Публикации автора

Актуальность темы обусловлена усилением роли интеллектуального капитала в условиях цифровизации и увеличивающейся взаимосвязанности социально-экономических процессов. Цель статьи — разработка модифицированной иерархической модели интеллектуального капитала, отражающей сложные причинно-следственные связи между его компонентами и социально-экономическими показателями. Исследование осуществлено с использованием методов библиографического анализа, путем систематизации показателей из нормативных документов и синтеза когнитивных моделей. Научная новизна заключается в интеграции видов когнитивной активности в структуру интеллектуального капитала, включая креативно-инновационную деятельность как связующее звено между самосовершенствованием и инновациями. Результаты исследования показывают, что интеллектуальный капитал следует рассматривать не как изолированный ресурс, а как динамическую структуру, способную формировать траектории развития территориальных социально-экономических систем. Практическая значимость работы состоит в том, что полученные выводы могут быть использованы при принятии управленческих решений в сфере регионального развития и оценки эффективности программных инструментов. Модель применима для анализа на мезо- и макроуровнях экономики, что делает ее универсальной. Перспективы дальнейших исследований связаны с прикладной апробацией модели в конкретных регионах и уточнением набора индикаторов под различные типы территориальных социально-экономических систем.

Введение. Статья посвящена анализу применения инструментов искусственного интеллекта (ИИ) на различных этапах научного исследования, с акцентом на процесс выполнения обзора литературы. Рассматривается роль автоматизированных систем в оптимизации рутинных процессов и ускорении анализа больших массивов данных.

Методы исследования. Использованы методы контент-анализа научной литературы по тематике приграничных территорий и последующего синтеза полученной информации. Для обработки данных и визуального анализа применен инструмент CiteSpace 6.3. R1. Исходные данные были импортированы из базы Web of Science, а временной интервал анализа охватывал период 1992-2025 гг. При визуальном анализе использовались узлы авторов, учреждений и ключевых слов для многомерного представления данных.

Результаты и дискуссия. Показано, что использование CiteSpace позволяет автоматизировать процессы отбора источников, анализа ключевых терминов, построения сетевых карт соавторства, визуализации взаимосвязей между публикациями и кластеризации тематических направлений. Применение подобных инструментов значительно ускоряет обработку данных и облегчает выявление исследовательских трендов. Однако, несмотря на широкий функционал, ИИ-инструменты выполняют преимущественно вспомогательную роль, поскольку критическая интерпретация данных, формулирование гипотез, выводов и положений научной новизны остаются задачами исследователя. Отмечены потенциальные риски, связанные с возможными ошибками в интерпретации данных и снижением критического подхода при чрезмерной зависимости от автоматизированных систем.

Заключение. Сделан вывод о необходимости достижения оптимального баланса между автоматизацией технических этапов и сохранением ведущей роли исследователя, что обеспечивает не только повышение скорости работы, но и сохранение глубины и качества научных результатов. Перспективы дальнейших исследований связаны с интеграцией ИИ-инструментов в более сложные аналитические процессы для расширения возможностей научного анализа.

Целью данной исследовательской статьи является разработка и апробация нечеткой модели количественной оценки интеллектуального капитала университета. Нечеткая модель позволяет оценить интеллектуальный капитал университета в целом, основные компоненты интеллектуального капитала, способности университета к различным видам когнитивной активности, обеспечивающим развитие интеллектуального капитала, эксплицитные и имплицитные факторы интеллектуального капитала. Важнейшими отличительными особенностями модели являются: способ формализации эксплицитных и имплицитных факторов как лингвистических переменных и перевода их значений в нечеткие множества; использование процедур нечеткой логики в иерархической структуре с возможными циклами; возможность получения числовых оценок разброса рассчитанных значений; повышение достоверности результатов за счет учета уровней компетентности экспертов в определенных сферах деятельности университета с использованием различных функций сглаживания. Представлены результаты апробации модели на примере крупного регионального университета. Определены проблемные зоны в деятельности университета в отношении развития интеллектуального капитала. Материалы статьи представляют интерес для руководителей университетов, получающих инструмент комплексной оценки интеллектуального капитала и его компонентов на всех уровнях в привязке к стратегии развития вуза.