Анализ взаимодействия индивидов в социальной сети - эффективный инструмент для систематической оценки существующих на практике коммуникационных каналов между работниками предприятия. Существующие технологии визуализации социальных сетей отражают реальное взаимодействие между людьми, командами, отделами и даже целыми организациями. Для оценки взаимодействия между участниками социальной сети в работе предлагается использовать индекс контрибуции (Ик), который определяется следующим образом:

где: Со = количество отправленных сообщений; Сп = количество полученных сообщений.

Архитектура системы сбора, анализа и визуализации в социальных сетях

Значение индекса контрибуции находится в пределах от (-1) до (+1). В случае, когда Ик=(+1), участник социальной сети занят исключительно тем, что отправляет сообщения другим участникам сети. В случае, когда Ик=(-1), участник социальной сети получает сообщения, при этом, не отправляя сообщений другим участникам. Если же Ик=0, то взаимодействие между участниками сети является сбалансированным.

Проведенный анализ показал, что для формализованного представления и структуризации учебных планов и рабочих программ системы профориентации и переподготовки целесообразно использовать принципы терм-анализ связности модулей учебных материалов, где модуль представляет структуру: M={DM, AM, HM, FD}, DM - наименование модуля; AM - аннотация модуля; HM - объем часов, выделенных на модуль; FD - указатель дисциплины. Основными связывающими понятиями также являются термы. Терм-множество представляет структуру W=WI(WO, где WI - множество входных термов; WO - множество выходных термов. Входные термы определены как: WIw={DIW, FIW, FIW, UIW}, где DIW - идентификатор терма; FIM - указатель принадлежности модулю; FW - ссылка на терм-источник (для организации синонимии); UW - коэффициент усиления (определяет увеличение активности понимания терма). Выходные термы определены как: WOw ={DOW, FOW, FOW. ZOW}, где DOW - идентификатор терма; FOM - указатель принадлежности модулю; FOW - ссылка на терм карты требований; ZOW - коэффициент забывания терма.

Во второй главе диссертации рассматриваются вопросы построения моделей оценки квалификационного уровня участников социальной сети, и их кластеризации с целью подбора исполнителей для реализации проектов объединения.

Основным достоинством социальных сетей при формировании производственных программ промышленных объединений является поддержка коллективного взаимодействия. Социальные сети позволяют увеличить продуктивность командной и управленческой работы с помощью предоставления информации асинхронно. Имеются примеры использования социальных сетей при выполнении различных проектов, которые включают в себя:

краудсорсинг - технологию, которая позволяет привлекать к непосредственной разработке продукта, как производителей, так и пользователей;

сегмент «рынок идей», позволяющий осуществлять генерацию инноваций путем установления кооперации и партнерских отношений между участниками сети;

частные виртуальные миры, которые представляют собой виртуальное интернет-пространство, отражающее корпоративное устройство организации.

Пример визуализации коммуникационных потоков при выполнении командной работы над проектом можно представить следующим образом (рис.2):

Для формирования коллектива исполнителей проектов, в том числе вовлекаемых в процессы профориентации и переподготовки, могут быть использованы социальные сети типа «Blue Pages» (компания IBM). В таких сетях отражается подробная информация о каждом сотруднике, включая род деятельности и контактную информацию, квалификацию и опыт работы, профессиональные навыки (подразумевает перечень обучения, пройденного/запланированного работником, а также его уровень), проекты и команды (включает описание проектов, в которых работник принимал участие, а также рассказывает о рабочих группах, в которых состоит/состоял работник).

, где Ka – локальные коэффициенты сформированности профессиональных компетенций, b – число локальных коэффициентов.

Коммуникационные потоки при выполнении проекта несколькими командами специалистов

Психолого-индивидуальные компетенции представляют собой способности, развиваемые в профессиональной деятельности под влиянием мотивации, которая может, как усиливать, так и ослаблять потенциальные задатки специалиста. В этой связи необходимо осуществлять постоянный мониторинг мотивационной направленности. Для определения критериев сформированности проводится тестирование выборки специалистов, успешных в своей деятельности. Для визуализации локальных показателей используется их представление в виде профилограммы, где: A – коэффициент точности внимания; E – коэффициент продуктивности влияния; Kрасп – коэффициент распределения внимания; Vm – коэффициент объема памяти; Km – коэффициент творческого мышления; Kл – коэффициент логического мышления; Kв

Применение такой модели специалиста на основе процессного подхода и методологии «развертывания функции качества» позволяет снизить уровень неопределенности идентификации и мониторинга рассматриваемых компетенций и повысить качество переподготовки специалистов.

, дуги которого взвешены числовой оценкой степени принадлежности.

Отношение связности тестовых заданий и модулей

Начальный вариант анализа тестового контроля предполагает оценку правильности решения тестовых заданий. С одной стороны, эта оценка может быть определена как «да-нет» и определяться либо как 0, либо как 1. X представляет вектор множества модулей:

где каждая компонента Xi вектора определяет привязку соответствующего тестового задания к модулю. В двухуровневых факторных экспериментах (полных и дробных) определяется только принадлежность задания, т.е. Xi = 1 - задание имеет отношение к

i-ому модулю и Xi = 0 – в противном случае.

, где в качестве оцениваемых параметров регрессии выступают lnPi . При моделировании множества тестовых заданий, составляющих тест, формируется матрица плана теста F=||xi,j||, где xij определяет наличие j-ой направленности в i-ом тестовом задании.

В качестве модели сетевого планирования производственных программ, реализующей временную последовательность запросов на кадровый состав, в работе предлагается использовать рекуррентную схему, которая концептуально подобна имитационной схеме, что позволяет расширить ее до вероятностной и статистической интерпретации.

Формально операторы преобразования структуры. Определены два оператора: OutW - оператор завершения этапа (произвольного); InWi(k) - оператор начала этапа (i - текущий этап, k - после какого этапа выполняется).

Сама процедура может быть представлена в виде:

(, необходимые для реализации каждого этапа программы. В работе проведен анализ модели, в которой время реализации этапа является нечеткой переменной с функцией принадлежности:

которая подобна нормальному закону распределения, но где функция нормирована по максимуму.

Показано что из условия x1 ~ fe(x|a11,(12), x2 ~ fe(x|a21, (22) следует, что x1+x2 ~ fe(x|a11+ a21, (12+ (22), т.е. сумма нечетких переменных имеет функцию принадлежности из того же класса fN.

В случае параллельного выполнения этапов время начала очередного этапа определяется как T=max(T1,T2). Построена программная имитационная модель и экспериментально показано, что операция максимума также практически не выводит результат из выбранного класса функций принадлежности (относительная среднеинтегральная ошибка порядка 3%).

При формировании кадрового состава из множества участников социальной сети для реализации конкретных производственных программ предлагается задача кластеризации на основе расчета индекса контрибуции с помощью программы TeCFlow, которая:

производит анализ обмена информацией между участниками сети (на основании количества отправленных и полученных сообщений) и определяет основные и периферийные коммуникационные узлы;

анализирует периоды, в течении которых возникают вспышки коммуникационной активности между участниками сети;

выделяет наиболее активных участников сети и определяет их роли внутри сети.

Одной из основных задач при этом является формирование групп, для которых внутригрупповое взаимодействие максимально, а межгрупповое минимально. Основной характеристикой исполнителей при этом является индекс контрибуции.

Схема взаимодействия участников социальной сети

Преобразование Марковской цепи запросов

), которые учитывают распределение вероятностей взаимодействия между всеми участниками сети. В работе предлагается решение данной задачи на основе метода к-средних кластерного анализа, где в качестве мер сходства и различия используются переходные вероятности агрегированной Марковской цепи.

Для решения этой задачи в диссертации введены формальные операторы укрупнения, исключения петель, сокращения и другие, которые позволяют построить переходные вероятности вторичной (межгрупповой) цепи по известным характеристикам первичной цепи.

Обозначим Марковскую цепь:

где (k - случайная величина, имеющая конечное число значений, иначе множество состояний C=(C0,C1,...Cn); card C=n; ( - вектор начального распределения состояний (=(p1,p2,...,pn); P - матрица переходных вероятностей P=||pij|| i,j=1..n.