моделей.

3.4 Синтез и верификация моделей

Далее запускаем режим синтеза и верификации моделей с параметрами, заданными на рисунке 5.

Обратим внимание на то, что создаваемая модель по размерности составляет около 0.004% от теоретически максимальной модели, которую можно создать и обработать в системе «Эйдос».

Из рисунка 6 мы видим, что процесс синтеза и верификации моделей занял 27 минут. Отметим, что в текущей версии системы «Эйдос» графический процессор (GPU) используется только для синтеза моделей и распознавания (если задано использование GPU), а расчет 11 выходных форм по результатам распознавания всегда осуществляется на центральном процессоре (CPU). Это и занимает основное время расчетов в данном режиме.

Для оценки достоверности моделей в системе «Эйдос» используется F-мера Ван Ризбергена и две ее улучшенные модификации, предложенные проф.Е.В.Луценко [35] (рисунок 7).

Рисунок 6. Первая экранная форма режима синтеза и верификации моделей

Рисунок 7. Последняя экранная форма режима синтеза и верификации моделей

Рисунок 8. Экранные формы режима оценки достоверности моделей

Из рисунка 7 видно, что по критерию L1 наилучшей по достоверности системно-когнитивной моделью является модель INF5 с интегральным критерием «Семантический резонанс знаний»: L1=0,993, при уровнях сходства выше 33% число истинных решений значительно превосходит число ложных решений. Это очень хороший результат. Поэтому данная модель и выбрана в качестве текущей для решения поставленных в работе задач на последующих этапах АСК-анализа.

Сами созданные модели здесь не приводятся из-за большой размерности (это матрицы размерностью 255 колонок и 11432 строк). Но их всегда можно посмотреть в режиме 5.5. системы «Эйдос» и скачав и установи приложение № 208 из Эйдос-облака.

3.5 Придание статуса текущей наиболее достоверной модели INF5

Придадим наиболее достоверной модели INF4 статус текущей (рисунок 8):

Рисунок 9. Придание наиболее достоверной модели INF4 статуса текущей

3.6 Решение задачи системной идентификации (атрибуции текстов)

При решении задачи идентификации для каждого фрагмента текста распознаваемой выборки в наиболее достоверной модели INF5 рассчитываются значения интегрального критериев для каждого класса. При этом определяется степень сходства каждого текста с обобщенными образами всех классов, а потом для каждого текста все классы ранжируются в порядке убывания сходства с текстом и, таким образом, идентифицируются автор произведения, его название, жанр, период и год написания (рисунки 9 и 10).

Рисунок 10. Решение задачи атрибуции текстов

Из рисунка 9 видно, что процесс атрибуции 21 текста занял на графическом процессоре около 2 секунд. 99,99% этого времени занял расчет 11 выходных форм по результатам атрибуции, из которых здесь из-за ограничений на объем статьи приводятся только три.

На рисунке 10 приведена форма, в которой слева мы выбираем текст, а справа видим классы, ранжированные в порядке убывания сходства выбранного текста с этими классами.

Рисунок 11. Некоторые результаты решение задачи атрибуции текстов

В верхнем окне справа используется интегральный критерий «Резонанс знаний», в справа внизу - «Сумма знаний». «Птичка» стоит против тех результатов идентификации, которые соответствуют действительности. На рисунке 11 приведена аналогичная форма, но слева в ней мы выбираем класс, а справа видим тексты, ранжированные в порядке убывания их сходства с этими классами.

Рисунок 12. Некоторые результаты решение задачи атрибуции текстов

На рисунке 12 форма, в которой классы ранжированы в порядке убывания достоверности идентификации текстов с ними по F-критерию Ван Ризбергена. Есть аналогичные формы и по L1 и L2 критериям.

Рисунок 13. Некоторые результаты решение задачи атрибуции текстов

Таким образом решение задачи идентификации литературного источника в данном интеллектуальном облачном Эйдос-приложении - это и есть решение задачи атрибуции текста и частично - задачи его наратологического анализа.

3.7 Решение задачи принятия решений (вывод информации о результатах многопараметрической типизации)

На этапе синтеза моделей путем обобщения примеров обучающей выборки были созданы обобщенные образы классов. Представляет интерес, а что же это за образы классов. Можно вывести информацию об этом в форме SWOT-диаграмм [34]

На рисунках 13 и 14 приведены SWOT-диаграммы классов по авторам из которых видно, какие слова наиболее характерны (слева) и наиболее нехарактерны (справа) для данного автора:

Рисунок 14. Примеры информации из класса по автору

Рисунок 15. Примеры информации из классов по произведению

По сути это семантические ядра и антиядра данных авторов, наиболее характерные и наиболее нехарактерные термины для их научного стиля (дискурса). Они же могут быть использованы в качестве ключевых слов к их статьям [38-43].

3.8 Решение задачи исследования моделируемой предметной области путем исследования ее модели

Если модель верно отражает моделируемую предметную область (а в нашем случае, как мы видели выше это так), то исследование модели обоснованно можно считать исследованием самой моделируемой предметной области.