ИССЛЕДОВАНИЕ РАСПРОСТРАНЕНИЯ ИНФОРМАЦИИ В СЕТЯХ, СТРУКТУРИРОВАННЫХ ИЗ НАБОРА ПРОГНОСТИЧЕСКИХ ТЕРМИНОВ

Представлена реализация алгоритма системного исследования методами картирования, визуализации и сетевого анализа сложных сетей, структурированных из набора прогностических терминов, извлеченных из библиографических баз данных. Использована авторская методика
выбора терминов на основе матрицы, определяющей уровень зрелости самоорганизующихся интеллектуальных систем. Проведен визуальный кластерный анализ карт терминов, тематически относящихся к перспективным информационным технологиям, выгруженных из базы данных Scopus (глубина поиска – 5 лет). Выполнен анализ общего состояния сети и состояния связей сети по отдельным кластерам. Исследованы свойства сетей по выявлению процессов перколяции при разрыве связей между узлами с уменьшением показателя их центральности и в случайном порядке. Полученные эмпирические данные подтверждают предположение о ключевой роли центральных вершин в процессах распространения информации в терминологической сети. Показано, что в случае комбинации узлов с низкими показателями центральности (< 15), связи явно распадаются, т. е. порог перколяции
преодолен при приближении к показателю ≥ 15 % активации узлов сети.

1. Newman M. E. J. The Structure and Function of Complex Networks // SIAM Rev. 2003. Vol. 45, Is. 2. P. 167–256.

2. Жуков Д. О., Хватова Т. Ю., Лесько С. А., 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. Т. 15, № 1. С. 102–110.

3. Акоев М. А., Маркусова В. А., Москалева О. В., Писляков В. В. Руководство по наукометрии: индикаторы развития науки и технологии. Екатеринбург : Изд-во Урал. гос. ун-та, 2014. 250 с.

4. Бодрунов С. Д. Ноономика. М. ; СПб. ; Лондон : Культурная революция, 2018. 432 с.

5. Попов О. Р. Адаптация мировых практик к проблеме долгосрочного технологического прогнозирования состояния самоорганизующихся интеллектуальных систем // Интеллектуальные ресурсы – региональному развитию. 2021. № 2. С. 91–98.

6. Попов О. Р. Способ поиска параметров порядка самоорганизующихся систем: информационный аспект // Интеллектуальные ресурсы – региональному развитию. 2020. № 2. С. 64–70.

7. Van Eck N. J., Waltman L. Visualizing Bibliometric Networks // Measuring Scholarly Impact: Methods and Practice / Eds. Ding Y., Rousseau R., Wolfram D. Springer, 2014. P. 285‒320.

8. De Nooy W., Mrvar A., Batagelj V. Exploratory Social Network Analysis with Pajek: Revised and Expanded Edition for Updated Software (3rd ed.,

9. Structural Analysis in the Social Sciences). Cambridge : Cambridge University Press, 2018. DOI 10.1017/9781108565691.

10. Dashko Yu. V., Kramarov S. O., Zhdanov A. V. Sintering of Polycrystalline Ferroelectrics and the Percolation Problem in Stochastically Packed Networks // Ferroelectrics. 1996. Vol. 186, Is. 1. P. 85–88.

11. Dashko Yu. V., Kramarov S. O. Percolation Model of the Sintering of Ferroelectric Ceramics // Ferroelectrics. 1995. Vol. 164, Is. 1. P. 329–337.

12. Сигов А. С., Андрианова Е. Г., Жуков Д. О. и др. Квантовая информатика: обзор основных достижений // Рос. технолог. журнал. 2019. Т. 7, № 1 (27). С. 5–37. DOI 10.32362/2500-316X-2019-7-1-5-37.

13. Жуков Д. О., Хватова Т. Ю., Лесько С. А., Зальцман А. Д. Влияние плотности связей на кластеризацию и порог перколяции при распространении информации в социальных сетях // Информатика

14. и ее применения. 2018. Т. 12, №. 2. С. 90–97.