Научный архив: статьи

Цель данного исследования - рассмотреть перспективы и проблемы применения больших данных в образовании. Материалы и методы. Методами исследования выступали анализ, систематизация и структурирование информации в области применения больших данных в образовании, а также моделирование и программная реализация тестовой модели обработки больших данных с использованием фреймворка Apache Spark. Результаты. В статье рассмотрены ключевые аспекты использования больших данных в образовании, в частности, их источники в виде цифрового следа обучения, методы анализа и направления применения больших данных. При этом были выделены следующие источники больших данных в образовании: электронная образовательная среда и электронная библиотека вуза; мобильные приложения для обучения; сайт вуза; социальные сети и форумы; данные обратной связи, обращений и опросов; персональные данные, включая психометрические характеристики обучающихся; данные научных smart лабораторий; данные видеонаблюдений и систем контроля управления доступом; данные о карьерном пути и успешности выпускников. Направления применения больших данных в образовании включают в себя следующие моменты: персонализация электронного обучения, выдача персонализированных рекомендаций; аналитика данных; оценка и обратная связь; прогнозирование успеха студентов; мониторинг качества образования; создание модели обучаемого; разработка учебных планов на основе запросов работодателей; разработка новых образовательных программ; появление новых моделей обучения; совершенствование процессов управления вузом; совершенствование работы приемной компании; модернизация программно-технических средств обучения; оптимизация педагогического состава. В качестве проблем применения больших данных в образовании рассматриваются проблемы защиты личных (персональных) данных, необходимость в новых методологиях и технологиях анализа больших данных, потребность в существенной модернизации имеющихся в системе образования технических средств, необходимость в квалифицированных кадрах. В статье также приведен тестовый пример анализа log-файла (журнала событий) электронного курса с помощью технологий обработки больших данных Spark SQL, показывающий потенциальную возможность и практическую применимость технологий обработки больших данных к задачам анализа цифрового следа обучения. Заключение. Большие данные в образовании способны предоставить уникальные возможности для анализа и оптимизации учебного процесса, помогая выявить тенденции, прогнозировать успехи студентов и адаптировать образовательные программы к индивидуальным потребностям учащихся. Но нельзя также забывать, что использование больших данных в сфере образования также несет с собой определенные риски и вызовы, связанные с этическими аспектами, защитой личных данных и необходимостью кадровой модернизации сложившейся системы образования. Для успешной интеграции аналитики данных в образовательную практику необходимо развивать не только технические ресурсы, но и уровень цифровой безопасности и этики в использовании персональных данных.

В данной работе рассматривается роль искусственного интеллекта (ИИ) в развитии цифровой экономики. Проанализированы ключевые направления использования ИИ в различных отраслях: от прогнозирования рыночных тенденций и оптимизации производственных процессов до повышения эффективности логистики и финансовых операций. Особое внимание уделено моделям машинного обучения, позволяющим анализировать большие объемы данных для принятия стратегических решений. Также затронуты вызовы, связанные с внедрением ИИ, включая вопросы кибербезопасности, утраты рабочих мест и этических аспектов. В работе представлены практические примеры использования ИИ для анализа рынка и оценки влияния автоматизации на занятость. Итогом исследования стало обобщение, что грамотное внедрение ИИ способствует повышению конкурентоспособности стран, ускорению инноваций и устойчивому экономическому росту в условиях глобальной цифровизации. Материалы и методы. Для анализа рынка с использованием искусственного интеллекта можно применить несколько простых методов на Python, включая анализ данных с помощью библиотек, таких как pandas для обработки данных и scikit-learn для машинного обучения. Один из самых простых вариантов — это анализ трендов с использованием метода регрессии. Вот пример простого кода для анализа рынка с использованием линейной регрессии. Результаты. В конечном итоге мы создаем модель, которая прогнозирует объем продаж на основе цены товара. Мы используем простую линейную регрессию для анализа зависимости между ценой и количеством проданных единиц товара. Код также визуализирует зависимость между ценой и объемом продаж, а также выводит коэффициенты модели. Заключение. Применение методов искусственного интеллекта, таких как линейная регрессия, позволяет эффективно анализировать рыночные тенденции и выявлять зависимости между ключевыми показателями, например, ценой и объемом продаж. Использование библиотек Python, таких как pandas и scikit-learn, упрощает обработку данных и построение прогнозных моделей. Визуализация результатов помогает лучше интерпретировать полученные зависимости, что может быть полезным инструментом для принятия обоснованных управленческих решений и оптимизации маркетинговых стратегий.

В 2021 году была принята Концепция развития аудиторской деятельности в Российской Федерации до 2024 года. За прошедшее с этого момента время продолжающиеся процессы цифровой трансформации экономики породили новые запросы, что требует пересмотра целей и задач развития аудита. Изменения носят столь значительный характер, что представляется целесообразным поставить вопрос о трансформации самой концептуальной модели аудита. Целью статьи является исследование трансформации концептуальной модели аудита в условиях четвертой промышленной революции. Системный подход был реализован на основе таких общенаучных методов, как анализ и синтез, классификация, сравнение. В результате исследования определены исторические этапы развития аудита, рассмотрены преобразования моделей в прошлом и выявлены целевые ориентиры перспективной трансформации концептуальной модели аудита в контексте распространения сквозных технологий.

В статье с помощью методов анализа больших массивов информации исследуется, как современные американские СМИ используют символы Холодной войны в репрезентациях китайско-американских отношений. Материалами послужили публикации в ведущих СМИ США различной политической направленности; хронологическими рамками исследования стали 2021- 2024 гг.

Авторы отмечают, что использование символов Холодной войны современными СМИ призвано, во-первых, предложить аудитории понятную объяснительную модель; во-вторых, обосновать неизбежность победы Соединенных Штатов: подобно тому, как Америка одержала верх над СССР, она победит и КНР, используя опыт Холодной войны для сдерживания нового соперника.

Авторы констатируют активное использование символов Холодной войны американскими СМИ для объяснения текущих международных отношений. Помимо российско-американских отношений, эти символы привлекаются для репрезентаций отношений США с Китаем, который рассматривается в качестве потенциального соперника, способного бросить вызов гегемонии США. Анализ эмпирических данных показывает, что наиболее вос-требованным маркером современного Китая в тематических контекстах Холодной войны стал «коммунизм». При этом, как показано в статье, СМИ США ассоциируют с коммунизмом, прежде всего, нынешний Китай, а их аудитория все еще увязывает данный термин с нынешней Россией. Отождествление КНР с коммунизмом происходит с помощью проведения аналогий между Китаем и СССР; между политиками Китая и деятелями советской истории, а также через акцентирование названия крупнейшей партии страны – Коммунистической партии Китая. Среди других популярных символов, используемых в контексте Холодной войны в отношении Китая, – «экспансионизм», «ядерное оружие», «Империя Зла».

Актуальность изучения проблем цифровизации аудиторской деятельности обусловлена возрастающими требованиями к качеству и прозрачности аудита со стороны государства, общества и бизнеса. Особую значимость приобретает необходимость повышения социального и бизнес-статуса профессии и ее профессиональных ценностей. Это требует формирования IT-мировоззрения у молодых специалистов: понимания ими преимуществ цифровой трансформации аудита, возможностей использования искусственного интеллекта и аналитики больших данных при оценке аудиторских рисков.

Целью статьи является ретроспективный анализ цифровых технологий, используемых и потенциально перспективных для автоматизации аудиторских процессов. Также обосновывается необходимость совершенствования методологии цифровизации аудита и внедрения цифровых продуктов, обеспечивающих качественно новый уровень аудиторской деятельности.

Предметом исследования послужили факторы, проблемы и предпосылки ускорения цифровизации аудиторской деятельности, аналитические обзоры и результаты научных исследований и мониторингов в области внедрения цифровых технологий. Выделены наиболее востребованные компоненты программного обеспечения, включая инструменты для оказания сопутствующих услуг. В работе акцентируется внимание на высокой социальной ответственности аудиторов за качество проверяемой отчетности, а также на расширении доступных информационных ресурсов в цифровой среде. Обосновывается необходимость увеличения исследований, обеспечивающих концептуальную и прикладную базу цифровизации аудита. Анализ лучших практик показывает, что цифровые решения повышают эффективность не только аудита финансовой отчетности, но и системы управления качеством аудита, а также всего спектра аудиторских услуг. В связи с введением новых международных стандартов управления качеством аудита значительно повышаются требования к цифровым технологиям, аудиторским сетям, системам информации и коммуникаций, мониторингу и управлению рисками. Это позволяет использовать результаты и выводы данной статьи как актуальный вектор совершенствования концептуальных и прикладных аспектов использования цифровых технологий в аудиторской деятельности.

Искусственный интеллект активно захватывает сферу за сферой, в том числе особые успехи и достижения можно видеть в сфере медицины и медицинских технологий. Однако внедрение искусственного интеллекта ставит целый ряд вопросов как практического, так и этического характера. Управление персональными данными становится ключевым вопросом при разработке искусственного интеллекта в медицине, поскольку эффективность таких систем напрямую зависит от доступа к обширным медицинским данным пациентов. Самым удобным решением для их использования является предварительная анонимизация. Однако при анонимизации существует риск повторной идентификации, а также возможна утрата потенциала информативности данных. В рамках настоящей статьи на примере США, ЕС и Сингапура рассматривается опыт в сфере правового регулирования обращения с медицинскими персональными данными при использовании систем искусственного интеллекта в медицине. Каждая из стран пытается найти баланс между защитой конфиденциальности персональных данных и развитием инноваций. На основе проведенного анализа можно сделать вывод, что фокус на развитие искусственного интеллекта требует определенных допущений в области защиты персональных данных, в то время как высокий жесткий стандарт защиты персональных данных может оказывать сдерживающее действие.искусственный интеллект, ИИ, медицинские данные, большие данные, конфиденциальность персональных данных

Исследование посвящено проблематике хроногеографии - недооцененной в отечественной науке области научного знания, результаты исследований которой приобрели обоснованный интерес для анализа самых различных социальных и экономических процессов и явлений. Зародившаяся на Западе в форме теории в поведенческой географии, хроногеография со временем приобрела междисциплинарное содержание, отражая разнотипные пространственные и временные процессы и события в социальной, экономической, экологической и других сферах. Хроногеографический подход способствует усилению и ускорению междисциплинарного взаимодействия общественной географии с социологическими, экономическими и другими отраслями знания. Как один из векторов развития социально-экономической географии, хроногеография переживает революционный скачок в исследовательских возможностях в связи с высокой степенью разнообразия информации о пространственном поведении человека, а также возможности анализировать и интерпретировать как «традиционную информацию», так и онлайн геолокационные и атрибутивные большие данные. В процессе исследования соотнесены понятия «мобильность», «городская социосреда», «ойкумена», выделены факторы, определяющие индивидуальную мобильность, описаны обобщенные типичные модели индивидуального пространственного поведения (мобильности), предложен ряд показателей для «измерения» уровня индивидуальной мобильности, определены прикладные векторы развития современной хроногеографии.

Технологии искусственного интеллекта во многом базируются на больших данных, и, помимо вычислений, которые обеспечивают должную точность и робастность результатов, а также безопасность систем именно вопросы хранения, передачи и обработки больших данных притягивают к себе пристальное внимание исследователей и разработчиков. Причём работу с данными можно рассматривать на математическом уровне, но в данной работе это сделано на уровне архитектуры информационных систем. А именно, рассматривается вопрос о том, какие модули современных информационных систем в финансовой сфере используют технологии искусственного интеллекта и как они соотносятся с хранилищами и процессорами данных. Структурно работа построена так, что за описанием сфер применения искусственного интеллекта следует обзор изобретений по теме, затем анализируются значимые для предметной области стандарты и, наконец, дана общая архитектура информационной системы.

В статье на конкретных примерах показано, как математика высокого класса иногда помогает решать проблемы в области экономики и информационных технологий, для решения которых она изначально не предназначалась. Особо подчеркивается роль выдающихся отечественных математиков относительно недалекого прошлого.

Ценность данных связана с программами для их обработки. Это интуитивно понятное соображение может получить формальное основание в виде алгоритмического подхода к определению информации. Предложенный Колмогоровым этот подход оперирует информацией в терминах программы и способа программирования, которые преобразуют объекты. Такой формализм подсказывает естественный способ повышения ценности данных через построение платформы, призванной соединить массивы данных с программами для их обработки. Описанная в статье концептуальная схема такой платформы предусматривает программные сервисы навигации в массивах данных, сервисы ценообразования и поддержки процедуры согласования цен.

На примере серийного дела «Рикор Электроникс» рассматривается метод расчета ставок роялти за использование объектов интеллектуальной собственности для судебных экспертиз и сделок на основе Big Data и нечеткой логики. Метод «LABRATE ROYALTY PRO» базируется на трех ключевых показателях: доля лицензиара в прибыли лицензиата (Licensor’s Share), рентабельность продаж (Return on Sales, операционная маржа) и рентабельность по EBIT (EBIT Margin, операционная доходность). Применение традиционных методов, основанных на рентабельности производства или затрат, часто приводит к расхождениям с показателями выручки от продаж, что требует адаптации подходов к российским реалиям и международной практике. В статье детально описан алгоритм расчета, основанный на анализе финансовых показателей компаний и отраслевой статистике, а также на использовании технологий Big Data и Fuzzy Logic. Примеры из судебной практики подтверждают эффективность предложенного подхода, обеспечивая объективные и справедливые решения по определению ставок роялти, стоимости права использования товарных знаков и расчета компенсаций. Особое внимание уделено необходимости точного и однозначного описания объектов исследования и исходных данных.

Идет ли речь о цифровой экономике, экономике данных или о больших данных, всегда подразумевается представление информации (будь то сигналы, команды или данные) в цифровом формате или, точнее, в двоичном коде. Понимание этого - ключ к пониманию многих событий и фактов. В частности, это касается быстрого развития сетевых сервисов на основе цифровых технологий и многих других реалий современной экономики. В статье это показано на конкретных примерах из прошлого ведущих фирм.