Нормальное развитие социума предполагает экспансию различных социальных практик (культура, медицина, образование, религия, экология и т.д.), позволяющих реализовывать основную «целевую функцию» (в терминологии функциональных систем [1]) – «бесконечное» существование и развитие в Мире, за счет воспроизводства и/или продления жизненного цикла социума, как системы в целом, так и отдельных ее элементов [2]. Применяя методологию (и терминологию) функциональных систем [1], стратегически социум развивается в умгебунге (терминология Икскюля [3]), а его «рецепторы и акцепторы действия» [1] функционируют в умвельте. Таким образом, умвельт-анализ является базовым инструментарием для организации экологического мониторинга социума.
В случае исследования влияния окружающей среды на социум и его структурные элементы в [4], предлагаются, например, следующие концептуальные модели (рис. 1).
Рис. 1. Концептуальные модели «человек – среда обитания»
Используются обозначения и термины: humanity – «человек, социум»; environment – «среда обитания»; OUTER SPACE – «космосфера»; ACSE – автономная система управления (autonomous control system) environment; AСSH – автономная система управления (autonomous control system) humanity; AMSS – автономная система управления (autonomous management system) OUTER SPACE; biosphere & noosphere – биосфера и ноосфера; ACSB автономная система управления биосферы; ACSN – автономная система управления ноосферы.
Приведенные концептуальные модели формируют различные парадигмы для проведения исследований (включая организацию мониторинга) влияния среды обитания как на отдельного человека, так и на социум. Возможны четыре ситуации, обусловливаемые функционированием ACSE и AСSH: dom(ACSE)& AСSH; ACSE&AСSH; ACSE&dom(AСSH); not(ACSE)¬(AСSH). В первом варианте доминирует ACSE, в третьем – AСSH, во втором – системы управления равноправны, в четвертом – практически отсутствуют (значения наблюдаемых и управляемых параметров подсистем хаотичны). Парадигма, основанная на схеме рис. 1, а, наиболее распространена (в том числе в работах [5, 6]) – автономные системы управления AСSH и ACSE не включают друг друга, упрощая моделирование. В данном случае имитационное моделирование заключается в «проигрывании» возникновения различных состояний humanity при прогнозируемых состояниях среды обитания и реакции систем автономного управления.
Парадигма, основанная на модели рис. 1, b, предполагает, что подсистема humanity является частью environment, а ее состояние обусловливается работой автономной системы управления AСSH (согласно множеству состояний ее подсистемы environment).
Парадигма моделирования для ситуаций, представленных на рис. 1, c, предполагает, что environment целиком и полностью определяется функционированием подсистем humanity и AСSH.
Парадигма моделирования (и первоначального мониторинга) humanity, представленная схемой рис. 1, d, является элементом иерархического управления «человек – среда обитания», предусматривающая «наблюдаемость и управляемость» со стороны «космического пространства» OUTER SPACE путем воздействия на биосферу и ноосферу [7, 8]. Здесь рассматривается гипотетическая ситуация полной управляемости подсистемы humanity от факторов биосферы и ноосферы (изменяющиеся под воздействием собственных систем автономного управления, описываемые фундаментальными законами Космоса (например, вспышки вирусных заболеваний как реакции на прохождение комет или «лунные циклы» психических заболеваний)).
Таким образом, рассмотренные модели позволяют систематизировать исследования в области изучения реакции человека на изменения среды обитания различного иерархического уровня. Следует отметить, что в этом случае мониторинг умвельта (ближайшей среды обитания) осуществляется хорошо отлаженными механизмами регистрации через определенные промежутки времени значений показателей окружающей среды, влияющих на здоровье человека [9, 10]. В работе [11] предлагается в процессе мониторинга вычислять значения таких, например, латентных переменных, как отношение регистрируемых концентраций различных веществ к площади, численности населения.
Для исследования поведения социума в созданной им «среде обитания» предлагается в качестве платформы СТЛ – социотехнический ландшафт [12–14]. Основная идея в данном случае заключается в том, что «платформа» рассматривается в виде матрицы, каждая ячейка которой представляет собой отражение динамики индикаторных показателей, характеризующих развитие определенных социальных практик с помощью и под воздействием некоторых технологий. Если требуется мониторировать цифровую экологию, то в качестве таковых выступают, например, такие цифровые технологии, как интернет-вещи, big data, системы искусственного интеллекта, интернет вещей, цифровые коммуникации, виртуальная и дополненные реальности, социальные сети в интернете и т.д. [15, 16]. В настоящее время мониторинг СТЛ проводится в основном в области социологических исследований [17], что классическим мониторингом в техническом понимании не является. Недостаточно проработаны и вопросы предикативного мониторинга. Под таковым будем понимать не только фиксацию (и протоколирование) показателей и применение смарт-экспертных систем для анализа и классификаций текущих состояний окружающей среды, но и осуществление прогнозов различных временных упреждений, возможности возникновения кризисных ситуаций (бифуркаций [18], Черного Лебедя [19] и т.п.).
Целью настоящего исследования являлось решение частной задачи – исследование возможностей использования СТЛ в качестве платформы организации предикативного экологического мониторинга социальных практик в реалиях цифровых технологий (ЦТ).
При этом цифровые технологии рассматриваются в качестве объекта умвельт-анализа «защиты и управления» социальных практик СТЛ в цифровой реальности для выполнения своих целевых функций при «обслуживании» социума.
Материалы и методы исследования
Для мониторирования цифровых (и иных) умвельтов с целью анализа эволюционирования эволюционных практик предлагается информационно-аналитическая модель, представленная на рис. 2.
Рис. 2. Информационно-аналитическая модель анализа предкризисных ситуаций в СТЛ на основе мониторинга при умвельт-анализе
С помощью системы мониторирования фиксируются (и протоколируются) индикаторные показатели, характеризующие функционирование социальных практик и, например, цифровых технологий СТЛ, которые поступают в модуль анализа (пред)кризисных ситуаций. Поскольку, по сути, предкризисная и кризисная ситуации являются областями бифуркаций состояний СТЛ, то они могут быть предсказаны путем анализа корреляционных связей между регистрируемыми показателями: количество и модальные значения которых в этом случае увеличиваются [20]. Заметим, что поскольку корреляция отражает не столько функциональные связи между показателями, сколько подчинение их близким законам распределения (в том числе функционирования), то рост корреляций подчеркивает нарастание хаотичности в регистрируемых значениях показателей, которая подчинена сходным законам. Можно предположить, в силу «закона больших чисел», что доминирует нормальный (гауссовский) закон. Наступление (пред)кризисной ситуации фиксируется соответствующим модулем анализа, и информация передается ЛПР (лицу, принимающему решение), в качестве которого может выступать как Человек, так и определенная Группа Лиц, так и искусственный интеллект или иные автоматизированные (и неавтоматизированные) системы поддержки принятия решений. Также информация поступает в «Модуль кластеризации и классификации», в котором выделяются определенные кластеры (или осуществляется процедура соотнесения к уже известным). Для каждого кластера применяются свои процедуры построения прогностических моделей (в «Модуле структурно-параметрической идентификации предикативной модели»). На основании полученной информации «модуль прогноза» формирует предикативные данные, которые представляют собой три типа прогноза: «ультракороткий» (на ближайшее время), «типовой» (наиболее часто применяемый в рассматриваемой ситуации) и «долгосрочный» (на время, превышающее первую реакцию социума (СТЛ) на управляющее (или корректирующее) воздействие на него. С учетом предоставленных данных модуль «ЛПР» формирует множество (как правило, альтернативных) решений стратегического и тактического воздействия на СТЛ, предварительно сделав «проверку (последствий) решений» путем кратковременного воздействия на СТЛ. Заметим, что СТЛ обладает собственной автономной системой управления [21], функционирование которой следует учитывать для оптимального, адекватного адаптивного управления СТЛ (и ее составляющими), что отражено в представляемой схеме информационно-аналитической модели.
В рассматриваемом случае умвельт-анализа цифровой реальности, в процессе коэволюционных процессов, казалось бы, следует анализировать взаимодействие «Человек (и/или Социум) <=> Компьютер (цифровая реальность)». Однако компьютер – это только «кусок железа» (технический антропогенный мир). Поэтому целесообразнее рассматривать следующую структуру: «Человек (социум) практический <=> Компьютер (Цифровая реальность) <=> «Человек (социум) обслуживающий». Последний, с помощью инструментариев цифровых и информационных технологий, создает определенные Software и Hardware для обслуживания «Человека (социума) практического» (или его социальных практик), для защиты и взаимодействия с окружающим Миром (прежде всего умвельтом), управления им для реализации основных целевых функций всей системы и ее отдельных структурных элементов, отражаемых на платформе СТЛ, о которых ранее упоминалось.
И «Человек практический», и «Человек действующий» имеют свои «антропологические ключи» [22, 23], определяющие и характеризующие определенные типы (и телесности) взаимодействия с «Компьютерным Миром» (цифровой реальностью) и «Социумом», эволюционирующими как во времени, так и в пространстве.
В соответствии с составляющими антропологического ключа в процессе предикативного мониторинга, прогнозирующего как выход за пределы референсных значений регистрируемых прямых и латентных показателей, так и изменение кластеров состояний (которые определяются, например, по уровням напряженности [24]), предлагается в процессе мониторинга на платформе СТЛ регистрировать и анализировать следующие показатели, по которым получать предикативные модели:
1) соматические: тип социальной организации (иерархический, распределенный и т.п. – количественно характеризуется негоэнтропией), прямые и латентные показатели загрязнения окружающей среды антропогенного характера, включая электромагнитное «загрязнение»;
2) энергетические (витальные): напряженность, адаптационный резерв; интенсивность взаимодействия с цифровой реальностью, возбужденность, активность, социальность сетей, информационная и энергетическая удельная составляющие на элемент СТЛ;
3) реакция: скорость реакции в обратных связях СТЛ (определяется путем анализа реакции коммуникационных средств третьей и четвертой сигнальной систем – СМИ, Интернет, социальные сети);
4) эмоция: интенсивность в социальных сетях, определяемая как количество репостов, откликов на инициируемые обсуждения;
5) логика: реакция на повторяющуюся информацию (рефлексия), коэффициент стохастичности появлений кластеров сообщений в коммуникациях социальных сетей (количественно может быть оценен, например, как корреляция с нормальным законом распределения);
6) концентрация (способность удержания информации и энергии): количественно предлагается оценивать коэффициентом эксцесса или количеством «возвратов» и «повторений» тем обсуждений в СМИ и социальных сетях за определенный период времени;
7) интуиция (способность выбора адекватных новых паттернов развития): количество правильных предсказаний (прогнозов) по отношению к общему количеству альтернативных прогнозов;
8) эмпатия (способность сопереживать другим – социальным группам, народам или культурным общностям) оценивается путем анализа различных СМИ; информационных источников в областях истории, культуры, религии; проведения выборочного тестирования-анкетирования в определенных социокластерах СТЛ-платформы;
9) воля (когерентное взаимодействие для достижения общей цели): количество новых сообществ (в социуме, включая социальные сети), организованных за определенное время, численностью превышающих определенные пороговые значения;
10) коммуникативность подлинной реальности (КПР – непосредственное общение к реальностью (людьми) или техникой, включая автокоммуникацию): количество диалогов-ответов в социальных сетях, возможных контактов);
11) коммуникативность виртуальной реальности (КВР – общение в воображении с людьми, природой, техникой): количество общений с созданными образами, культурными ценностями (виртуальные путешествия и посещение кинотеатров, театров, музеев, участие в «киберспорте», посещение библиотек и т.п.);
12) коммуникативность дополненной реальности (КДР – общение с людьми и реальностью посредством технических средств и информационных технологий, «дистанты», часть телемедицины): количество посещений различных порталов в единицу времени, умноженное на количество посещающих.
Результаты исследования и их обсуждение
В качестве пилотного исследования анализировались:
- корреляции между социальными практиками и цифровыми технологиями по показателю востребованности, которые рассчитывались по методике [14]: в информационной базе публикаций в открытой печати (Google Scholar) определяется количество текстов, в которых в качестве ключевых слов присутствуют пары терминов «i (социальная практика) – j (цифровая технология)» – TSDi,j. Аналогичным образом определяются соответственно TSi и TDj. В первом приближении востребованность практик в технологиях оценивается как
Dsi.j = 100 %∙TSDi,j / TSj;
- структурно-параметрическая идентификация предикативных моделей, отражающих востребованность части платформы СТЛ – «рейки-строке» социальной практики «медицина» к прорывным цифровым технологиям: «Искусственный интеллект» (ИИ), «Мобильные технологии» (МбТ), «Информационные технологии» (ИТ), «Интернет-вещи» (IoT), «Big Data» (BD).
В табл. 1 представлены результаты корреляционного анализа за 2000–2020 гг. востребованности к прорывным цифровым технологиям основных социальных практик (« + » – обнаружена статистически значимая корреляция (p < 0,05), «-» – не обнаружена).
Таблица 1
Корреляция востребованности социальных практик к цифровым технологиям
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
19 |
20 |
21 |
22 |
23 |
24 |
25 |
26 |
27 |
28 |
29 |
30 |
|
1 ИИ медиц.-ой |
1 |
|||||||||||||||||||||||||||||
2 МбТ медиц.-ой |
+ |
1 |
||||||||||||||||||||||||||||
3 ИТ медиц.-ой |
+ |
+ |
1 |
|||||||||||||||||||||||||||
4 IoT медиц.-ой |
+ |
+ |
+ |
1 |
||||||||||||||||||||||||||
5 BD медиц.-ой |
+ |
+ |
+ |
+ |
1 |
|||||||||||||||||||||||||
6 ИИ образ-ем |
+ |
+ |
+ |
+ |
+ |
1 |
||||||||||||||||||||||||
7 МбТ образ-ем |
+ |
+ |
+ |
+ |
+ |
+ |
1 |
|||||||||||||||||||||||
8 ИТ образ-ем |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
1 |
||||||||||||||||||||||
9 IoT образ-ем. |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
1 |
|||||||||||||||||||||
10 BD образ-ем. |
+ |
+ |
- |
+ |
+ |
+ |
+ |
+ |
+ |
1 |
||||||||||||||||||||
11 ИИ культурой |
- |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
1 |
|||||||||||||||||||
12 МбТ культурой |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
1 |
||||||||||||||||||
13 ИТ культурой |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
- |
- |
+ |
1 |
|||||||||||||||||
14 IoT культурой |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
- |
+ |
+ |
+ |
1 |
||||||||||||||||
15 BD культурой |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
- |
+ |
+ |
+ |
+ |
1 |
|||||||||||||||
16 ИИ экологией |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
1 |
||||||||||||||
17 МбТ экологией |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
1 |
|||||||||||||
18 ИТ экологией |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
+ |
- |
- |
- |
- |
1 |
||||||||||||
19 IoT экологией |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
- |
+ |
+ |
+ |
+ |
+ |
+ |
- |
1 |
|||||||||||
20 BD экологией |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
+ |
- |
1 |
||||||||||
21 ИИ пром-стью |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
- |
+ |
- |
1 |
|||||||||
22 МбТ пром-стью |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
- |
+ |
- |
+ |
1 |
||||||||
23 ИТ пром-стью |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
+ |
- |
- |
- |
- |
+ |
- |
+ |
- |
- |
1 |
|||||||
24 IoT пром-стью |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
- |
+ |
- |
+ |
+ |
- |
1 |
||||||
25 BD пром-стью |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
+ |
- |
+ |
- |
- |
+ |
- |
1 |
|||||
26 ИИ цифр.экон. |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
- |
+ |
- |
+ |
+ |
- |
+ |
- |
1 |
||||
27 МбТ цифр.экон. |
- |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
- |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
- |
+ |
- |
+ |
+ |
- |
+ |
- |
+ |
1 |
|||
28 ИТ цифр.экон. |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
+ |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
+ |
1 |
||
29 IoT цифр.экон. |
- |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
- |
+ |
- |
+ |
+ |
- |
+ |
- |
+ |
+ |
+ |
1 |
|
30 BD цифр.экон. |
- |
- |
- |
- |
- |
- |
- |
- |
+ |
- |
- |
- |
- |
+ |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
- |
+ |
+ |
+ |
+ |
1 |
Анализ матрицы корреляционной связи позволяет сделать следующие выводы о цифровом экологическом окружении социума с точки зрения востребованности социальных практик к ним (по сути, это корреляции кривых Гартнера [25–27]). Корреляция между потребностями социальных практик в прорывных цифровых технологиях наблюдается в 90 %, что говорит о том, что развитие потребностей в различных практиках идет в основном по однотипным законам. Исключение составляют: информационные технологии, востребованные экологическими исследованиями (коррелируют только с ИТ, востребованные культурой); BD, востребованные культурой, промышленностью, цифровой экономикой (кроме востребованности IoT экологией). Таким образом, динамика востребованности социальных практик к прорывным цифровым технологиям, в общем-то, подчинена одним и тем же закономерностям, однако в промышленности, цифровой экономике и экологии наблюдаются несколько отличающиеся тенденции, связанные в первую очередь с тем, что востребованность цифровых технологий началась в среднем на 5–6 лет ранее, чем в остальных анализируемых социальных практиках, на фоне увеличения с IoT («интернет-вещи»). Это позволяет предположить, что:
- во-первых, наблюдаемый рост корреляций говорит о том, что развитие общества в области востребованности к цифровому миру к 2019–2020 гг. находится в области бифуркации (пред- или посткризисной ситуаций) и в ближайшее время появятся новые как тактические, так и стратегические пути реализации востребованностей, в конечном счете к цифровому усилению возможностей социума для реализации своих целевых функций (с интеграцией в единое «информационно-цифровое поле»);
- во-вторых, поскольку большинство востребованностей коррелирует с «интернет-вещами», это свидетельствует о доминировании интереса к «обслуживанию тактических решений» и «бытовых вопросов», приложений. Поскольку, возможно, в области фундаментальных исследований и стратегических направлений вопросы востребованности в прорывных цифровых технологиях рассматриваются ранее на 5–7 лет.
К примеру, численные значения коэффициентов корреляций между рассматриваемыми технологиями в социальной практике «медицина» приведены в табл. 2.
Таблица 2
Корреляции востребованностей к прорывным цифровым технологиям в медицине
ИИ |
МбТ |
ИТ |
IoT |
BD |
|
ИИ |
1 |
||||
МбТ |
0,89 |
1 |
|||
ИТ |
0,74 |
0,94 |
1 |
||
IoT |
0,87 |
0,99 |
0,95 |
1 |
|
BD |
0,84 |
0,96 |
0,89 |
0,92 |
1 |
Анализ табл. 2 показывает: востребованности в кластере «медицина» подчинены одним закономерностям, причем технологии «Искусственного Интеллекта» меньше коррелируют с другими, чем те между собой. Таким образом, «Искусственный интеллект», интегрируя и активно используя основные цифровые технологии, развивается (в части востребованности медициной) по иным закономерностям, чем рассматриваемые остальные. Этот факт верифицирует представленные исследования, поскольку соответствует определению «система имеет отличительные от каждой своей составляющей свойства».
На этапе осуществления предикативного мониторинга («Модуль структурно-параметрической идентификации предикативной модели» – рис. 2) проводились пилотные исследования возможностей построения конвергентных математических моделей, полученных различными методами и алгоритмами. Фрагмент полученных результатов представлен в табл. 3.
Таблица 3
Модели предикативного мониторинга востребованности ЦТ в медицине
|
Pol2,4,6 |
Exp |
SPR1: у(t) = F(y(t-1), y(t + 1)) |
||
R22 = 0,99 R24 = 0,9998 R26 = 0,9999 |
R2 = 0,995 k = 0,23 |
R2 = 0,999 |
|||
F(t,t2, sin(w1t + φ1), sin(w1t + φ1) |
EqDim |
||||
R2 = 0.8 5.1-1.2∙t + 0.08∙t2 + 2.74∙sin(0.45∙t + 0.081) P = 14 year |
R2 = 0.9 T = 3.53 s = -1.224 k = 0.08 |
||||
|
Pol2,4,6 |
Exp |
SPR1: у(t) = F(y(t-1), y(t + 1)) |
||
R22 = 0,88 R24 = 0,95 R26 = 0,96 |
R2 = 0,84 k = -0.06 |
R2 = 0,96 |
|||
F(t,t2, sin(w1t + φ1), sin(w1t + φ1) |
EqDim |
||||
R2 = 0.89 9-3.12∙t + 0.059∙t2 + 0.332∙sin(1.06∙t + 1.49) + 0.71∙sin(2.1∙t-1.34) P1 = 6 year P2 = 3 year |
R2 = 0.73 T = 0.864 s = -0.78 k = -0.902 w = 0.73 P = 9 year φ = -0.89 |
||||
|
Pol2,4,6 |
Exp |
SPR1: у(t) = F(y(t-1), y(t + 1)) |
||
R22 = 0,87 R24 = 0,98 R26 = 0,99 |
R2 = 0.83 k = 0,14 |
R2 = 0,96 |
|||
F(t,t2, sin(w1t + φ1), sin(w1t + φ1) |
EqDim |
||||
R2 = 0.89 0.87-0.31∙t + 0.026∙t2 + 0.216∙sin(0.71∙t + 0.19) + 0.137∙sin(1.8∙t-1.76) P1 = 8.8 year P2 = 3.5 year |
R2 = 0.76 T = 2.24 s = -1.33 k = 0.596 w – not |
||||
|
Pol2,4,6 |
Exp |
SPR1: у(t) = F(y(t-1), y(t + 1)) |
||
R22 = 0,61 R24 = 0,95 R26 = 0,965 |
R2 = 0,37 k = -0.024 |
R2 = 0,99 |
|||
F(t,t2, sin(w1t + φ1), sin(w1t + φ1) |
EqDim |
||||
R2 = 0.99 1.7-0.542∙t + 0.0472∙t2 + 1.2∙sin(0.37∙t-0.7) + 0.063∙sin(1.82∙t-2.83) P1 = 17 year P2 = 3.5 year |
R2 = 0.73 T = 0.864 s = -0.78 k = -0.902 w = 0.73 P = 9 year φ = -0.89 |
||||
|
Pol2,4,6 |
Exp |
SPR1: у(t) = F(y(t-1), y(t + 1)) |
||
R22 = 0,92 R24 = 0,99 R26 = 0,995 |
R2 = 0.81 k = -0.11 |
R2 = 0,99 |
|||
F(t,t2, sin(w1t + φ1), sin(w1t + φ1) |
EqDim |
||||
R2 = 0.93 2-0.537∙t + 0.044∙t2 + 0.194∙sin(1∙t + 2.76) + + 0.278∙sin(2.11∙t-2.2) P1 = 6.3 year P2 = 3 year |
R2 = 0.73 T = 0.864 s = -0.78 k = -0.902 w = 0.73 P = 9 year φ = -0.89 |
В таблице: R2 – коэффициент детерминации модели (рассчи
Анализ представленных в табл. 3 результатов позволяет сделать следующие выводы.
– Для пилотного моделирования в предикативном мониторинге для краткосрочного прогноза в первом приближении можно использовать полиноминальные модели 2, 4, 6 порядков (заметим, что они являются первыми членами рядов Тейлора (или Маклорена) гармонических функций).
– Наибольшей адекватностью являются предикативные модели типа у(t) = F(y(t-1), y(t + 1)), которые, по сути, отражают следующую концепцию функционирования: система в каждый момент времени принимает решение о своем дальнейшем развитии на основе умвельт-анализов «прошлого опыта» и «предсказанного будущего» (в зависимости от качества предсказания осуществляется структурно-параметрическая адаптация модели).
– Дифференциальное уравнение динамики второго порядка отражает поведение функций, аналогичных кривым Гартнера, достаточно адекватно, но является лишь первым приближением (возможно, характеризующее своим решением стратегическое направление развития анализируемой системы с учетом начальных условий).
– С учетом предыдущих выводов и проведенных исследований можно предположить, что хорошей адекватностью краткосрочного и среднесрочного прогнозирования поведения величин, регистрируемых в процессе мониторинга, обладают математические модели, сочетающие в себе параболические и гармонические структуры (поскольку циклические составляющие являются отражением внутренних автоколебательных процессов большинства сложных, открытых, живых систем).
– Потребности в прорывных цифровых технологиях со стороны медицины имеют следующие, наиболее вероятные, циклические составляющие: искусственный интеллект – 14 лет, информационные технологии – 3 и 6 лет, мобильные технологии – 3,5 и 9 лет, Big Data – 3,5 и 17 лет, интернет-вещи – 3 и 6 лет. Таким образом, с учетом и моделей динамики EqDim, доминируют циклы с составляющими, кратными трем годам (3, 6, 9, 18), что наиболее соответствует циклам Китчина (механизм их генерирования связан с запаздываниями по времени информационными потоками, влияющими на принятие решений).
Заключение
Проведенные исследования в области экологического мониторинга цифрового окружения (внешнего окружения) и «метаболизма» (внутренние процессы) социума на примере социологической практики «медицина» СТЛ (с точки зрения ее запросов к различным информационно-цифровым технологиям) показывают перспективность организации предикативного экологического мониторинга на основе ландшафтной идеологии, в которой отдельные кластеры (ячейки ландшафта, таксоны) рассматриваются с позиций системного анализа своего ближайшего окружения, позволяя применять умвельт-анализ.
Работа выполнена при поддержке гранта РНФ № 19-18-00504 «Социотехнические ландшафты цифровой реальности: онтологические матрицы, этико-аксиологические регулятивы, дорожные карты и информационная поддержка управленческих решений».
Библиографическая ссылка
Конаныхина Т.Н. СОЦИОТЕХНИЧЕСКИЙ ЛАНДШАФТ КАК ПЛАТФОРМА ПРЕДИКАТИВНОГО МОНИТОРИНГА И УМВЕЛЬТ-АНАЛИЗА ЦИФРОВОГО ОКРУЖЕНИЯ // Международный журнал прикладных и фундаментальных исследований. – 2020. – № 12. – С. 55-64;URL: https://applied-research.ru/ru/article/view?id=13160 (дата обращения: 17.08.2024).