IX Международная студенческая научная конференция Студенческий научный форум - 2017

С каждым годом количество доступной информации растёт, это значительно усложняет процесс поиска необходимой информации и изучения наиболее подходящего материала. В большинстве случаев большие объёмы информации можно разбить на смысловые группы, сделав их намного удобными для восприятия.

Целью данной работы является повышение эффективности восприятия информации пользователем путем выполнения ее структуризации.

Для исследования структурированных массивов информации используется метод анализа фактографических данных, в котором выделены шесть различных задач, такие как: классификация, регрессия, кластеризация, выявление ассоциаций, выявление последовательностей, прогнозирование.

В настоящее время существует множество методов, с помощью которых решаются задачи классификации и кластеризации текстов.

Кластерный анализ занимает одно из центральных мест среди методов анализа данных и представляет собой совокупность методов, подходов и процедур, разработанных для решения проблемы формирования однородных классов в произвольной проблемной области.

Скорость поиска информации вручную обратно-пропорциональна объёму перебираемой информации, а следовательно вероятность качественной обработки большого массива текста человеком мала. В этом случае могут помочь автоматизированные алгоритмы, которые помогут выделить ключевые разделы в предложенном материале, упрощая работу человека и повышая качество восприятия знаний.

В качестве практического применения методов кластерного анализа были рассмотрены следующие системы: rapidminer, IBM SPSS Modeler, Demantra, SAS analytics.

В качестве критериев для выполнения сравнительного анализа перечисленных выше систем были предложены следующие: форматы загружаемых данных, качество сегментации данных, количество методов структуризации, вариация параметров структуризации.

Выполнив анализ рассмотренных систем можно сделать вывод: наилучшим среди аналогов является RapidMiner, так как имеет наибольший спектр реализуемых алгоритмов и лучшее качество кластеризованного материала.

Для повышения качества восприятия материала предполагается выполнить сравнительный анализ основных методов кластеризации и реализовать их в виде алгоритмов автоматизированной системы структуризации текстового материала, с помощью которой и будет выполнен сравнительный анализ.

Список литературы

1. Оценка качества структурирования учебного материала на основе метрик онтологических моделей Макушкина Л.А., Рыбанов А.А. Актуальные вопросы профессионального образования. 2014. Т. 11. №14 (141). С. 86-89.

2. Технология определения весовых коэффициентов сложности тем дистанционного курса на основе алгоритма саати рыбанов А.А, Макушкина Л.А. Открытое и дистанционное образование. 2016. №1 (61). С. 69-79.

3. Аналитическая платформа deductor как средство анализа результатов активности пользователей системы дистанционного обучения moodle Рыбанов А.А., Сержантова Е.О., Макушкина Л.А. Молодой ученый. 2013. № 5. С. 173-176.

4. Форматы и системы команд, методы адресации. Квантованный учебный текст с заданиями в тестовой форме Рыбанов А.А., Макушкина Л.А. Педагогические измерения. 2015. № 2. С. 50-57.

5. Алгоритмы работы программы автоматизированных обучаемых систем Макушкина Л.А., Немцова В.С. NovaInfo.Ru. 2015. Т. 2. № 33. С. 44-51.

6. Анализ существующих технологий smart-обучения Макушкина Л.А., Марьяновский А.В. NovaInfo.Ru. 2016. Т. 3. № 46. С. 54-56.

Код для цитирования: Скопировать