Почему использование компьютерных методов исследования: Почему использование компьютерных методов исследования и обработки информации создаёт условия для более детального изучения территории планеты?

Содержание

Использование компьютерных методов и систем в изучении права, интеллектуальном анализе и моделировании правовой деятельности: систематический обзор | ТРОФИМОВ

1. Agnoloni T., Bacci L., Francesconi E., Spinosa P., Tiscornia D., Montemagni S., Venturi G. Building an ontological support for multilingual legislative drafting. In Legal Knowledge and Information Systems (JURIX’2007), Amsterdam, IOS Press, 2007, pp. 9–18.

2. Aikenhead M. Legal knowledge based systems: some observations on the future. Web Journal of Current Legal Issues, vol. 2, 1995, p. 72. Available at: http://www.bailii.org/uk/other/journals/WebJCLI/1995/issue2/aiken2.html.

3. Al-Abdulkarim L., Atkinson K., Bench-Capon T. A methodology for designing systems to reason with legal cases using abstract dialectical frameworks. Artificial Intelligence and Law, vol. 24, no. 1, 2016, pp. 1–49.

4. Андреев Н.Д., Керимов Д.А. О возможностях кибернетики при решении правовых проблем. Советское государство и право, № 7, 1960 г. , cтр. 106–110 / Andreev N.D., Kerimov D.A. Concerning the possibilities of cybernetics in solving legal problems. Soviet State and Law, no. 7, 1960, pp. 106–110 (in Russian).

5. Апт Л.Ф., Цивилева Е.Д. «АИПС-законодательство» и ее проблемы (анализ результатов материалов поиска правовой информации). Проблемы совершенствования советского законодательства. Труды. М.: ВНИИСЗ, вып. 35, 1986 г., cтр. 13–22 / Apt L.F., Tsivileva E.D. «AIRS-Legislation» and its problems (analysis of the results of legal information search materials). Problems of Improving Soviet Legislation. Proceedings, Moscow: All-Union Scientific Research Institute of Soviet Legislation, issue 35, 1986, pp. 13–22 (in Russian).

6. Ashley K.D., Brüninghaus S. Automatically classifying case texts and predicting outcomes. Artificial Intelligence and Law, vol. 17, no. 2, 2009, pp. 125–165.

7. Ashley K.D., Walker V.R. Toward constructing evidence-based legal arguments using legal decision documents and machine learning. In Proc. of the 14th International Conference on Artificial Intelligence and Law (ICAIL’13), 2013, pp. 176–180.

8. Бахтеев Д.В. Искусственный интеллект в криминалистике: состояние и перспективы использования. Российское право: образование, практика, наука. № 2, 2018, с. 43–49. / Bakhteev D.V. Artificial intelligence in criminalistics: state and prospects of use. Russian Law: Education, Practice, Researches, no. 2, 2018, pp. 43–49 (in Russian).

9. Baroni P., Giacomin M. Semantics of abstract argument systems. In Argumentation in artificial intelligence. Boston, Springer, 2009, pp. 25–44.

10. Башев А.А., Москвин С.С., Фукс Н.С. Автоматизированная информационно-поисковая система по законодательству в области лесного хозяйства. Актуальные проблемы теории и практики применения математических методов и ЭВМ в деятельности органов юстиции. Тезисы докладов на V всесоюзной конференции по проблемам правовой кибернетики, вып. 2, 1975 г., cтр. 28–34 / Bashev A.A., Moskvin S.S., Fuks N. S. Automated information retrieval system for forestry legislation. In Actual Problems of the Theory and Practice of the Application of Mathematical Methods and Computers in the Activities of the Judiciary, Abstracts at the 5th All-Union Conference on Legal Cybernetics, issue 2, 1975, pp. 28–34 (in Russian).

11. Bench-Capon T.J.M. Before and after Dung: Argumentation in AI and law. Argument and Computation, vol. 11, no. 1, 2019, pp. 1–18.

12. Bing J. Conceptual text retrieval. Oslo, Tano, 1988, 109 p.

13. Boella G., Di Caro L., Leone V. Semi-automatic knowledge population in a legal document management system. Artificial Intelligence and Law, vol. 27, no. 2, 2019, pp. 227–251.

14. Boucher J. Le projet Datum: Recherche sur un instrument de recherché. La Revue juridique Thémis, vol. 6, no. 1, 1971, pp. 31–49. (in French).

15. Buchanan B.G., Headrick T.E. Some speculation about artificial intelligence and legal reasoning. Stanford Law Review, vol. 23, no. 1, 1970, pp. 40–62.

16. Bundesministerium der Justiz (Hrsg.). Das Juristische Informationssystem. Analyse, Planung, Vorschläge. Karlsruhe: Verlag C. F. Müller, 1972. (in German).

17. Casanovas P., Binefa i Valls X., Gracia C., Teodoro E., Galera N., Blázquez M., Poblet M., Carrabina J., Monton M., Montero C., Serrano J., López-Cobo J.M. The e-Sentencias prototype: A procedural ontology for legal multimedia applications in the Spanish civil courts. In Breuker J., Casanovas P., Klein M.C.A., Francesconi E. (eds.). Law, Ontologies and the Semantic Web: Channelling the Legal Information Flood, Amsterdam, IOS Press, 2009, pp. 199–219.

18. Dadgostari F., Guim M., Beling P.A., Livermore M.A., Rockmore D.N. Modeling law search as prediction. Artificial Intelligence and Law, 2020, pp. 1–32. Available at: https://link.springer.com/article/10.1007%2Fs10506-020-09261-5.

19. Давыденко В.К. Теоретические проблемы социально-правовой эффективности автоматизированных информационно-поисковых систем правовой информации. Автореф. дис. <…> канд. юрид. наук. М., 1980 г., 16 стр. / Davydenko V.K. Theoretical problems of social and legal effectiveness of automated information retrieval systems of legal information. Abstract of the dissertation of the candidate of legal sciences, Moscow, 1980 (in Russian).

20. Деев А.Ф., Гальперин Л.Б., Иванов Ю.Т. Кибернетика и опыт решения некоторых правовых задач. Советское государство и право, № 10, 1964, с. 81–90. / Deev A.F., Gal’perin L.B., Ivanov Yu.T. Cybernetics and experience in solving some legal problems. Soviet State and Law, no. 10, 1964 г., pp. 81–90 (in Russian).

21. Дубровин И.С. Информационно-поисковые системы отечественных, зарубежных и международных служб правоохранительных органов в борьбе с преступностью. Дис. <…> канд. юрид. наук. М., 2007 г., 192 стр. / Dubrovin I.S. Information retrieval systems of domestic, foreign and international law enforcement agencies in the fight against crime. Dissertation of the candidate of legal sciences, Moscow, 2007 (in Russian).

22. Dung P.M. On the acceptability of arguments and its fundamental role in nonmonotonic reasoning, logic programming and n-person games. Artificial Intelligence, vol. 77, no. 2, 1995, pp. 321–357.

23. Dung P.M., Son T.C. An argument-based approach to reasoning with specificity. Artificial Intelligence, vol. 133, no. 1–2, 2001, pp. 35–85.

24. Dung P.M., Kowalski R.A., Toni F. Dialectic proof procedures for assumption-based, admissible argumentation. Artificial Intelligence, vol. 170, no. 2, 2006, pp. 114–159.

25. Dunn M., Sagun L., Şirin H., Chen D. Early predictability of asylum court decisions. In Proc. of the 16th International Conference on Artificial Intelligence and Law (ICAIL’17), 2017, pp. 233–236.

26. Эджубов Л.Г. Использование некоторых методов и средств кибернетики в дактилоскопии. Дис. <…> канд. юрид. наук. М., 1962 г., 274 стр. / Ehdzhubov L.G. Using some methods and means of cybernetics in fingerprinting. Dissertation of the candidate of legal sciences, Moscow, 1962. (in Russian).

27. Эджубов Л.Г., Литинский С.А. Результаты и перспективы применения ЭВМ в судебно-автотехнической экспертизе. Вопросы кибернетики, вып. 40, 1977 г., стр. 118–131 / Ehdzhubov L.G., Litinskii S.A. Results and prospects for the use of computers in criminalistics automotive expertise. In Cybernetics Issues, issue 40, 1977, pp. 118–131 (in Russian).

28. Eldridge W.B. The American Bar Foundation project. MULL: Modern Uses of Logic in Law, vol. 6, no. 3, 1965, pp. 129–131.

29. Гафинова И.Н., Литвинова Л.О., Москвин С.С., Трофимова И.В. Режим и порядок работы ИПС «Право-1». Правовая кибернетика. Сборник статей. М., Наука, 1973 г., стр. 43–54 / Gafinova I.N., Litvinova L.O., Moskvin S.S., Trofimova I.V. The mode and operating procedure of the ILS “Pravo-1”. In Legal Cybernetics: A Collection of Articles, Moscow, Science, 1973, pp. 43–54 (in Russian).

30. García R., Delgado J. An ontological approach for the management of Rights Data Dictionaries. In Legal Knowledge and Information Systems (JURIX’2005), Amsterdam, IOS Press, 2005, pp. 137–146.

31. García-Constantino M., Atkinson K., Bollegala D., Chapman K., Coenen F., Roberts C., Robson K. CLIEL: Context-based information extraction from commercial law documents. In Proc. of the 16th International Conference on Artificial Intelligence and Law (ICAIL’17), 2017, pp. 79–87.

32. Гаврилов О.А., Панкратов В.В., Эджубов Л.Г. Обсуждение использования методов статистики в юридической науке. Советское государство и право, № 10, 1966 г., стр. 159–160 / Gavrilov O.A., Pankratov V.V., Ehdzhubov L.G. Discussion of the application of statistical methods in legal science. Soviet State and Law, no. 10, 1966, pp. 159–160 (in Russian).

33. Гегечкори Л.А., Шмелев А.А. Задачи совершенствования поискового аппарата автоматизированных информационно-поисковых систем по законодательству. Правовая информатика. Сборник. М., вып. 1, 1996 г., стр. 63–69 / Gegechkori L.A., Shmelev A.A. The objectives of improving the search for automated legal retrieval systems. In Legal Informatics: A Collection, Moscow, issue 1, 1996, pp. 63–69 (in Russian).

34. Gelbart D., Smith J.C. FLEXICON: An evaluation of a statistical ranking model adapted to intelligent legal text management. In Proc. of the 4th International Conference on Artificial Intelligence and Law (ICAIL’93), 1993, pp. 142–151.

35. Gifford M. LexrideLaw: An argument based legal search engine. In Proceedings of the 16th International Conference on Artificial Intelligence and Law (ICAIL’17), 2017, pp. 271–272.

36. Гиринский В.Е., Журавлев В.А., Кулешов В.П., Резников В.Б. О применении ЭВМ для учета и обработки данных о лицах, задержанных за бродяжничество и попрошайничество. Применение математических методов и вычислительной техники в праве, криминалистике и судебной экспертизе. Материалы симпозиума. М., 1970 г., стр. 80–81 / Girinskii V.E., Zhuravlev V.A., Kuleshov V.P., Reznikov V.B. On the use of computers for recording and processing data on persons detained for vagrancy and begging. In Application of Mathematical Methods and Computer Technology in Law, Criminalistics and Criminalistics Expertise: Proceedings of the Symposium, Moscow, 1970, pp. 80–81 (in Russian).

37. Головчанский А.В. Применение компьютерного моделирования при установлении обстоятельств дорожно-транспортных происшествий. Обеспечение прав и законных интересов граждан в деятельности органов дознания и предварительного следствия. Сборник статей. Орел, ОрЮИ МВД России имени В. В. Лукьянова, 2018 г., стр. 54–64. / Golovchanskii A.V. The use of computer modeling to establish the circumstances of traffic accidents. In Ensuring the Rights and Legitimate Interests of Citizens in the Activities of Bodies of Inquiry and Investigation: A Collection of Articles, Oryol, Oryol Law Institute of the Ministry of Internal Affairs of Russia, 2018, pp. 54–64 (in Russian).

38. Grabmair M. Predicting trade secret case outcomes using argument schemes and learned quantitative value effect tradeoffs. In Proc. of the 16th International Conference on Artificial Intelligence and Law (ICAIL’17), 2017, pp. 89–98.

39. Грановский Г.Л., Пименов Н.Ф., Эджубов Л.Г. Использование математических методов и электронно-вычислительных машин в трасологической экспертизе. Проблемы и практика трасологических и баллистических исследований. М., ВНИИСЭ, 1976 г., стр. 25–42 / Granovskii G.L., Pimenov N.F., Ehdzhubov L.G. The use of mathematical methods and electronic computers in trasological examination. In Problems and Practice of Trasological and Ballistic Research, Moscow, All-Union Research Institute for Criminalistics Expert Examination, 1976, pp. 25–42 (in Russian).

40. Griffo C., Almeida J.P.A., Guizzardi G. A pattern for the representation of legal relations in a legal core ontology. In Legal Knowledge and Information Systems (JURIX’2016), Amsterdam, IOS Press, 2016, pp. 191–194.

41. Hachey B., Grover C. Automatic legal text summarization: experiments with summary structuring. In Proc. of the 10th International Conference on Artificial Intelligence and Law (ICAIL’2005), 2005, pp. 75–84.

42. Hafner C.D. Representation of knowledge in a legal information retrieval system. In Proc. of the 3rd Annual ACM Conference on Research and Development in Information Retrieval (SIGIR’80), 1981, pp. 139–153.

43. Harrington W.G., Wilson H.D., Bennett R.N. The Mead Data Central system of computerized legal research. Law Library Journal, vol. 64, no. 2, 1971, pp. 185–189.

44. Hoppenfeld E.C. Law Research Service/Inc. MULL: Modern Uses of Logic in Law, vol. 7, no. 1, 1966, pp. 46–52.

45. Horty J.F. Experience with the application of electronic data processing systems in general law. MULL: Modern Uses of Logic in Law, vol. 2, no. 4, 1960, pp. 158–168.

46. Horty J.F. The «key words in combination» approach. MULL: Modern Uses of Logic in Law, vol. 3, no. 1, 1962, pp. 54–64.

47. Каримов В.Х. Автоматизированные информационно-поисковые системы криминалистического назначения: современное состояние, тенденции и перспективы развития. М., Юрлитинформ, 2014 г.. 151 стр. / Karimov V.Kh. Automated criminalistics information retrieval systems: current status, trends and development prospects, Moscow, Yurlitinform, 2014 (in Russian).

48. Каск Л.И. О некоторых вопросах информационного языка для права. Вестник Ленинградского университета. Серия экономики, философия и права, вып. 2, № 11, 1961 г., стр. 135–138. / Kask L.I. Concerning some issues of information language for law. Bulletin of the Leningrad University. Series: Economics, Philosophy and Law, issue 2, no. 11, 1961, pp. 135–138 (in Russian).

49. Kehl W.B., Horty J.F., Bacon C.R.T., Mitchell D.S. An information retrieval language for legal studies. Communications of the ACM, vol. 4, no. 9, 1961, pp. 380–389.

50. Керимов Д.А. Об использовании кибернетических машин в процессе кодификации советского права. Вопросы кодификации советского права. Л., Издательство Ленинградского. университета, вып. 3, 1960 г., стр. 121–123. / Kerimov D.A. On the use of cybernetic machines in the codification of Soviet law. In Issues of Codification of Soviet Law, Leningrad, Leningrad University, issue 3, 1960, pp. 121–123 (in Russian).

51. Kerimov D.A. Future applicability of cybernetics to jurisprudence in the USSR. MULL: Modern Uses of Logic in Law, vol. 4, no. 4, 1963, pp. 153–162.

52. Керимов Д.А. Право и кибернетика. Советское государство и право, № 9, 1964 г., стр. 86–94 / Kerimov D.A. Law and cybernetics. Soviet State and Law, no. 9, 1964, pp. 86–94 (in Russian).

53. Керимов Д.А. О справочно-информационной службе в области права. Вопросы кибернетики и право. Сборник статей. М., Наука, 1967 г., стр. 61–83 / Kerimov D.A. Concerning the legal reference service. In Cybernetics and Law: A Collection of Articles, Moscow, Science, 1967, pp. 61–83 (in Russian).

54. Керимов Д.А., Эджубов Л.Г. Как возникла правовая кибернетика. Путь в большую науку: академик Аксель Берг. Сборник статей. М., Наука, 1988 г., стр. 234–243 / Kerimov D.A., Ehdzhubov L.G. The rise of legal cybernetics. In The Path to Big Science: Academician Axel Berg. A Collection of Articles, Moscow, Science, 1988, pp. 234–243 (in Russian).

55. Керимов Д.А., Покровский И.Ф. Опыт использования средств кибернетики для автоматизации информационной службы в области права. Вестник Ленинградского университета. Серия экономики, философии и права, вып. 1, № 5, 1964 г., стр. 121–124 / Kerimov D.A., Pokrovskii I.F. Experience in using cybernetics to automate information services in the field of law. Bulletin of the Leningrad University. Series: Economics, Philosophy and Law, issue 1, no. 5, 1964, pp. 121–124 (in Russian).

56. Хвыля-Олинтер А.И. Использование криминалистической характеристики преступлений в автоматизированных информационно-поисковых системах технико-криминалистического назначения: дис. <…> канд. юрид. наук. М., 1995 г., 225 стр. / Khvylya-Olinter A.I. Using the criminalistics characteristics of crimes in automated information retrieval systems for technical and criminalistics purposes: dissertation of the candidate of legal sciences, Moscow, 1995 (in Russian).

57. Кирюшкин М.В. Алгоритмические преобразования в юриспруденции. Российский юридический журнал, № 4, 2007 г., стр. 34–44 / Kiryushkin M.V. Algorithmic transformations in jurisprudence. Russian Juridical Journal, no. 4, 2007, pp. 34–44 (in Russian).

58. Копылов В.А. Методы комплексного создания и применения динамических автоматизированных информационных систем для обработки слабоформализуемой информации: автореф. дис. <…> д-ра техн. наук. М., 1994 г., 67 стр. / Kopylov V.A. Methods for the integrated creation and use of dynamic automated information systems for processing semi-formalized information: abstract of the dissertation of the doctor of technical sciences, Moscow, 1994 (in Russian).

59. Ковалев С.А. Основы компьютерного моделирования при расследовании преступлений в сфере компьютерной информации: дис. <…> канд. юрид. наук. Волгоград, 2012 г., 259 стр. / Kovalev S.A. Fundamentals of computer modeling in the investigation of crimes in the field of computer information: dissertation of the candidate of legal sciences, Volgograd, 2012 (in Russian).

60. Козинец Б.Н., Ланцман Р.М., Якубович В.А. Криминалистическая экспертиза близких почерков при помощи электронно-вычислительных машин. Доклады АН СССР, том 167, № 5, 1966, с. 1008–1011 / Kozinets B.N., Lantsman R.M., Yakubovich V.A. Criminalistics expert examination of close handwriting using electronic computers. Proceedings of the USSR Academy of Sciences, vol. 167, no. 5, 1966, pp. 1008–1011 (in Russian).

61. Козинец Б.Н., Ланцман Р.М., Якубович В.А. Об одном кибернетическом методе исследования в криминалистической экспертизе почерка. Кибернетика и судебная экспертиза. Вильнюс, Изд-во НИИСЭ, 1966 г, стр. 55–84 / Kozinets B.N., Lantsman R.M., Yakubovich V.A. Concerning one cybernetic research method in the criminalistics expert examination of handwriting. In Cybernetics and Criminalistics Expertise, Vilnius, Research Institute for Criminalistics Expert Examination, 1966, pp. 55–84 (in Russian).

62. Кудрявцев В.Н. О программировании процесса применения норм права. Вопросы кибернетики и право. Сборник статей. М., Наука, 1967 г., стр. 84–99. / Kudryavtsev V.N. Concerning programming the process of applying the rule of law. In Cybernetics and Law: A Collection of Articles, Moscow, Science, 1967, pp. 84–99 (in Russian).

63. Kurcheeva G., Rakhvalova M., Rakhvalova D., Bakaev M. Mining and indexing of legal natural language texts with domain and task ontology. In Proc. of the 5th International Conference on Electronic Governance and Open Society: Challenges in Eurasia (EGOSE’2018), 2019, pp. 123–137.

64. Ларионова Е.Ю., Голодков Ю.Э., Баранов С.А. Использование компьютерного моделирования для установления структуры химических соединений – объектов судебных экспертиз. Деятельность правоохранительных органов в современных условиях. Материалы XVIII международной научно-практической конференции, посвященной 20-летию образования института. Иркутск, Вост.-Сибир. ин-т МВД России, 2013 г, стр. 265–269. / Larionova E.Yu., Golodkov Yu.Eh., Baranov S.A. Using computer modeling to establish the structure of chemical compounds – objects of criminalistics expertise. In The activities of law enforcement agencies in modern conditions: Proc. of the 18th International Scientific and Practical Conference Dedicated to the 20th Anniversary of the Institute, Irkutsk, East Siberian Institute of the Ministry of Internal Affairs of Russia, 2013, pp. 265–269 (in Russian).

65. Lawford H. QUIC/LAW: Project of Queens’ University. In Automated Law Research: A Collection of Presentations Delivered at the 1st National Conference on Automated Law Research. Chicago: ABA, 1973, pp. 67–93.

66. Leimdörfer M. IMDOC. A computerized information retrieval system used by two governments in Europe. Law and Computer Technology, vol. 6, 1973, pp. 75–77.

67. Леонов И.Н. Использование автоматизированных информационно-поисковых систем в раскрытии и расследовании преступлений, совершенных с применением огнестрельного оружия: дис. <…> канд. юрид. наук. М., 2006 г.. 172 стр. / Leonov I.N. The use of automated information retrieval systems in the detection and investigation of crimes committed with the use of firearms: dissertation of the candidate of legal sciences, Moscow, 2006 (in Russian).

68. Лепихова Д.Н., Гудков В.Ю., Кирсанова А.А. Обзор современных моделей представления дактилоскопических изображений. Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика, том 7, № 1, 2018 г., стр. 40–59 / Lepikhova D.N., Gudkov V.Yu., Kirsanova A.A. An overview of fingerprint description models. Bulletin of the South Ural State University. Series: Computational Mathematics and Software Engineering, vol. 7, no. 1, 2018, pp. 40–59 (in Russian).

69. Libal T., Steen A. NAI – the normative reasoner. In Proc. of the 17th International Conference on Artificial Intelligence and Law (ICAIL’19), 2019, pp. 262–263.

70. Lippi M., Pałka P., Contissa G., Lagioia F., Micklitz H.-W., Sartor G., Torroni P. CLAUDETTE: An automated detector of potentially unfair clauses in online terms of service. Artificial Intelligence and Law, vol. 27, no. 2, 2019, pp. 117–139.

71. Loevinger L. Jurimetrics. The next step forward. Minnesota Law Review, vol. 33, no. 5, 1949, pp. 455–493.

72. Losano M.G. Giuscibernetica. Macchine e modelli cibernetici nel diritto. Torino, G. Einaudi, 1969 (in Italian).

73. Mackaay E. La création d’un thésaurus bilingue pour DATUM. La Revue juridique Thémis, vol. 6, no. 1, 1971, pp. 51–67 (in French).

74. Макаров И.Ю., Светлаков А.В., Сотин А.В., Шигеев С.В., Гусаров А.А., Смиренин С.А., Емелин В.В., Страгис В.Б., Фетисов В.А. Эффективность использования современных компьютерных технологий в клинической практике и перспективы применения биомеханических 3D-моделей в судебной медицине. Судебно-медицинская экспертиза, том 61, № 2, 2018 г, стр. 58–64. / Makarov I.Yu., Svetlakov A.V., Sotin A.V., Shigeev S.V., Gusarov A.A., Smirenin S.A., Emelin V.V., Stragis V.B., Fetisov V.A. The efficiency of the application of the modern computed technologies in the clinical practice and the prospects for the further use of the biomechanical 3D-models in forensic medicine. Forensic Medical Expertise, vol. 61, no. 2, 2018, pp. 58–64 (in Russian).

75. Maurushat A., Moses L.B., Vaile D. Using “big” metadata for criminal intelligence: Understanding limitations and appropriate safeguards. In Proc. of the 15th International Conference on Artificial Intelligence and Law (ICAIL’15), 2015, pp. 196–200.

76. McCarty L.T. Reflections on Taxman: An experiment in artificial intelligence and legal reasoning. Harvard Law Review, vol. 90, no. 5, 1977, pp. 837–893.

77. McCarty L.T. Intelligent legal information systems: Problems and prospects. Rutgers Computer and Technology Law Journal, vol. 9, no. 2, 1983, pp. 265–294.

78. McCarty L.T., Sridharan N.S. The representation of an evolving system of legal concepts: II. Prototypes and deformations. In Proc. of the 7th International Joint Conference on Artificial Intelligence (IJCAI’81), 1981, vol. I, pp. 246–253.

79. McGinnis J.O., Stein B. Originalism, hypothesis testing and big data. In Proc. of the 15th International Conference on Artificial Intelligence and Law (ICAIL’15), 2015, pp. 201–205.

80. Mehl L. Automation in the legal world: From the machine processing of legal information to the «law machine». In Mechanization of Thought Processes: Proc. of a Symposium Held at the National Physical Laboratory: National Physical Laboratory Symposium № 10, London: H. M. Stationery Office, 1959, vol. II, pp. 758–759.

81. Melton J.S. The «semantic coded abstract» approach. MULL: Modern Uses of Logic in Law, vol. 3, no. 1, 1962, pp. 48–54.

82. Melton J.S., Bensing R.C. Searching legal literature electronically: Results of a test program. Minnesota Law Review, vol. 45, no. 2, 1960, pp. 229–248.

83. Metsker O., Trofimov E., Grechishcheva S. Natural language processing of Russian court decisions for digital indicators mapping for oversight process control efficiency: Disobeying a police officer case. In Proc. of the 6th International Conference on Electronic Governance and Open Society: Challenges in Eurasia (EGOSE’2019), 2020, pp. 295–307.

84. Metsker O. , Trofimov E., Petrov M., Butakov N. Russian court decisions data analysis using distributed computing and machine learning to improve lawmaking and law enforcement. In Proc. of the 8th International Young Scientist Conference on Computational Science (YSC’2019), 2019, pp. 264–273.

85. Metsker O., Trofimov E., Sikorsky S., Kovalchuk S. Text and data mining techniques in judgment open data analysis for administrative practice control. In Proc. of the 5th International Conference on Electronic Governance and Open Society: Challenges in Eurasia (EGOSE’2018), 2019, pp. 169–180.

86. Morgan R.T. The «point of law» approach. MULL: Modern Uses of Logic in Law, vol. 3, no. 1, 1962, pp. 44–48.

87. Mozina M., Zabkar J., Bench-Capon T., Bratko I. Argument based machine learning applied to law. Artificial Intelligence and Law, vol. 13, no. 1, 2005, pp. 53–73.

88. Nanda R., Siragusa G., Caro L.D., Boella G., Grossio L., Gerbaudo M., Costamagna F. Unsupervised and supervised text similarity systems for automated identification of national implementing measures of European directives. Artificial Intelligence and Law, vol. 27, no. 2, 2019, pp. 199–225.

89. Немчин Д.И. Методические основы применения информационных компьютерных технологий в судебно-баллистической экспертизе: дис. <…> канд. юрид. наук. М., 2002 г., 161 стр. / Nemchin D.I. Methodological foundations of the use of information computer technologies in ballistic examination: dissertation of the candidate of legal sciences, Moscow, 2002 (in Russian).

90. Niblett G.B.F., Price N.H. Mechanized searching of acts of Parliament. Information Storage and Retrieval, vol. 6, no. 3, 1970, pp. 289–297.

91. Ножов И.М. Графематический и морфологический модули для решения задач автоиндексации текстов. Правовая информатика. Сборник. М., НЦПИ, 2001 г., стр. 49–55 / Nozhov I.M. Graphematical and morphological modules for solving problems of text auto-indexing. In Legal Informatics: A Collection, Moscow, Scientific Center of Legal Information, 2001, pp. 49–55 (in Russian).

92. Олейников В.Т. Автоматизация процесса поиска в портретных учетах по измерительным признакам внешности. Вопросы совершенствования деятельности органов внутренних дел, Тезисы выступлений на I межвузовской научно-практической конференции адъюнктов и соискателей во ВНИИ МВД СССР. М., 1978 г., стр. 153–155. / Oleinikov V.T. Automation of the search process in portrait accounts by measuring signs of appearance. In Issues of Improving the Activities of the Internal Affairs Bodies. Abstracts of Speeches at the 1st Interuniversity Scientific and Practical Conference of Adjuncts and Applicants at the All-Union Scientific Research Institute of the USSR Ministry of Internal Affairs, Moscow, 1978, pp. 153–155 (in Russian).

93. Овчинский А.С. Оперативно-разыскная аналитика на пути к искусственному интеллекту. Актуальные проблемы теории оперативно-розыскной деятельности. Cборник научных трудов. М., Инфра-М, 2017 г., стр. 364–393 / Ovchinskii A.S. Operational investigative analytics on the way to artificial intelligence. In Actual Problems of the Theory of Operational Investigative Activity: A Collection of Scientific Papers, Moscow, Infra-M, 2017, pp. 364–393 (in Russian).

94. Парфентьев А.Л. Проблемы создания комплекса алгоритмов и программ отображения и оценки смысла юридических установлений в правовой автоматизированной информационной системе. Правовая информатика. Сборник. М., ЦНПИ, вып. 3, 1998 г., стр. 111–124 / Parfent’ev A.L. Problems of creating a complex of algorithms and programs for displaying and evaluating the meaning of legal institutions in a legal automated information system. In Legal Informatics: A Collection, Moscow, Scientific Center of Legal Information, 1998, issue 3, pp. 111–124 (in Russian).

95. Полевой Н.С., Шляхов А.Р., Эджубов Л.Г. Использование кибернетики и математических методов в судебной экспертизе. Правоведение, № 6, 1972 г., стр. 124–131 / Polevoi N.S., Shlyakhov A.R., Ehdzhubov L.G. The use of cybernetics and mathematical methods in criminalistics expertise. Jurisprudence, no. 6, 1972, pp. 124–131 (in Russian).

96. Popple J. A pragmatic legal expert system. Aldershot, Dartmouth, 1996, 406 p.

97. Prakken H. Reconstructing Popov v. Hayashi in a framework for argumentation with structured arguments and Dungean semantics. Artificial Intelligence and Law, vol. 20, no. 1, 2012, pp. 57–82.

98. Prakken H., Sartor G. A dialectical model of assessing conflicting arguments in legal reasoning. Artificial Intelligence and Law, vol. 4, no. 3–4, 1996, pp. 331–336.

99. Prestel B.M. CREDOC: Centre de documentation juridique Bruxelles. In Materialien zur Rechtsinformatik. Folg 1: Länderberichte USA, Schweden; Dokumentationssysteme CREDOC, UNIDATA; Bibliographie. Frankfurt am Main: Alfred Metzner Verlag, 1971, s. 55–70 (in German).

100. Рашитов Р.С. Система автоматической дактилоскопической регистрации на базе специализированной ЭВМ «Минск-100». Проблемы правовой кибернетики. Материалы симпозиума. М., 1968 г., стр. 218–220. / Rashitov R.S. Automatic fingerprint registration system based on specialized computer «Minsk-100». In Problems of Legal Cybernetics: Symposium Proceedings, Moscow, 1968, pp. 218–220 (in Russian).

101. Rissland E.L., Ashley K.D. HYPO: A precedent-based legal reasoner. Amherst, University of Massachusetts, 1987, 25 p.

102. Rissland E.L., Skalak D.B. CABARET: Rule interpretation in a hybrid architecture. International Journal of Man-Machine Studies, vol. 34, no. 6, 1991, pp. 839–887.

103. Rissland E.L., Daniels J.J., Rubinstein Z.B., Skalak D.B. Case-based diagnostic analysis in a blackboard architecture. In Proc. of the 11th National Conference on Artificial Intelligence (AAAI’93), 1993, pp. 66–72.

104. Rissland E.L., Skalak D.B., Friedman M.T. BankXX: Supporting legal arguments through heuristic retrieval. Artificial Intelligence and Law, vol. 4, no. 1, 1996, pp. 1–71.

105. Rissland E.L., Skalak D.B., Friedman M.T. Evaluating a legal argument program: The BankXX experiments. Artificial Intelligence and Law, vol. 5, no. 1–2, 1997, pp. 1–74.

106. Rubin J.S. LEXIS has made computer-assisted legal research in the United States a practical reality. Law and Computer Technology, vol. 7, no. 2, 1974, pp. 34–50.

107. Sanders K.E. CHIRON: Planning in an open-textured domain. Artificial Intelligence and Law, vol. 9, no. 4, 2001, pp. 225–269.

108. Saravanan M., Ravindran B., Raman S. Using legal ontology for query enhancement in generating a document summary. In Proc. of the Twentieth Annual Conference on Legal Knowledge and Information Systems (JURIX 2007), 2007, pp. 171–172.

109. Savelka J., Ashley K.D. Transfer of predictive models for classification of statutory texts in multijurisdictional settings. In Proc. of the 15th International Conference on Artificial Intelligence and Law (ICAIL’15), 2015, pp. 216–226.

110. Schank R.C., Kolodner J.L., DeJong G. Conceptual information retrieval. In Proc. of the 3rd Annual ACM Conference on Research and Development in Information Retrieval (SIGIR’80), 1981, pp. 94–116.

111. Schweighofer E., Winiwarter W. Legal expert system KONTERM – Automatic representation of document structure and contents. In Database and Expert Systems Applications: 4th International Conference (DEXA’93), 1993, pp. 486–497.

112. Шахтарина Н.И. Применение вероятностно-статистических методов оценки в судебно-почерковедческой экспертизе. Проблемы правовой кибернетики. Материалы симпозиума. М., 1968 г., стр. 181–184 / Shakhtarina N.I. The use of probabilistic and statistical assessment methods in criminalistics handwriting examination. In Problems of Legal Cybernetics: Symposium Proceedings, Moscow, 1968, pp. 181–184 (in Russian).

113. Щербинин А.И., Юрьев В.П. Опыт разработки, внедрения и эксплуатации автоматизированных информационно-поисковых систем по учету автотранспортных средств в ГАИ. Пособие. М., изд-во ВНИИ БД МВД СССР, 1978 г., 71 стр. / Shcherbinin A.I., Yur’ev V.P. Experience in the development, implementation and operation of automated information retrieval systems for the registration of vehicles in the traffic police: a manual, Moscow: All-Union Research Institute for Traffic Safety of the Ministry of Internal Affairs of the USSR, 1978, 71 p. (in Russian).

114. Шляхов А.Р., Эджубов Л.Г. Современное состояние и некоторые проблемы использования кибернетики в праве. Советское государство и право, no. 6, 1965 г., стр. 83–92 / Shlyakhov A.R., Ehdzhubov L.G. Current status and some problems of the use of cybernetics in law. Soviet State and Law, no. 6, 1965, pp. 83–92 (in Russian).

115. Stevens C., Barot V., Carter J. The next generation of legal expert systems – New dawn or false dawn? In Proc. of the International Conference on Innovative Techniques and Applications of Artificial Intelligence, 2011, pp. 439–452.

116. Stranieri A., Zeleznikow J. The SPLIT-UP System: Integrating neural networks and rule-based reasoning in the legal domain. In Proc. of the 5th International Conference on Artificial Intelligence and Law (ICAIL’95), 1995, pp. 185–194.

117. Stranieri A., Zeleznikow J., Gawler M., Lewis B. A hybrid-neural approach to the automation of legal reasoning in the discretionary domain of family law in Australia. Artificial Intelligence and Law, vol. 7, no. 2–3, 1999, pp. 153–183.

118. Судохолов А.П., Кузнецова И.А. Коррупция: механизмы развития, способы профилактики (опыт компьютерного моделирования с применением численных методов). Вестник Российского университета дружбы народов. Серия: Математика, информатика, физика, том 26, no. 2, 2018 г., стр. 183–193 / Sudokholov A.P., Kuznetsova I.A. Corruption: development mechanisms, ways of prevention (experience of computer modeling with application of numerical methods). RUDN Journal of Mathematics, Information Science and Physics Series, vol. 26, no. 2, 2018, pp. 183–193 (in Russian).

119. Tapper C. Feasibility study of the retrieval of legal information from two types of natural language text. Research report № 5062, Oak Ridge: Office for Scientific and Technical Information, 1969.

120. Tapper C. Legal information retrieval by computer: Applications and implications. McGill Law Journal, vol. 20, no. 1, 1974, pp. 26–43.

121. Tapper C.F. British experience in legal information retrieval. MULL: Modern Uses of Logic in Law, vol. 5, no. 4, 1964, pp. 127–134.

122. Ткаченко К.И. Автоматизированная информационная система формирования фактографических данных и ее применение для криминалистики, инновации и обучения: дис. <…> канд. техн. наук. М., 2017 г., 263 стр. / Tkachenko K.I. Automated information system for the formation of factual data and its application for criminalistics, innovation and training: dissertation of the candidate of technical sciences, Moscow, 2017 (in Russian).

123. Tong R.M., Appelbaum L.A. Conceptual information retrieval using RUBRIC. In Proc. of the 10th Annual International ACM-SIGIR Conference on Research and Development in Information Retrieval, 1987, pp. 247–253.

124. Tong R.M., Appelbaum L.A. Experiments with interval-valued uncertainty. In Proc. of the Second Annual Conference on Uncertainty in Artificial Intelligence, 1988, pp. 63–75.

125. Tong R.M., Aksman V. N., Cunningham J.F., Tollander C.J. RUBRIC: An environment for full text information retrieval. In Proc. of the 8th Annual International ACM-SIGIR Conference on Research and Development in Information Retrieval, 1985, pp. 243–251.

126. Torrisi A., Bevan R., Atkinson K., Bollegala D., Coenen F. Automated bundle pagination using machine learning. In Proc. of the 17th International Conference on Artificial Intelligence and Law (ICAIL’19), New York: ACM, 2019, pp. 244–248.

127. Трофимов Е.В., Мецкер О.Г. Право и искусственный интеллект: опыт разработки вычислительной методологии для анализа и оценки качественных изменений в законодательстве и правоприменительной практике (на примере статьи 20.4 Кодекса Российской Федерации об административных правонарушениях). Право и политика, no. 8, 2019 г., стр. 1–17 / Trofimov E.V., Metsker O.G. Law and artificial intelligence: the experience of computational methodology for analyzing and assessing quantitative changes in legislation and law enforcement practice (on the example of the article 20. 4 of the Code of the Russian Federation on Administrative Offenses). Law and Politics, no. 8, 2019, pp. 1–17 (in Russian).

128. Troy F.J. Ohio Bar Automated Research – A practical system of computerized legal research. Jurimetrics Journal, vol. 10, no. 2, 1969, pp. 62–69.

129. Трусов А.И. Судебное доказывание в свете идей кибернетики. Вопросы кибернетики и право. М., Наука, 1967 г., стр. 20–35 / Trusov A.I. Judicial proof in the light of cybernetics. In Cybernetics and Law Issues, Moscow, Science, 1967, pp. 20–35 (in Russian).

130. Valente A., Breuker J. Making ends meet: Conceptual models and ontologies in legal problem solving. In Proc. of the XI Brazilian Symposium on Artificial Intelligence (SBIA’94), 1994, pp. 395–410.

131. Васильев В.В., Грачева А.В., Родионов А.И., Блеканов И.С. Графовые методы выявления семантически значимых текстов судебных решений. Процессы управления и устойчивость, т. 6, no. 1, 2019 г., стр. 234–239 / Vasil’ev V.V., Gracheva A.V., Rodionov A. I., Blekanov I.S. Graph methods for identifying semantically significant texts of court decisions. Control Processes and Stability, vol. 6, no. 1, 2019, pp. 234–239 (in Russian).

132. Вехов В.Б. Применение информационных систем специального назначения в раскрытии и расследовании преступлений. Оперативно-разыскное право. Сборник статей. Волгоград, Волгоград. акад. МВД России, 2013 г., стр. 26–32. / Vekhov V.B. The application of special-purpose information systems in the disclosure and investigation of crimes. In Operational Investigative Law: Collection of Articles, Volgograd, Volgograd Academy of the Ministry of Internal Affairs of Russia, 2013, pp. 26–32 (in Russian).

133. Ветров А.Г. Основные проектные решения АИПС «Законодательство» – первой отечественной справочной правовой системы. Правовой мониторинг. М., ФГУ НПЦИ при Минюсте России, вып. 11, 2010 г., стр. 12–17 / Vetrov A.G. The main design decisions «AIRS-Legislation» – the first domestic reference legal system. In Legal Monitoring, Moscow: Scientific Center of Legal Information under the Ministry of Justice of Russia, 2010, issue 11, pp. 12–17 (in Russian).

134. Вул С.М. Статистическое исследование текстов с помощью ЭВМ и дисплея в целях установления авторства. Применение ЭВМ в судебно-экспертных исследованиях и поиск правовой информации. М., ВНИИСЭ, 1975 г., стр. 227–233 / Vul S.M. Statistical study of texts using computers and display in order to establish authorship. In The Use of Computers in Criminalistics Expert Examination and the Search for Legal Information, Moscow, All-Union Research Institute for Criminalistics Expert Examination, 1975, pp. 227–233 (in Russian).

135. Walker R.F., Oskamp A., Schrickx J.A., Opdorp G.J., van den Berg P.H. PROLEXS: Creating law and order in a heterogeneous domain. International Journal of Man-Machine Studies, vol. 35, no. 1, 1991, pp. 35–68.

136. Wegstein J.H. A computer oriented single-fingerprint identification system. Technical Note 443; National Bureau of Standards, U.S. Department of Commerce, 1969.

137. Юсупов С.Н. Информационно-поисковый язык по законодательству: автореф. дис. <…> канд. юрид. наук. М., 1974 г.. 20 стр. / Yusupov S.N. Legislative information retrieval language: abstract of the dissertation of the candidate of legal sciences, Moscow, 1974. (in Russian).

138. Zeng Y., Wang R., Zeleznikow J., Kemp E. A knowledge representation model for the intelligent retrieval of legal cases. International Journal of Law and Information Technology, vol. 15, no. 3, 2007, pp. 299–319.

139. Zhong L., Zhong Z., Zhao Z., Wang S., Ashley K.D., Grabmair M. Automatic summarization of legal decisions using iterative masking of predictive sentences. In Proc. of the 17th International Conference on Artificial Intelligence and Law (ICAIL’19), 2019, pp. 163–172.

140. Зинин А.М., Крымский Н.К., Снетков В.А., Файн В.С. Исследование возможностей портретной идентификации с использованием средств электронно-вычислительной техники. Применение математических методов и вычислительной техники в праве, криминалистике и судебной экспертизе: материалы симпозиума. М., 1970 г., стр. 158–160 / Zinin A.M., Krymskii N.K., Snetkov V.A., Fain V.S. The study of the possibilities of portrait identification using electronic computers. In The Application of Mathematical Methods and Computer Technology in Law, Criminalistics and Criminalistics Expertise: Proceedings of the Symposium, Moscow, 1970, pp. 158–160 (in Russian).

Возможности использования информационных компьютерных технологий в научной работе учащихся старших классов

Во все времена среди людей пользовались особым уважением и вниманием те, кто с интересом относился к окружающему миру и пытался постичь его тайны, подчинить силы природы, раскрыть самые необычные тайны и явления. В древние века труды мыслителей записывали их ученики и последователи, что давало возможность поколениям будущих учёных познакомиться с мнением наиболее известных философов, математиков и естествоиспытателей. Но такой путь познания мира и развития наук был очень медленным и односторонним [1, 2]. После мрачного периода средневековья, когда научные исследования и люди, желающие познать мир, подвергались жестоким гонениям со стороны инквизиции и церкви, наступил период Возрождения и расцвета научной мысли. Окружающий мир стали исследовать и постигать с помощью таких методов как опыт и наблюдение [7]. Но и в этом случае значимые и принятые широким научным сообществом труды учёных содержали больше описаний и предположений, не имея чёткой доказательной базы для выводов и решений. В XVI-XVIII веках учёные стали использовать и совершенствовать математические расчёты получаемых данных. Это изменило науку, сделало возможным получение одних и тех же результатов при правильной постановке опытов другими исследователями [11]. В XIX и особенно в ХХ веке для получения данных стали использовать приборы и аппараты. Возросла точность получаемых данных при измерении физических величин или при выполнении химических опытов. Это потребовало более активного внедрения математических методов обработки данных [4, 6, 11].

В ХХ веке сложно было представить научную работу без применения методов описательной и аналитической статистики. Внедрение данных методов обработки результатов исследований сочеталось с бурным развитием и технологий постановки опытов и исследований окружающей среды. По мере накопления знаний совершенствовались подходы к получению информации, внедрялись новые методы изучения окружающего мира и его явлений. Особенно быстро развивались физика, химия, биологические науки и медицина [8, 10, 11].

С началом космической эры и использования энергии атома необходимость точных расчётов возросла в сотни и тысячи раз. И в ХХ веке на помощь учёным пришла цифровая техника и технологии. Первые компьютеры были достаточно примитивны по современным меркам, но они позволили увеличить объём обрабатываемой информации, повысили её точность и облегчили труд учёных [2]. За последние 50 лет компьютерные технологии стремительно развиваются. В наши дни невозможно представить себе ни одного учёного, который бы не использовал информационные ресурсы сети Интернет, не применял бы современные средства и программы для создания и обработки данных [7]. В начале XXI века учёные не только сохраняют и анализируют научные данные, но и активно применяют методы робототехники, автоматизированных систем слежения и получения данных, как на Земле, так и в Космосе. Сегодня создаются специальные программы, способные моделировать развитие того или иного процесса или явления, используя опытные данные. Широко известны программы моделирования изменений климата, распространения инфекционных заболеваний и прогнозирования экономического развития корпораций, стран и рынка ценных бумаг [2, 8].

Для того, чтобы будущее поколение учёных смогло адаптироваться к современным технологиям получения и обработки научных данных, уже со школьной скамьи нужно шире внедрять и учиться использовать современные цифровые технологии и осваивать работу в поисковых и информационных системах [3, 5, 9]. Возможности использования данных технологий при выполнении научных работ школьников является актуальной задачей для преподавателей и для начинающих исследователей.

Цель исследования — определить минимальный спектр и задачи современных цифровых технологий, используемых при выполнении научной работы учащегося в старших классах общеобразовательной школы.

Задачи исследования:

Изучить возможности современных цифровых технологий сохранения, анализа и презентации данных научных исследований.
Определить минимальный спектр современных цифровых технологий, необходимый для выполнения научной работы учащегося средней школы.
Определить точку приложения и возможности цифровых технологий, используемых в научных исследованиях школьников.
Оценить практическую значимость использования современных цифровых информационных технологий при выполнении научных работ учащихся средней школы

Материалы и

методы исследования. Для решения поставленных задач был проведён анализ используемых цифровых технологий, необходимый для выполнения научной работы учащегося по биологии, посвящённой вопросам экологии и использования городских лекарственных растений. В ходе выполнения данной работы были выделены следующие этапы:

1) поиск справочной информации о лекарственных растениях и особенностях экологии современного города;

2) поиск лекарственных растений и формирование банка фотоматериалов с использованием цифровой фотокамеры;

3) исследование степени загрязнения листьев растений пылью и присутствие микроорганизмов;

4) создание базы данных и статистический анализ результатов проведённого исследования;

5) написание и оформление научной работы, содержащей результаты исследований;

6) подготовка к публичному представлению материалов в виде публикации и доклада.

При анализе используемых цифровых технологий определяли основные цели для применения той или иной компьютерной программы, цифровой техники или информационной базы и оценивали возможности школьников старших классов для освоения и практического применения базовых основ той или иной технологии.

Результаты исследования. При знакомстве с современными цифровыми технологиями, используемыми в научных исследованиях, их спектр оказался очень широким и предполагал применение, наряду с самими простыми и широко распространёнными компьютерными программами Microsoft Office, использующиеся с операционной системой Windows, применение в научных целях профессиональных программ для получения исследовательских данных (программируемые микроконтроллеры и устройства с их использованием), а также программ для обработки графических материалов (CorelDraw, PhotoShop, Architect Delux), математической и статистической обработки данных (MatCat, Statistica 6,0) и современных программ для создания баз данных и их обработки (Visual Studio, Delphy, Access и т.

д.) [7, 8, 9] Большинство из перечисленных компьютерных технологий и ресурсов остаются сложными для применения в школьных научных исследованиях, так как требуют достаточно глубоких знаний и умений использования информационных технологий [10]. На этапе получения первичных навыков выполнения научных исследований, применение сложных программ для анализа полученных данных чаще всего делает невозможным получение информации в короткие сроки, в течение учебного года, и снижает интерес к выполнению научного исследования у самого учащегося.

По этой причине при выполнении научной работы учащегося по вопросам биологии и экологии лекарственных растений мы остановились на самых широко доступных и легко используемых компьютерных программах, которые, тем не менее, значительно облегчали обработку данных и позволяли получить первичное впечатление и необходимые базовые навыки по проведению научного исследования.

При проведении различных этапов научной исследовательской работы учащегося старших классов использовали персональный компьютер с пакетом программ операционной системы Windows. Для выполнения исследовательской работы по биологии оказались необходимыми следующие информационные технологии.

На этапе поиска справочной информации о лекарственных растениях и особенностях экологии современного города возникла необходимость изучения не только печатных вариантов литературы и статей по теме работы, но также поиск информации в виде электронных вариантов книг, справочников и статей с использованием ресурсов сети Интернет. Для получения первичной информации на тему избранного исследования достаточно широко использовали информационные справочные ресурсы поисковой системы Google, Yandex и электронной энциклопедии Wikipedia, и информационной базы «Консультант студента» (рис. 1).

Рис. 1. Внешний вид страницы информационной базы «Консультант студента»

При написании работы наряду с печатными материалами использовали цифровые варианты статей из отечественных и иностранных журналов, справочников и имеющихся баз фотоматериалов для идентификации растений (рис. 2, 3, 4).

Рис. 2. Внешний вид страницы Интернет со статьёй из электронного отечественного журнала

Рис. 3. Внешний вид страницы Интернет со статьёй из электронного иностранного журнала, посвящённой лекарственным свойствам ромашки

Рис. 4. Внешний вид страницы Интернет с информацией из электронного справочника лекарственных растений

При создании банка собственных цифровых фотографий растений, найденных в городе, использовали цифровую фотокамеру Canon и полученные фотоматериалы обрабатывали с использованием компьютерной программы Paint, а затем сохраняли в виде рисунков в документах, созданных программой Microsoft Office Word (рис. 5).

Рис. 5. Внешний вид страницы научной работы, созданной в программе Microsoft Office Word

При исследовании степени загрязнения листьев растений пылью и биологическими объектами с помощью светового микроскопа «ЛОМО», получаемую информацию регистрировали с помощью цифровой видеокамеры Levenhuk C130 NG. Обработка полученных видеоматериалов потребовала применения программы Tour view (рис. 6).

Рис. 6. Внешний вид цифровой видеокамеры Levenhuk и персонального компьютера в стадии получения и обработки микроскопического видеоматериала

В последующем все рисунки, сохранённые в цифровом формате JPEG, подвергали обработке с использованием компьютерной программы Paint, и также сохраняли в виде рисунков в документах, созданных программой Microsoft Office Word. Для анализа полученных при исследовании данных первоначально была создана база данных с использованием программы Microsoft Office Ехсel (рис. 7).

Рис. 7. Внешний вид страницы электронной базы данных, созданной с использованием программы Microsoft Office Ехсel

Эта программа позволила собрать все результаты в один документ и облегчила статистический анализ полученных результатов исследования (рис. 8, 9).

Рис. 8. Внешний вид страницы Microsoft Office Ехсel с базой данных и активным окном для определения статистического критерия Т-теста

Рис. 9. Внешний вид страницы Microsoft Office Ехсel с базой данных и активным окном для определения статистического критерия хи-квадрат

В данном случае использовали возможности программы Microsoft Office Ехсel в рамках описательной (количество исследований, средние показатели по группам, стандартное отклонение, максимально и минимальное значение и т. д.), а также методы сравнительной статистики с расчётом таких критериев, как т-тест (аналог критерия Стъюдента) и хи-квадрат с определением уровня значимости различий показателей в сравниваемых группах. Применение автоматизированного подсчёта множества критериев и величин с помощью данной компьютерной программы позволило ускорить и упростить анализ данных исследований. Кроме того, наличие удобной цифровой формы сохранения данных исследований позволяет использовать при необходимости расширения базы данных в рамках дальнейших многоэтапных исследований. При необходимости дополнения имеющихся данных новыми результатами цифровая технология позволяет продолжить формирование базы данных и её модификацию под конкретные задачи без потери качества и объёмов ранее имеющейся и сохранённой информации. Такой способ хранения данных позволяет легко контролировать правильность полученных результатов со стороны научного руководителя и осуществлять контроль за ходом и качеством выполнения работы.

На этапе написания и оформления научной работы, содержащей конкретные полученные результаты исследований, использовали создание текстовых документов с применением программного обеспечения Microsoft Office Word. Создание текстового документа в цифровом формате с помощью печатного редактора сохраняло хорошую разборчивость написанного текста, в отличие от варианта создания аналогового типа документа, при котором немаловажную роль играет разборчивость почерка создателя и корректора. Кроме того, цифровой вариант текстового документа позволял облегчить передачу информации для проверки научному руководителю и её возврат создателю с помощью пересылки частей работы по электронной почте или путём копирования с электронных носителей. При этом цифровой вариант не требовал неоднократной распечатки работы и позволял выполнить её однократно после завершения работы и коррекции текста.

На завершающем этапе научной работы учащегося выполняли подготовку материалов исследования к публичному представлению. В этом случае программное обеспечение Microsoft Office Word использовали для создания печатной работы или макета статьи для публикации в журнале. Кроме того, для публичного представления и защиты результатов исследования использовали создание презентации с ресурсы и возможности компьютерной программы Microsoft Office Power Point (рис. 9).

Рис. 10. Внешний вид страницы Microsoft Office PowerPoint в ходе создания презентации, основанной на результатах проведённого исследования

Работа с данным программным обеспечением позволяла не только достойно представить результаты полученных исследований, но и раскрывала возможности и способности школьника для творчества, графической обработки и создания изображений, схем, диаграмм, а также давала первичные и расширяла приобретённые ранее навыки по анимации текста или рисунков с целью улучшения качества презентации.

Анализируя результаты проведённого исследования напрашивается вывод, что навыки, полученные учащимся старших классов средней школы в ходе проведения, написания и оформления результатов научного исследования учащихся, позволяют их более широко использовать при обучении по основным школьным предметам. Умение работать с графическими и текстовыми материалами, а также с поисковыми информационными системами и цифровыми данными облегчают поиск информации по интересующей теме и сокращают время работы над созданием рефератов, презентаций и докладов по темам школьных занятий. Умение пользоваться автоматизированными системами математической и статистической обработки данных позволяет легче усваивать школьный материал и использовать данные технологии при подготовке к практическим занятиям, а также при выполнении расчётов и оформлении результатов проведённых опытов и лабораторных работ.

Хорошая адаптация школьников, получение базовых навыков грамотного использования компьютерных технологий и знание возможностей того или иного программного обеспечения является хорошей подготовкой для получения качественного высшего образования и в последующем помогает и обеспечивает профессиональный рост.

Заключение. Современные цифровые технологии и информационные системы отличаются широким спектром возможностей, который может быть с успехом использован не только профессионалами, но и учащимися школ для обучения и для освоения базовых навыков выполнения научных работ. Среди множества существующих вариантов программного обеспечения персональных компьютеров для выполнения научной работы учащегося старших классов школы необходимы хорошие навыки работы с такими пакетами программ операционной системы Windows как Microsoft Office Word, Microsoft Office Ехсel, Microsoft Office PowerPoint, Paint, а также умение работать с ресурсами сети Интернет, информационных баз «Консультант студента» и поисковыми системами Google, Yandex и другими.

Поисковые системы и ресурсы Интернет позволяют собрать первичную информацию по направлению научной работы, определить её актуальные вопросы и задачи. Применение возможностей Microsoft Office Ехсel позволяет сформировать электронную базу результатов исследования и произвести их первичный статистический анализ. Программы Microsoft Office Word и Paint учащиеся используют при создании текстовых документов с графическими вставками в ходе оформления результатов исследования и подготовки к их публикации. Для публичного представления научной работы в виде доклада необходимо использовать ресурсы Microsoft Office PowerPoint со встроенными возможностями анимации текста и рисунков.

Применение в ходе научных исследований учащихся более сложных и профессиональных программ по созданию, анализу и представлению результатов исследований можно использовать в тех случаях, когда базовые и расширенные возможности широкодоступных компьютерных программ не удовлетворяют решению поставленных научных целей и задач.

Ранее знакомство с современными цифровыми технологиями поиска, сохранения, обработки, анализа и представления информации и результатов собственных научных исследований расширяет кругозор школьника, легче адаптирует его в условия современной цифровой информационной среды и делает его более активным участником современной жизни.

Литература:

Апатова Н. В. Информационные технологии в школьном образовании.- М.: изд-во РАО., 1994.- 228 с.
Громов Г. Р. Очерки информационной технологии.- М., 1993–149 с.
Информатизация общего среднего образования: Научно-методическое пособие / Под ред. Д. Ш. Матроса.- М.: Педагогическое общество России, 2004.- 384 с
Гомулина Н. Н. Применение новых информационных и телекоммуникационных технологий в школьном образовании. Автореф дисс. канд. пед наук. — М., 2003–16 с.
Селевко А. Г. Современные информационно-технические средства в школе. — М.: Народное образование, 2005–35 с.
Райнев В. А., Трайнев И. В. «Информационные коммуникационные педагогические технологии». — М., 2012. — 184 с.
Глизбург В. И. Применение информационных технологий в процессе преподавания дифференциальной геометрии. Вестник российского университета дружбы народов. Издательство: Российский университет дружбы народов — 2012. — № 4 (5) — С. 23–28.
Григорьев С. Г., Гриншкун В. В. Образовательные электронные издания и ресурсы: Учебно-методическое пособие. — М.: МГПУ, 2006–168 с.
Захарова И. Г. Информационные технологии в образовании / И. Г. Захарова. — М.: Академия, 2007. — 192 с.
Ходакова Н. П. Роль информационных технологий в организации предметно-пространственной среды образовательного учреждения. Психолого-педагогический журнал Гаудеамус. 2013. № 2 (22). С. 36–38
Материалы с сайта eurokid. com.ua. «ИКТ в образовательном процессе»

Особенности цитологической диагностики на современном этапе

Цитологическая диагностика – бурно развивающаяся область, в которой применяются достижения современной биологии и медицины, в т. ч. реализуются возможности компьютерных технологий (обучение, телеконсультации, сканирование всего препарата и др.), молекулярные и молекулярно-генетические методы.

Благодаря телекоммуникациям можно консультировать сложные для диагностики наблюдения на любом расстоянии, врачам отдаленных районов доступны консультации специалистов ведущих учреждений. У врача-консультанта есть возможность консультировать в любом удобном месте (дома, в командировке и др.).

Значительную роль в практике клинического цитолога могут играть методы установления нарушений в геноме (установление генетических особенностей, точечных мутаций, метилирования ДНК и проч,) в т. ч. выполненные с использованием методов АНК – RT-PCR, NASBA и др. , а также выявление с помощью различных модификаций этих методов бактериальных и вирусных инфекций, вызывающих повреждение клеток.

Методы гибридизации in situ: флуоресцентной (FISH), хромогенной (CISH), с серебром (SISH) позволяют установить диагностически и прогностически значимые хромосомные аберрации при различных патологических состояниях, провести дифференциальную диагностику доброкачественных и злокачественных опухолей, определить гистологический тип некоторых опухолей. Существуют молекулярные зонды для диагностики и дифференциальной диагностики гематологических заболеваний, сарком, опухолей нервной ткани, зонды, позволяющие планировать использование адресной (таргетной) терапии.

Возможности метода проточной цитометрии значительно расширились за счет применения моноклональных антител для выявления экспрессии различных антигенов, нередко определяющих характер, гистогенез и прогноз заболевания. Метод находит все большее применение при исследовании лимфатических узлов, жидкостей, пунктатов и соскобов с опухолей.

Биологические микрочипы (биочипы) являются одним из наиболее быстро развивающихся направлений современной биологии. С их помощью можно определять: онкомаркеры, генетическую предрасположенность к различным заболеваниям, экспрессию белков, связанную с определенными генетическими повреждениями, инфекции, индивидуальную чувствительность и устойчивость к лекарственным препаратам.

Одним из наиболее развитых и широко используемых разделов молекулярной диагностики по-прежнему является иммуноморфологическое, в т. ч. иммуноцитохимическое исследование. Оно применяется для определения характера процесса, установления гистологической формы опухоли, верификации первичного очага при метастазах, определения рецепторов, инфекций и других целей.

Выбор метода молекулярной диагностики зависит от задач, стоящих перед клиницистом или цитопатологом, возможности получения материала. С этой целью можно исследовать препараты, приготовленные методом жидкостной цитологии, суспензию клеток из жидкости, мазки, приготовленные традиционным способом, замороженные или зафиксированные (в холодном ацетоне и др. фиксаторах, сохраняющих клетки для иммуноцитохимического исследования), а также участки цитологического препарата, вырезанные с помощью лазерной микродиссекции под контролем микроскопа.

Таким образом, развитие огромного числа новых дополнительных методов приводит к тому, что клиническая цитология становится одной из крупнейших диагностических специальностей. Необходимо дальнейшее развитие цитологических исследований с использованием компьютерных технологий, использование жидкостной цитологии вместо традиционных методов, совершенствование молекулярных методов и возможностей адресной терапии. Клиническое применение высокотехнологичных методов за последнюю декаду значительно возросло, одновременно увеличивается необходимость интеграции знаний профессионалов в каждой области лабораторной медицины, важно принятие коллегиальных решений в сложных диагностических случаях.

Например, цитолог может дать уверенное заключение о наличии трихомонад,элементов гриба, признаков папилломавирусной, герпетической инфекции, бактериального вагиноза и других заболеваний независимо от результатов молекулярных исследований, в то же время при наличии вышеперечисленных инфекционных агентов цитолог может дать информацию о наличии или отсутствии реакции ткани или органа и степени выраженности этой реакции.

При выраженных реактивных изменениях в клетках данные молекулярно-биологического исследования позволяют понять природу этих изменений (хламидийная инфекция, вирусные поражения, гонорея и др.) и не ошибиться, приняв их за дисплазию или рак, выбрать оптимальный алгоритм цитологических и молекулярных исследований для уточнения диагноза, при использовании жидкостной цитологии – из того же материала.

Безусловно, важными факторами успешной морфологической (цитологической) диагностики являются стандарты качества цитологической диагностики, молекулярных исследований, интерактивных программ. Большое значение имеет использование алгоритмов назначения лабораторных исследований, в т. ч. минимального и индивидуального (персонального) спектра лабораторных анализов, параллельное или последовательное выполнение цитологических исследований в комплексе с молекулярными, в т. ч. молекулярно-генетическими и вирусологическими, интеграция различных диагностических методов с целью установления правильного диагноза. Важную роль к установлении правильного диагноза играет профессионализм в «узкой» лабораторной специальности и коллегиальность во взаимоотношениях врачей, выполняющих морфологические, в т. ч. цитологические и гистологические исследования, врачей-клиницистов, иммунологов, специалистов по молекулярно-биологическим исследованиям, микробиологии, вирусологии, генетике и другим медицинским и биологическим дисциплинам.

Описание особенностей пре- и постаналитического этапа цитологической диагностики приведено ниже для наиболее распространенных локализаций (шейка матки, молочная и щитовидная железа, бронхолегочная система).

Построение и использование компьютерных моделей.. Бесплатный доступ к реферату

Построение и использование компьютерных моделей..doc

Зарегистрируйся в два клика и получи неограниченный доступ к материалам, а также промокод на новый заказ в Автор24. Это бесплатно.

Введение

Одним из главных направлений научно-технического прогресса в течение уже нескольких десятилетий является развитие методов и средств информатики и вычислительной техники. Использование методов математического моделирования и компьютерного решения инженерных и научных задач позволяет значительно повысить эффективность процессов проектирования и управления. Внедрение персональных компьютеров, компьютерных информационных сетей, построение и развитие INTERNET, широкое и разнообразное использование методов математического моделирования привели к расширению как практической, так и теоретической базы компьютерного моделирования.
Математическое компьютерное моделирование стало главным средством исследования сложных процессов и систем, на котором базируются современные подходы к проектированию, оптимизации и управления в различных областях науки и техники. Вычислительная математика стала основой для реализации и компьютерного расчета методов математического моделирования. Поэтому данная тема является актуальной на сегодняшний день.
Проблемам построения и использования компьютерных моделей в различных отраслях науки посвящено достаточное количество публикаций отечественных ученых, в частности: Боев В. Д. [6], Якимов В.М., Кирпичников А.П. [13], Турундаевский В. Б. [11], Александров А. А., Димитриенко Ю. И. [5] и др.
Целью данной работы является систематизация и обобщение основных видов и этапов построения компьютерных моделей, а также рассмотрение использования компьютерного моделирования при построении геометрических тел сложной формы.
Согласно поставленной цели выдвигаются для решения следующие задачи:
Рассмотреть основные понятия компьютерных моделей;
Классифицировать основные виды компьютерных моделей;
Обобщить и охарактеризовать основные этапы создания компьютерных моделей;
Рассмотреть способы применения компьютерного моделирования при построении геометрических тел сложной формы.

1. Виды и этапы построения компьютерных моделей

Зарегистрируйся, чтобы продолжить изучение работы

и получи доступ ко всей экосистеме Автор24

Введение

Одним из главных направлений научно-технического прогресса в течение уже нескольких десятилетий является развитие методов и средств информатики и вычислительной техники. Использование методов математического моделирования и компьютерного решения инженерных и научных задач позволяет значительно повысить эффективность процессов проектирования и управления. Внедрение персональных компьютеров, компьютерных информационных сетей, построение и развитие INTERNET, широкое и разнообразное использование методов математического моделирования привели к расширению как практической, так и теоретической базы компьютерного моделирования.
Математическое компьютерное моделирование стало главным средством исследования сложных процессов и систем, на котором базируются современные подходы к проектированию, оптимизации и управления в различных областях науки и техники. Вычислительная математика стала основой для реализации и компьютерного расчета методов математического моделирования. Поэтому данная тема является актуальной на сегодняшний день.
Проблемам построения и использования компьютерных моделей в различных отраслях науки посвящено достаточное количество публикаций отечественных ученых, в частности: Боев В.Д. [6], Якимов В.М., Кирпичников А.П. [13], Турундаевский В. Б. [11], Александров А. А., Димитриенко Ю. И. [5] и др.
Целью данной работы является систематизация и обобщение основных видов и этапов построения компьютерных моделей, а также рассмотрение использования компьютерного моделирования при построении геометрических тел сложной формы.
Согласно поставленной цели выдвигаются для решения следующие задачи:
Рассмотреть основные понятия компьютерных моделей;
Классифицировать основные виды компьютерных моделей;
Обобщить и охарактеризовать основные этапы создания компьютерных моделей;
Рассмотреть способы применения компьютерного моделирования при построении геометрических тел сложной формы.

1. Виды и этапы построения компьютерных моделей

Термин «модель» происходит от лат. «modulus», и тождественно таким понятиям как «мера», «образец», «норма» [12].
Любая модель, как правило создается для конкретного объекта — оригинала или прототипа.
Компьютерная модель всегда является искусственно созданным объектом, который дает идеализированное представление об объекте-оригинале. Идеализация объекта является непременным этапом создания компьютерной модели. Суть идеализации состоит в определении, какие именно черты и свойства объекта являются главными для решения поставленной задачи и какие должны быть отображены в компьютерной модели, а какие черты и свойства являются второстепенными и при разработке модели могут не учитываться. Такое сокращенное представление объекта в его компьютерной модели позволяет уменьшить уровень сложности задачи, создать ее более оптимизированной для исследования, уменьшить временные и трудовые затраты на учет не существенных факторов.
На сегодняшний день имеется следующая классификация компьютерных моделей [4]: в зависимости от назначения, фактора времени, способа реализации.
По назначению выделяются и учебные, исследовательские, научно-технические, имитационные и другие модели.
Опытные модели используются в практике проектирования механизмов, сооружений и тому подобное. Изучение поведения или свойств компьютерной модели дает возможность определить и ликвидировать ошибки в проекте. Например, архитектор создает компьютерный макет будущего сооружения, чтобы уточнить все детали, прежде чем начать реализацию проекта.
По фактору времени различают модели статические и динамические.
Статическая модель представляет объект в конкретный фиксированный момент времени. Статические модели имеют и другое название — структурные, потому что они характеризуют строение и параметры объекта. Примерами статических моделей являются модели внутренних органов человека, которые применяются при изучении анатомии; модели распределения экономических ресурсов между странами мира и др.
Динамическая модель воспроизводит изменения объекта, которые происходят с течением времени, или особенности функционирования объекта, поэтому динамические модели называют также функциональными.
По способу реализации модели подразделяются на два вида — материальные и информационные.
Материальные модели называют также предметными, натурными, физическими, так как они всегда имеют определенное реальное воплощение. Примерами материальных моделей является уменьшенная копия самолета, чучело птицы, макет архитектурного ансамбля и тому подобное.
Информационные модели представляют собой совокупность информации, характеризующей свойства и состояние объекта, его взаимосвязи с внешним миром . По способу представления информации различают вербальные (от лат. verbalis — устный) и знаковые модели. Вербальные модели — это информационные модели, создаваемые средствами устной речи (например, устное описание явления). Знаковые модели создаются с помощью условных знаков и символов — букв, цифр, условных обозначений и тому подобное. Примерами знаковых моделей являются химические формулы, нотная запись музыки, географическая карта и тому подобное. Отдельный вид информационных знаковых моделей составляют математические модели, которые представляют собой совокупность математических формул, отражающих взаимозависимости между параметрами объекта.
Информационную модель, реализованную на компьютере, называют компьютерной. Компьютерные модели позволяют наблюдать и исследовать явления и процессы в динамике их развертывания, осуществлять многократные испытания модели, получать разнообразные количественные показатели в числовом или графическом виде, в том числе такие, которые требуют выполнения сложных, многочисленных или трудоемких расчетов.
С помощью компьютерного моделирования изучаются объекты и явления, которые невозможно, дорого или опасно воспроизводить в реальных условиях. Это позволяет не только экономить материальные ресурсы, но и сохранять экологические условия существования человека, избегать возможных вредных или разрушительных последствий проведения натурных испытаний.
Компьютерное моделирование является уникальным инструментом познания быстрых и, наоборот, очень медленных процессов. Их можно исследовать на компьютере, растягивая или сжимая время или даже останавливая его для изучения определенных фаз процесса.
Компьютерное моделирование применяется для решения множества научных, технических, экономических и других проблем. Например, для установления причин технических и естественных катастроф, исследования биологических и социальных процессов, прогнозирования изменения климата нашей планеты и тому подобное.
Для создания компьютерной модели применяется определенная технология. Согласно данной технологии процесс компьютерного моделирования разбивается на пять основных этапов. Каждый этап имеет определенную цель, которая выполняется при помощи осуществления соответствующих действий.
Выделим основные этапы компьютерного моделирования:
Этап 1. Постановка задачи и ее анализ.
Этап 2. Построение информационной модели.
Этап 3. Разработка метода и алгоритма исследования модели.
Этап 4. Разработка компьютерной модели.
Этап 5. Проведение компьютерного эксперимента.
Целью первого этапа является постановка и уточнение задачи компьютерного моделирования. Для этого выполняются следующие шаги:
Определяется для каких целей будет создана компьютерная модель;
Уточняется, какие результаты и в каком виде нужно получить;
Конкретизируется, какие исходные данные нужны для создания компьютерной модели;
Устанавливается, есть ли ограничения на входные данные, то есть при каких условиях можно получить необходимые результаты, а при каких — нет.
Целью второго этапа является установление и описание взаимозависимостей между параметрами компьютерной модели. На данном этапе:
Происходит детализация параметров модели и взаимосвязей между ними;
Оценивается, какие из параметров являются существенными и какие должны быть учтены при разработке и внедрении компьютерной модели, а какими можно пренебречь. Такой анализ осуществляется для конкретной формализованной задачи и имеющий цель максимально упростить компьютерную модель. Однако, данное упрощение не может быть чрезмерным, чтобы модель оставалась адекватной;
Вводится система условных обозначений, и в этих обозначениях осуществляется описание зависимостей между параметрами модели. В результате получается знаковая информационная модель.
Целью третьего этапа является разработка алгоритма действий для получения необходимых результатов. На данном этапе:
Учитывая информационную модель подбирается или разрабатывается метод получения необходимых результатов;
По выбранному методу составляется детальный план решения задачи, разрабатывается алгоритм получения результатов.
Целью четвертого этапа является получение компьютерной модели, пригодной для исследования. Для этого осуществляются:
Выбор средств реализации модели на компьютере

Магазин работ

Посмотреть все

Курсовая работа

Компьютерные методы проектирования

350 ₽

Реферат

Компьютерные системы и технологии

220 ₽

Реферат

Режимы компьютерной обработки данных

300 ₽

Посмотреть все

Не нашел ответ на свой вопрос?

Опиши, с чем тебе нужна помощь. Эксперты Автор24 бесплатно ответят тебе в течение часа

Выбери предметАвиационная и ракетно-космическая техникаАвтоматизация технологических процессовАвтоматика и управлениеАгрохимия и агропочвоведениеАктерское мастерствоАнализ хозяйственной деятельностиАнглийский языкАнтикризисное управлениеАрхеологияАрхитектура и строительствоАстрономияБазы данныхБанковское делоБезопасность жизнедеятельностиБиблиотечно-информационная деятельностьБизнес-планированиеБиологияБиотехнологияБухгалтерский учет и аудитВетеринарияВнешнеэкономическая деятельностьВодные биоресурсы и аквакультураВоенное делоВоспроизводство и переработка лесных ресурсовВысшая математикаГеографияГеодезияГеологияГеометрияГидравликаГидрометеорологияГостиничное делоГосударственное и муниципальное управлениеДеловой этикетДеньгиДетали машинДизайнДокументоведение и архивоведениеЕстествознаниеЖелезнодорожный транспортЖурналистикаЗемлеустройство и кадастрИздательское делоИнвестицииИнженерные сети и оборудованиеИнновационный менеджментИнформатикаИнформационная безопасностьИнформационные технологииИскусствоИсторияКартография и геоинформатикаКитайский языкКонфликтологияКраеведениеКредитКриминалистикаКулинарияКультурологияЛитератураЛогикаЛогистикаМаркетингМатериаловедениеМашиностроениеМедицинаМеждународные отношенияМеждународные рынкиМенеджментМенеджмент организацииМеталлургияМетрологияМеханикаМикро-, макроэкономикаМикропроцессорная техникаМорская техникаМузыкаНалогиНаноинженерияНачертательная геометрияНемецкий языкНефтегазовое делоОрганизационное развитиеПарикмахерское искусствоПедагогикаПожарная безопасностьПолиграфияПолитологияПочвоведениеПраво и юриспруденцияПриборостроение и оптотехникаПриродообустройство и водопользованиеПрограммированиеПроизводственный маркетинг и менеджментПромышленный маркетинг и менеджментПроцессы и аппаратыПсихологияРабота на компьютереРадиофизикаРежиссураРеклама и PRРелигияРусский языкРынок ценных бумагСадоводствоСварка и сварочное производствоСвязи с общественностьюСельское и рыбное хозяйствоСервисСопротивление материаловСоциальная работаСоциологияСтандартизацияСтатистикаСтрановедениеСтратегический менеджментСтрахованиеТаможенное делоТеатроведениеТекстильная промышленностьТелевидениеТеоретическая механикаТеория вероятностейТеория игрТеория машин и механизмовТеория управленияТеплоэнергетика и теплотехникаТехнологические машины и оборудованиеТехнология продовольственных продуктов и товаровТовароведениеТорговое делоТранспортные средстваТуризмУправление качествомУправление персоналомУправление проектамиФармацияФизикаФизическая культураФилософияФинансовый менеджментФинансыФранцузский языкХимияХирургияХолодильная техникаЦенообразование и оценка бизнесаЧертежиЧерчениеЭкологияЭконометрикаЭкономикаЭкономика предприятияЭкономика трудаЭкономическая теорияЭкономический анализЭлектроника, электротехника, радиотехникаЭнергетическое машиностроениеЭтикаЯдерная энергетика и теплофизикаЯдерные физика и технологииЯзыки (переводы)Языкознание и филологияEVIEWSSPSSSTATAДругое

Прикрепить файл

Твой вопрос отправлен

Скоро мы пришлем ответ экпертов Автор24 тебе на почту

Помощь эксперта

Нужна помощь по теме или написание схожей работы? Свяжись напрямую с автором и обсуди заказ.

Luba4ka

Информатика 2021 заказ

Отправить письмо схожим авторам, которые сейчас на сайте

Регистрация прошла успешно!

Теперь вам доступен полный фрагмент работы, а также открыт доступ ко всем сервисам
экосистемы

Скачивание началось

В файле вы найдете полный фрагмент работы доступный на сайте, а также промокод referat200 на новый заказ в Автор24.

Введи почту

Зарегистрируйся через почту и получи неограниченный доступ к материалам. Это бесплатно.

Читать тексты на сайте можно без ограничений. Однако для копирования и использования работ нужно зарегистрироваться в экосистеме Автор24. Это бесплатно.

история связи, значение и перспективы. Часть I / Хабр

Ни для кого не секрет, что компьютерные технологии проникли практически во все аспекты современного общества: политика, оборона, развлечения, образование и многое другое. Медицина не стала исключением. Сейчас это не секрет, однако 60 лет назад все это казалось научной фантастикой.

Сегодня мы затронем прошлое, настоящее и будущее партнерства этих столь разных отраслей, медицины и компьютерных технологий. Узнаем какие революционные открытия были сделаны, какие недостатки и опасности несет в себе данное партнерство и, наконец, какое будущее медицины нас ждет.

Применение компьютерных технологий в медицине

На данный момент компьютеры приобрели широкое распространение во многих ветвях медицины. Начиная с CPOE (computerized physician order entry) — компьютеризованной системы предписаний врача (назначение анализов и/или медикаментов), заканчивая роботами-интернами, помогающими хирургам во время операций. Также не малое значение компьютеры играют и в работе клиник в целом, помогая планировать и выполнять различные административные задачи, отслеживать финансы, проводить инвентаризации и т.д.

Далеко не второстепенную роль сыграл и Интернет. Благодаря ему появилось новое направление в медицинской диагностике — телерадиология (проще говоря передача через всемирную паутину изображений и данных медицинского характера). Это новшество дало возможность анализировать данные пациента и принимать решения касательно его лечения, находясь в дали от него, тем самым экономя драгоценное время. Также врачи получили возможность быстро консультироваться со своими коллегами со всего мира. Огромная база медицинских знаний, хранимая в Интернете, доступна и пациентам, давая им возможность ознакомится со своим заболеванием, распознать симптомы, узнать нужную информацию о враче и/или клинике, о препаратах и т.д. Касательно использования Интернета пациентом ходит не мало споров. Дело в том, что доверять самому пациенту устанавливать себе диагноз и назначать лечение — крайне опасно для него самого. С другой стороны, если пациент совмещает использование информации из Интернета с посещением реального врача, это может улучшить качество его лечения.

И, возможно, самое необычное применение компьютерных технологий в медицине это видеоигры. Они используются для тренировки хирургов, которые в дальнейшем будут выполнять лапароскопические операции (когда в области проведения операции делаются небольшие надрезы для проведения операции внутри, вместо большого надреза и «открытой» операции). Исследования 2004 года показали, что хирурги, играющие в видеоигры примерно по 3 часа в неделю, допускают во время подобных операций на 37% меньше ошибок.

Хронологическая шкала взаимосвязи компьютерных технологий и медицины (1954-2006)

Год	Событие	Описание
1954	Компьютеризированный цитоанализатор	Электронное оптическое устройство для скрининга клеток, подозреваемых в злокачественности.
1960	“Brains”	IBM 650 под названием «Brains» (Мозги) — сканирование медицинских записей для выявления тонких аномалий.
1960	Опрос пациента компьютером	Компьютеризированный анамнез пациента
1961	Административные и фискальные функции	Внедрение компьютеров для выполнения административных и фискальных функций
1962	Анализ электрокардиограммы	Электрические импульсы от сердца передавались по телефону на центральный компьютер, который создавал кривую и анализировал ее.
1963	Первая система поддержки принятия решений	Внедрен компьютерный подход к реабилитации. Например, компьютер использовался для определения оптимального времени ношения гипса при хирургическом вмешательстве.
1964	IBM System/360	Выход в свет компьютеров S/360
1964	DEC PDP-8	Презентация «мини»-компьютера PDP-8
1964	MEDLARS	MEDLARS — компьютеризированная система баз данных для индексации и извлечения медицинских цитат из Национальной библиотеке медицины (NLM).
1965	Идея EMR	Развитие идеи электронной медицинской записи
1966	MUMPS (Massachusetts General Hospital Utility Multi-Programming System)	Мульти-программная система Общеклинической больницы Массачусетса (MUMPS) — также называемая «M» — была языком программирования для отрасли здравоохранения.
1968	IMIA	Международная ассоциация медицинской информатики (IMIA) была создана во Франции.
1970	Компьютеризация обработки данных из лабораторий	ИСпользование компьютеров для проведения лабораторных расчетов, таких как определение химических состава околоплодной жидкости.
1971	Компьютеризированная обработка записей	IBM System/3 Модель 6 был использован для обработки результатов анализов пациентов
1971	COSTAR	База амбулаторных записей пациентов, написанная на языке MUMPS
1971	MEDLINE	MEDLINE вышел в он-лайн
1972	MYCIN	MYCIN — интерактивная экспертная система диагностики и лечения инфекционных заболеваний. Разработана в Стэнфордской медицинской школе на базе DEC PDP-10.
1972	HELP	Оценка состояния здоровья посредством логического процесса — Health Evaluation through Logical Process (HELP) была разработана в больнице LDS
1974	Компьютерная томография	Сканер компьютерной томографии был изобретен Хаунсфилдом и Кормаком в 1972 году (только для головы). В 1976 году — для всего тела.
1974	Компьютеризированный гамма-нож	Внедрение первой компьютерной программы планирования дозы обучения для гамма-ножа (способ радиохирургического удаления опухолей головного мозга).
1974	Internist-1	Компьютерная диагностическая система, разработанная в Университете Питтсбурга.
1977	Медицинская информатика	Определен термин «медицинская информатика»
1978	Fileman	Набор утилит, написанный на языке MUMPS, внедривший функции метаданных
1981	IBM PC	Персональный компьютер от IBM вышел в свет
1983	Сети	Представление общественности нетворкинга
1984	ACMI (American College of Medical Informatics)	Был создан Американский колледж медицинской информатики (ACMI).
1987	HL7	Health Level Seven, Inc. (HL7) была основана в качестве стандарта для обмена клиническими данными.
1988	MUMPS и IBM	MUMPS становится языком, поддерживаемым на IBM
1989	WWW (World Wide Web)	Изобретение «Всемирной паутины»
1992	Windows 3.1	Выпуск Windows 3.1
1996	Palm Pilot	Выпуск Palm Pilot (карманного персонального компьютера)
1996	HIPAA (Health Insurance Portability and Accountability Act)	Конгресс принял Закон о переносимости и подотчетности медицинского страхования.
1999	Хирургическая система da Vinci	Эта роботизированная хирургическая система была разработана Intuitive Surgical. Прототип был появился еще в конце 1980-х годов в Стэнфордском исследовательском институте по контракту с армией США.
2000	Передача изображений	Клиники начала передавать электронные копии изображений диагностического характера (рентгеновские снимки, снимки МРТ)
2001	Широкое распространение КПК	В начале 2000-х годов работники здравоохранения широко использовали карманные устройства для выполнения таких задач, как доступ к медицинской литературе и электронной фармакопеи.
2003	Виртуальная колоноскопия	Виртуальная колоноскопия использует комбинацию технологии КТ-сканирования и компьютерной графики.
2004	WCG	IBM запустила этот проект для поиска генетических маркеров различных заболеваний.
2004	Многоточечный КТ-сканер	Эта новая технология сканирования сердца может в значительной степени заменить ангиограммы.
2004	Указ №13335	Президент Буш издал этот указ под названием «Стимулы для использования медицинских информационных технологий»
2005	Penelope	Был представлен миру робот-интерн
2006	Microsoft покупает Azyxxi	Microsoft купила клиническое медицинское программное обеспечение, которое может извлекать и отображать различные виды данных пациента.

Электронные медицинские записи (EMR)

Еще в далеком 1960 году в газете New York Times была опубликована статья, в которой один врач из Тулейнского университета высказывал интересную мысль о «медицинских записях, хранимых на пленке, или другим подходящим для компьютера способом, которые могут полностью вытеснить письменные записи пациентов». В 1967 году в другой статье упоминалось следующее видение будущего — «каждый мужчина, женщина или ребенок могут иметь все свои медицинские данные, электронно записанные в огромной системе памяти в Вашингтоне». Пошли обсуждения преимуществ такой системы. Если, к примеру, у человека случился сердечный приступ, а он находится в другом городе. В статье дан ответ: «назначенному врачу достаточно будет позвонить в Вашингтон, и спустя секунды перед ним будут все данные этого пациента». Сейчас, спустя более полвека, мы видим как такие системы стали реальностью и широко распространились в различных медицинских учреждениях всего мира.

В добавок к преимуществу удаленного доступа к данным, EMR обладает и другими, о которых мы поговорим далее. Исходя из этих преимуществ и того факта, что идея электронных записей существует уже много десятилетий, можно подумать, что EMR используются абсолютно везде. Однако это не совсем так. К примеру, в США EMR используется только в 17% клиник.

История EMR

В конце 1960-х годов был разработан язык программирования, называемый Мульти-программная система Общеклинической больницы Массачусетса — Massachusetts General Hospital Utility Multi-Programming System(MUMPS) для использования в системах здравоохранения. Он не получил широкого распространения до 1970-х годов, когда начал использоваться для создания многих клинических программ. И по сей день многие старые системы работаю с ПО на базе MUMPS. Несмотря на свое изначально медицинское направление, MUMPS широко используется и в других отраслях, требующих большого числа одновременных подключений к базе данных (банки, фондовые биржи, туристические агенства).

Для ознакомления с языком MUMPS Вы можете перейти по ссылке на pdf-туториал

www.cs.uni.edu/~okane/source/MUMPS-MDH/MumpsTutorial.pdf

В 1978 году Джозеф (Тед) О’Нил и Марти Джонсон вместе со своей командой разработали Fileman, используя язык MUMPS. Fileman представлял собой набор обобщенных процедур, специально упрощенных для пользователей не разбирающихся в MUMPS и в программировании в целом. В период с поздних 1970-ых по ранние 80-е на базе Fileman было спроектирована множество утилит. Позднее министерство по делам ветеранов США начало использовать Fileman как свою официальную медицинскую программу.

В 1981 году во Флориде Микки Сингер основал компанию программного обеспечения под названием Personalized Programming Inc., которая стала одной из многих, сформировавших в дальнейшем компанию Medical Manager Inc. Она предоставляла клиникам и частным практикующим врачам программное обеспечение, популярность которого была настолько велика, что уже к 1997 году более 24000 клиник и 110000 практикующих врачей пользовались им. Однако далее следовало лишь падение. Взамен Medical Manager Inc. пришла Open Public Public License (GPL), предоставляющая своим пользователям исходный код программного обеспечения, давая им возможность проводить необходимую кастомизацию.

На данный момент количество компаний, предоставляющих решения для EMR, варьируется от 250 до 500. Некоторые их них сосредоточены на малых системах, вроде выписки рецептов или истории болезни. Другие же предлагают пакетные решения.

Преимущества EMR

Основными пользователями EMR являются врачи и другой мед.персонал. Стандартная EMR дает им доступ к электронной версии медицинской истории пациента, которая ранее, в течении многих лет, хранилась на бумаге. Так зачем менять то, что так долго работало?

Ответ прост — ошибки врачей. Одной из основных проблем медицины во все эпохи были яторогенные осложнения состояния пациента, то есть те, что были ненамеренно вызваны действиями мед. персонала. К примеру, назначение не того препарата или же назначение слишком большой или малой его дозы. Электронные медицинские записи в сопряжении с системами поддержки принятия клинических решений способны обеспечить автоматические проверки, предотвращающие подобные ошибки.
Другое преимущество уже упоминалось в данной статье — это доступ к базе из любой точки мира. Это позволяет лучше координировать работу различных специалистов, сокращая время на рассмотрение анамнеза и принятие решения. А время, как мы знаем, очень часто является критическим фактором в борьбе за жизнь и здоровье пациента.
Для облегчения работы врачей и снижения временных затрат пациента на их посещение необходима также и координация EMR с другими системами, например лабораторными. Ранее пациент приходил к врачу, тот назначал ему определенные тесты / анализы, пациент шел в лабораторию, передавал назначение, делал тесты и результаты опять же записывались на бумагу и должны были быть переданы врачу. Это длительный процесс, в течении которого не редки ошибки и путаница. Начнем с классики — почерк врача может быть неразборчив, могут быть проведены не те тесты, результаты могут быть утеряны или перепутаны. Если же использовать взаимосвязь двух электронных систем, то направление и результаты будут помещены в электронную папку пациента, к которой имеется доступ у врача.

Этот злосчастный врачебный почерк несет много проблем и в процесс выписки препаратов. Фармацевт может неправильно прочесть либо название, либо дозировку лекарства, а это, как Вы понимаете, может иметь ужасные последствия. Электронная система выписки рецептов ликвидирует возможность такого «непонимания».
Немаловажным является и удобство для пациентов, поскольку им не нужно прозванивать все клиники, которые они посещали, для сбора необходимой медицинской истории. Вся она хранится в диной папке пациента.
Электронные записи пациентов можно (и нужно) бэкапировать, т.д. делать резервные копии. С бумажными записями это сложно, и, по правде говоря, никто этого и не делал. К примеру, после урагана Катрина было утеряно тысячи историй пациентов, а их восстановление заняло множество месяцев.
Чем распространеннее EMR будет в мире, тем проще будет исследователям. Огромная база данных пациентов, их симптомов и болезней, методов лечения и процесса выздоровления — все это поможет изучать те или иные заболевания, совершенствуя методы борьбы с ними.
В долгосрочной перспективе использование EMR это экономически выгодно. Нет необходимости тратиться на канцелярию (это мелочь, но в глобальных масштабах суммы будут велики), уменьшение числа персонала, сокращение временных затрат, а соответственно увеличение эффективности труда.

Недостатки EMR

Несмотря на весьма внушительные преимущества EMR, их скорость распространение не впечатляет. Сейчас мы рассмотрим почему.

Многие современные EMR несовместимы. Дело в том, что у каждой клиники имеется своя база, которая никак не работает с базой других клиник. Поскольку облегчать процесс перехода пациента к конкурентам — не выгодно, сами понимаете.
Большим вопросом всегда остается конфиденциальность информации. Как сделать так, чтобы лишь нужная информация попадала в руки лишь нужных людей? Как обезопасить EMR от взломов? На эти вопросы многие не хотят отвечать, просто отказываясь от внедрения электронной системы.
Для того, чтобы EMR была полноценной, в ней должна быть история пациентов, а не только свежие данные. Соответственно, эту историю необходимо внести в базу, а это много ручной работы, которая требует не только времени, но и финансовых затрат. На это многие клиники не готовы.
Сейчас формат в котором хранятся данные один, а что если в будущем он измениться? Можно ли будет получить доступ к данным? Весьма странные вопросы, согласен. Но они отпугивают клиники от внедрения EMR.

Клиническая система поддержки принятия решений (CDSS)

В этом разделе мы обсудим историю систем поддержки принятия клинических решений (CDSS), текущие исследования, коммерческую направленность и потенциально интересные области для будущих исследований.

История CDSS

1960 год — пациент-компьютер
Возможно, одним из самых ранних применений компьютеров для поддержки врачей была компьютеризированная система опроса пациентов. На создание такой системы натолкнул факт того, что врач, опрашивая пациента, часто задает не те вопросы либо забывает задать нужные. Таким образом анамнез будет неполон, а лечение менее эффективно. Соответственно, куда более результативно будет проводить формализованное анкетирование. В 1960 году этот процесс автоматизировали с использованием компьютера.
1970 год — Экспертная Система
Экспертная Система» является классическим примером системы поддержки принятия решений. В начале 70-ых исследования в области применения компьютерных технологий в медицине в основном были нацелены на процессе диагностики. Считалось, что компьютер, обладающий большой вычислительной мощностью, сможет сильно упростить процесс диагностирования. Первым таким экспертом стал MYCIN — система, разработанная в Стэнфордском университете, нацеленная на диагностику и лечение заболеваний, передающихся через кровь. MYCIN показал себя как очень точный диагност, допустив гораздо меньше ошибок чем неспециализированные врачи. Однако, применять MYCIN никто не спешил. Возникало много разных вопросов и споров. Врачи не хотели чтобы их заменили. Юристы не понимали кто будет нести ответственность за поставленный компьютером диагноз. К тому же налаживание работы данной системы было очень сложным, долгим и трудоемким процессом. Потому MYCIN остался в истории просто как очень удачный эксперимент.
1980-ые годы — Технология помощи принятия клинических решений в реальном времени
Одним из самых заметных внедрений компьютерного мира в мир медицины является системы мониторинга работы сердца и мозга пациента. В 80-ые эти системы получили автоматические функции, например выявления аритмии в электрокардиограмме. А в 90-ые данные системы начали заменять на ПК со специальным программным обеспечением.
1995 год — ПК и нетворкинг в области здравоохранения
Многие клиники начали использовать ПК, соединенные сетью, для хранения и передачи данных, связанных с административными задачами. Это стало важным шагом для формирования современной системы CDSS.
2000 — наши дни — Справочные базы данных и портативный доступ
Компьютерные технологии сделали справочную информацию доступной для любого врача или пациента. Сегодня практически каждый человек имеет ПК или карманное устройство (планшет, смартфон, КПК), что дают ему доступ к необходимой медицинской информации.

Неожиданные последствия компьютеризации здравоохранения

Как мы уже поняли, компьютеризация медицинской сферы крайне важна и должна развиваться. Этот процесс сталкивается с множеством трудностей. Не все хотят тратиться на внедрение новых систем, обучение персонала. Кто-то боится юридических последствий, в случае обмена данными между клиниками. Также стоит вопрос и о конфедициальности информации. Все это — факторы, сдерживающие прогресс. Но есть мнения, утверждающие, что это не стоит форсировать, поскольку могут возникнуть непредвиденные последствия.

Деперсонализация

Доктор Гейл Томпсон, практикующий с 60-ых годов, заявил, что компьютеризация приводит к тому, что мы забываем что есть забота о пациенте. Врачи забыли как по зрачкам определить состояние больного, все больше полагаясь на диаграммы и графики на мониторах компьютеров. С этим мнение полностью согласен и Стивен Анджело, врач из Коннектикута. Он рассказал, как однажды в его больнице «легла» система мониторинга пациентов. Врачи были растеряны, не знали что делать.

Конечно, все больше и больше полагаясь на современные технологии, мы забываем о старых добрых методах. Но, если компьютеризация здравоохранения снизит число смертей среди больных, я готов отказаться от персонализации, как таковой.

Ошибки, связанные с препаратами

Некоторые врачи утверждают, что электронные системы, хоть и помогают уменьшить число ошибок, но не избавляют от них полностью. Все потому, что человек, как источник ошибки, управляет этой электронной системой.

Это неоспоримо, но проблема все равно остается в человеческом факторе, а не в системе, как таковой. Для решения данного затруднения необходимо более внимательно отнестись к обучению мед. персонала. Если персонал не умеет пользоваться системой, то, конечно, все ее преимущества теряют свой смысл. Пока в отрасли есть хоть один человек, будут и ошибки.

Неверная информация в Интернете

В сети можно найти множество статей о различных заболеваниях, препаратах и т.д. Многие из нас пользовались подобным контентом для проведения самодиагностики и даже самолечения. Конечно, информация это сила, но только тогда, когда она верна.

Очень много медицинской информации во всемирной паутине содержит ошибки. А это может привести к тому, что пациент начнет неправильное лечение либо просто проигнорирует потенциально опасное заболевание. Эту проблему можно решить лишь внедрением стандартов достоверности информации и методов ее проверки и контроля публикаций.

Поиск нужной информации

Хранение всей истории пациента в одной электронной папке позволяет врачу быстро получить к ней доступ. Но так ли быстро он сможет найти то, что ему нужно в данном конкретном случае? Огромный поток информации, который необходимо не просто просмотреть, но и проанализировать, может задержать формирование анамнеза и установление диагноза.

Вывод

Мир не стоит на месте. Компьютерные технологии все глубже врезаются в другие сферы нашей жизни, привнося много нового, хорошего или плохого, порой сложно сказать. Но прогресс нельзя остановить, опираясь лишь на страх чего-то нового. Это касается и медицины. Многие болезни остались бы неизлечимыми, если бы какие-то смельчаки не решили лечить их по-другом, не так как раньше. Главное помнить, что человек создает технологию, человек ее совершенствует и только он может нести за нее ответственность.

Сегодня множество клиник переходят на удаленное хранение и обработку информации. Мы предлагаем решения и для такого типа клиентов, вплоть до решений с применением новейших NVMe-накопителей, позволяющих «моментально» обрабатывать запросы в больших базах. Дата-центры, в которых размещается оборудование, соответствуют необходимым уровням сертификации в сфере безопасности данных. А географическая распределенность и изолированность модулей даже в пределах одной локации позволяет организовывать наиболее отказоуйстойчивые системы для клиентов такого рода.

На правах рекламы.Акция! Только сейчас получите до 4-х месяцев бесплатного пользования VPS (KVM) c выделенными накопителями в Нидерландах и США (конфигурации от VPS (KVM) — E5-2650v4 (6 Cores) / 10GB DDR4 / 240GB SSD или 4TB HDD / 1Gbps 10TB — $29 / месяц и выше, доступны варианты с RAID1 и RAID10), полноценным аналогом выделенных серверов, при заказе на срок 1-12 месяцев, условия акции здесь, cуществующие абоненты могут получить 2 месяца бонусом!

Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?

Применение компьютерных технологий в профессиональной деятельности

Автор работы:

Выжаковский Даниил Алексеевич

Руководитель проекта:

Лебедева Регина Сергеевна

Учреждение:

ГБПОУ «Тверской колледж сервиса и туризма»

В процессе работы над детской исследовательской работой по информатике на тему «Применение компьютерных технологий в профессиональной деятельности» автором была поставлена цель, исследовать какие компьютерных технологий применяются в профессиональной деятельности, а также изучить методы применения компьютерных технологий в профессиональной деятельности.

Подробнее о работе:

В готовом проекте по информатике «Применение компьютерных технологий в профессиональной деятельности» автор исследует сферы применения компьютерных технологий, рассматривает использование программы InDesign, использование программы PhotoShop, CorelDraw, Adobe Illistrator, а также использование графического планшета. В работе подробно описан сравнительный анализ растровых и векторных графических редакторов.

Индивидуальная исследовательская работа по информатике на тему «Применение компьютерных технологий в профессиональной деятельности» посвящена изучению методов применения компьютерных технологий в профессиональной деятельности, автор подробно изучает специфику использования программы MS Office в профессии Графический дизайнер.

Введение
1. Компьютерные технологии.
1.1 Понятие о компьютерных технологиях.
1.2 Сфера применения компьютерных технологий.
1.3 Использование компьютерных технологий в профессиональной деятельности.
2. Методы использования компьютерных технологий в профессиональной деятельности.
2.1 Использование пакета MSOffice в профессии Графический дизайнер.
2.2 Использование программы InDesign.
2.3 Использование программы PhotoShop, CorelDraw, Adobe Illistrator.
2.4 Использование графического планшета.
2.5 Сравнение растровых и векторных графических редакторов.
Заключение
Список литературы
Приложение

Введение

Актуальность темы.

Мы живем на стыке двух тысячелетий, когда человечество вступило в эпоху новой научно-технической революции. К концу двадцатого века люди овладели многими тайнами превращения вещества и энергии и сумели использовать эти знания для улучшения своей жизни. Но кроме вещества и энергии в жизни человека огромную роль играет еще одна составляющая — информация. Это самые разнообразные сведения, сообщения, знания.

В середине нашего столетия появились специальные устройства — компьютеры, ориентированные на хранение и преобразование информации. Произошла компьютерная революция.

С появлением ЭВМ появляются новые науки, которые призваны изучать колоссальные возможности компьютеров и возможности их использования с целью облегчения человеческого труда. Появляется новый вид технологий — информационные, т. е. технологии переработки информации на базе компьютерных вычислительных систем. К ним относятся процессы, где «исходным материалом» и «продукцией» является информация.

Сегодня невозможно представить отрасль человеческой деятельности, в которой бы не применялись компьютеры. К компьютерам применяют всё более высокие требования, это заставляет специалистов совершенствовать технологии обработки информации. Чем шире использование компьютера, тем выше их интеллектуальный уровень, тем больше возникает видов информационных технологий.

Цель работы: исследовать какие компьютерных технологий применяются в профессиональной деятельности.

Задачи работы:

Изучить понятия о компьютерных технологиях
Провести и проанализировать как компьютер используется в профессиональной деятельности.
Изучить программы, которые использует графический дизайнер.
Изучить как используется графический планшет
Сравнить графические редакторы.

Компьютерные технологии – это отрасль, что активно развивается в сегодняшнем мире. Период активного развития компьютерных технологий начался в 1941 году, с изобретением первого в мире персонального компьютера в фашистской Германии. Чуть позже полноценные ЭВМ заработали в СССР, в США и в других ведущих странах мира. Компьютерные технологии – это часть технологий информационных, но лишь их часть, та, где в обработке, хранении, передаче информации (а также прочих любых манипуляциях с ней) задействованы компьютеры.

На сегодня компьютеры используются практически во всех сферах жизни человека, в том числе в быту, на производстве, в управленческих структурах, в научных учреждениях, в культурных проектах. Сложно поверить, что еще семьдесят лет назад в нашей стране бухгалтеры еще считали на счетах, еще тридцать лет назад инженеры чертили вручную у кульмана, еще двадцать лет назад фотографы после съемки проявляли пленки с помощью химических растворов. Сегодня все эти задачи и масса многих других выполняются автоматизированно с помощью компьютеров.

До 1990-х годов применительно к компьютеру чаще всего применялись названия «ЭВМ» или просто «вычислительная машина». Затем стало ясно, что название не отражает полноты функций компьютера – современный и усовершенствованный, а тем более подключенный к сети Интернет, ведь он не только вычислительная машина! Компьютер – это телевизор, музыкальный проигрыватель, радио, средство связи, дизайнер фото- и веб-, чертежник и всемирная библиотека в одном флаконе! Эти еще далеко не исчерпываются функции компьютера, напомним.

Компьютерные технологии во всем мире на сегодня позволяют заметно убыстрить работу, облегчить трудовые процессы: например, тысячи вычислений, на которые раньше потребовалась бы неделя работы целого штата сотрудников, компьютерная программа совершает в секунду. Компьютер в развитых странах, где он в наличии в почти каждой семье – это также первейшее средство для развлечений: он предлагает их массу: от прослушивания музыки до видеоигр, домашнего кинозала. Также компьютер – и незаменимое средство общения с помощью электронной почты, социальных сетей и видеосвязи.

Сложно переоценить значение компьютерных технологий для сферы образования. Цифровые технологии позволяют хранить огромные массивы информации в сжатом виде и в любой момент мгновенно осуществлять к ним доступ. Информация, в том числе образовательные курсы, мастер-классы и спецкурсы стали доступны. Огромный массив этой полезной информации является практически бесплатным для человека – отсюда вывод: компьютерные технологии делают образование доступным, повышают уровень образованности и грамотности людей.

Перейти к разделу: 2. Сфера применения компьютерных технологий

CS 534 Методы исследования в области компьютерных наук

Преамбула
Этот курс по методологии исследования направлен на развитие навыков исследования и письма в области компьютерных наук и техники. Поскольку разработка программного обеспечения требует междисциплинарного подхода, многие концепции заимствованы из социальных наук, психологии, статистики и других областей. Здесь мы исследуем эмпирические методы исследования на предмет их применимости и пригодности для решения исследовательской задачи. Поскольку у каждого из них есть свои сильные и слабые стороны, возможно, осуществимое судебное сочетание таких методов должно обеспечить более глубокое понимание и понимание, чтобы извлечь полезные результаты.

Цели обучения:

a. Познакомить студентов с исследованиями и методологиями исследований в области компьютерных наук, которые собираются изучать исследования в области компьютерных наук.
б. Понять сильные и слабые стороны каждого из этих методов.
с. Как выбрать подходящий метод(ы) для исследований?
д. Как проводить исследования с использованием этих методов?
эл. Какие угрозы связаны с этими методами и как с этим бороться.
ф. Сообщение о результатах этих расследований. Написание технических статей/исследований.
г. Понимание ролей авторов, рецензентов. Как рецензировать исследовательские статьи?

Содержание курса

На этом курсе мы покрываем

4 Empir Расследовательская структура

Темы	Слайды для лекций	Рекомендованные чтения 9000
9000	. 2
Методы исследования в компьютерных науках, аналитические и эмпирические методы, опросы, тематические исследования, контролируемые эксперименты, этнография и исследование действий, количественные, качественные и смешанные методы, выбор методов исследования, угрозы достоверности	Лекция № 3, 4, 5, 6	Истербрук и др.: Выбор эмпирических методов для исследований в области программной инженерии Creswell: Дизайн исследования: качественные, количественные и смешанные подходы (глава 1)
Лекция № 7
Проблемы исследований, обзоры литературы, примеры	Лекция №
Введение в количественные исследования, исследования, в исследованиях, контролируемые эксперименты, эксперименты, элементы		Введение в количественные исследования, исследования, контролируемые эксперименты, эксперименты, элементы
. 0013 Примеры экспериментов	Лекция № 9, № 10 Лекция № 11, № 12	Пфлигер: Планирование экспериментов и анализ в разработке программного обеспечения. Примеры экспериментов: (i) Оценка трех методов тестирования (ii) TDD и CDD (iii) другое сравнение методов тестирования
Методы сбора данных, анализ и интерпретация количественных данных, описательная статистика,	Лекция № 13 , #14
Выборка, распределение выборки, оценка параметров, статистический вывод, доверительный интервал и проверка гипотез
Критерии значимости, критерий разности средних и долей, t-тесты, ANOVA, критерий хи-квадрат, корреляция и регрессия,	Лекция №17, №18, №19, №20	вводные разделы электронного учебника Statsoft;
Процесс проверки, рекомендации по проверке, угрозы валидности, решения по проверке	Лекция № 21, № 22	Лекция №23, №24
Методы сбора данных — первичные и вторичные источники, Виды методов анализа данных
Опросное исследование, методы формирования выборки, планы исследования, тематические исследования,	Лекция №31, 32 Лекция №33, №34

Написание научных статей, цель, характер и оценка, содержание и формат, исследовательские презентации

Справочники:

1. Исследовательский дизайн . Качественный , Количественный и смешанный методы . Джон В. Кресуэлл, четвертое издание. Публикация SAGE, 2014 г.

2. Мастерство исследования, Уэйн С. Бут, Грегори Г. Коломб, Джозеф М. Уильямс, Джозеф Бизап, Уильям Т. Фитцджеральд, третье издание, The University of Chicago Press, 2008 г.

3. Элементы стиля. Уильям Странк-младший и Э. Б. Уайт, Forth Edition, Pearson, 1999

4. Методология исследования. Автор Panneerselvam R, 2-е издание, PHI, 2014

Другие ссылки

1. Статистический план и анализ экспериментов с приложениями к технике и науке, Роберт Л. Мейсон, второе издание, Wiley InterScience. [Подходит для анализа данных и проверки гипотез]

2. Дизайн дизайна: эссе от компьютерного ученых, Фредерик П. Брукс-младший, Addison-Wesley Professional, 2010.

Дополнительные чтения

.10008

. , М. В. и Уоллес, Д. Р. 1998. Экспериментальные модели для проверки технологии. Компьютер 31, 5 (май 1998 г.), стр. 23-31. Одно обновление здесь.
   2. Бём, Б.В., Браун, Дж.Р., и Липов, М. 1976. Количественная оценка качества программного обеспечения. В материалах 2-го ICSE, IEEE Computer Society Press, стр. 59.2-605.
   3. Серж Демейер. Research Methods in Computer Science
   4. Аарон Сломан. Типы исследований в области вычислительной науки, разработки программного обеспечения и искусственного интеллекта

Веб-ресурсы на

Видеоролик о тестировании гипотез видео-1
Другие сайты курсов по эмпирическим исследованиям/написанию бумаги в CS или аналогичных курсах.
Курс Дьюэйна Перри EE382C «Эмпирические исследования в области разработки программного обеспечения» в Техасском университете;
Курс Мэри Шоу 17-939A What Makes Good Research in Software Engineering в CMU;
Курс Мэри Шоу «Как написать хорошую исследовательскую работу» в CMU
Курс Андреаса Зеллера «Эмпирическая разработка программного обеспечения» в Саарском университете.
Курс Стива Истербрука CSC2130S: Эмпирические методы исследования в вычислительной технике

Время встречи

Курсовая работа
Инструкции по курсовой бумаге
Аннотация курсовой бумаги (с комментариями)
Присвоения

СМЕРСЕР
0108
9

19

0
викторины (20%),
один экзамен в середине семестра (20%),
один экзамен в конце семестра (30%) и
один курсовой проект/курсовая работа (30%)

Что такое исследования в области компьютерных наук?

Что такое исследования в области компьютерных наук? См.

также Что это доктор философии в HCI? А также Заметки Аарона Сломана о Представление тезисов.

Что такое исследования в области компьютерных наук?

Glasgow Interactive Systems Group (GIST),
Департамент компьютерных наук, Университет Глазго,
Glasgow, G12 8QQ.

Тел.: +44 141 330 6053
Факс: +44 141 330 4913
Электронная почта: [email protected]

В этой статье утверждается, что расширение масштабов «информатики» затрудняет поддержание традиционных научных и инженерных моделей исследований. В частности, недавние работы по формальным методам отказались от традиционных эмпирических методов. Точно так же исследования в области разработки требований и взаимодействия человека с компьютером бросили вызов сторонникам формальных методов. Эти противоречия проистекают из того факта, что «вычислительная наука» является неправильной номой. Темы, которые в настоящее время считаются частью дисциплины информатики, связаны скорее с технологией, чем с теорией. Это создает проблемы, если академические отделы должны навязывать научные критерии при оценке докторов наук. Поэтому важно, чтобы люди задавали себе вопрос: «Что такое исследования в области вычислительной техники?», прежде чем начинать обучение на более высоком уровне.

Эта статья предназначена в качестве введения высокого уровня для студентов-исследователей первого года обучения или студентов, обучающихся на продвинутом курсе магистратуры. Его следует читать в сочетании с базовыми исследовательскими навыками в области компьютерных наук.

Ключевые слова: исследовательские навыки, информатика.

1. Введение

Хорошая исследовательская практика предполагает, что мы должны начать с определения наших терминов. Словарь Oxford Concise определяет исследование как:

исследования. 1.а. систематическое исследование и изучение материалов, источников и т. д. с целью установления фактов и новых выводов. б. попытка открыть новые или сопоставить старые факты и т. д. путем научного изучения предмета или путем критического исследования.

Это определение полезно, потому что оно сразу акцентирует внимание на систематическом характере исследования. Иными словами, само значение термина подразумевает исследовательский метод. Эти методы или системы по существу обеспечивают модель или структуру для логического аргумента.

1.1 Диалектика исследования

Высший уровень логической аргументации можно увидеть в структуре дебатов в определенной области. Каждый вклад в эти дебаты относится к одной из трех категорий:

тезис
Это оригинальное изложение идеи. Однако очень немногие исследования могут претендовать на полную оригинальность. Большинство заимствует идеи из предыдущей работы, даже если это исследование проводилось в другой дисциплине.
антитеза
Это аргумент, опровергающий предыдущий тезис. Как правило, этот аргумент может основываться на новых источниках данных и обычно касается прогресса в какой-либо области.
синтез
Это попытка сформировать новый аргумент из существующих источников. Как правило, синтез может разрешить кажущееся противоречие между тезисом и антитезисом.

Хорошим примером этой формы диалектики служат дебаты о прототипировании. Например, некоторые авторы утверждают, что прототипы представляют собой полезные средства создания и оценки новых проектов на ранних стадиях процесса разработки (тезис) (Фукс, 19).92). Другие представили доказательства против этой гипотезы, предполагая, что клиенты часто выбирают особенности среды прототипирования, не рассматривая возможные альтернативы (антитезис) (Hayes and Jones, 1989). Поэтому третья группа исследователей разработала методики, предназначенные для уменьшения предвзятости в отношении характеристик среды прототипирования (синтеза) (Gravell and Henderson, 1996). Исследования в области развиваются посредством применения методов для доказательства, опровержения и переоценки аргументов таким образом.

2.

Модели аргументации Более подробный уровень логического аргумента можно увидеть в структурах дискурса, которые используются для поддержки отдельных работ тезиса, антитезиса или синтеза.

2.1 Доказательство демонстрацией?

Возможно, наиболее интуитивно убедительная модель исследования — создать что-то, а затем позволить этому артефакту служить примером для более общего класса решений. Существует множество примеров использования этого подхода в области компьютерных наук. Можно утверждать, что проблемы реализации многопользовательских операционных систем были решены скорее за счет внедрения и расширения UNIX, чем за счет более взвешенного процесса научных исследований.

Однако есть много причин, по которым этот подход является неудовлетворительной моделью для исследования. Основное возражение состоит в том, что это сопряжено с высокими рисками. Например, артефакт может выйти из строя задолго до того, как мы узнаем что-либо о выводе, который мы пытаемся обосновать. Действительно, часто этот подход игнорирует формирование какой-либо четкой гипотезы или заключения до тех пор, пока артефакт не будет создан. Это может привести к тому, что артефакт станет для исследователя более важным, чем идеи, которые он призван установить.

Отсутствие четкой гипотезы не должно быть препятствием, как может показаться. Подход доказательства путем демонстрации имеет много общего с современной инженерной практикой. Итеративное уточнение можно использовать для постепенного продвижения реализации к желаемому решению. Доказательства, полученные во время предыдущих неудачных попыток, могут быть использованы для лучшего определения цели исследования по мере продвижения работы. Ключевая проблема здесь заключается в том, что для итеративной разработки артефакта, в свою очередь, требуется метод или структура. Инженерам необходимо тщательно спланировать способы, с помощью которых ошибки, обнаруженные в одной итерации, могут быть учтены в последующей разработке. Обычно это делается с помощью методов тестирования, основанных на других моделях научной аргументации. Эта тесная связь между инженерным и научным методом не должна вызывать удивления:

машиностроение н. применение науки к проектированию, строительству и использованию машин, строительству и т. д. (Оксфордский краткий словарь).

2.2 Эмпиризм

Западную эмпирическую традицию можно рассматривать как попытку избежать ненаправленной интерпретации артефактов. Он создал самую доминирующую исследовательскую модель с семнадцатого века. Его можно свести к следующим этапам:

Генерация гипотез
Это явно определяет идеи, которые должны быть проверены в ходе исследования.
Идентификация метода
Здесь явно указаны методы, которые будут использоваться для подтверждения гипотезы. Это очень важно, потому что коллеги должны иметь возможность пересматривать и критиковать уместность выбранных вами методов. Возможность повторить эксперимент является ключевой особенностью сильного эмпирического исследования.
Сбор результатов
Представляет и обобщает результаты, полученные в результате применения метода. Важным понятием здесь является понятие статистической значимости; могут ли наблюдаемые результаты быть результатом случайности, а не наблюдаемого эффекта.
Заключение
Наконец, выводы формулируются как поддерживающие гипотезу или отвергающие ее. В случае, если результаты не подтверждают гипотезу, важно всегда помнить, что это может быть связано со слабостью метода. И наоборот, успешные результаты могут быть основаны на неверных предположениях. Следовательно, жизненно важно, чтобы все детали метода были доступны для экспертной оценки.

Этот подход использовался для поддержки многих различных аспектов исследований в области компьютерных наук. Например, Boehm, Gray and Seewaldt (1984) использовали его для сравнения эффективности методов спецификации и прототипирования для разработки программного обеспечения. Другие использовали его для сравнения эффективности алгоритмов поиска и сортировки. Исследователи в области информационного поиска даже разработали стандартные методы, включающие хорошо известные наборы тестов, для определения прироста производительности от новых поисковых систем.

Есть много проблем со стандартным подходом к научному эмпиризму применительно к информатике. Принципиальное возражение состоит в том, что многие аспекты вычислений не поддаются использованию вероятностных мер при анализе результатов эмпирических тестов. Например, многие статистические меры полагаются на независимость между каждым тестом гипотезы. Очевидно, что такие методы нельзя использовать при попытке измерить производительность любой системы, которая пытается оптимизировать свою производительность с течением времени; это исключает алгоритмы балансировки нагрузки и т. д. Во-вторых, может быть трудно навязать стандартные экспериментальные условия продуктам информатики. Например, если программа ведет себя определенным образом при одном наборе рабочих условий, то нет гарантии, что она будет вести себя так же при другом наборе условий. Эти условия могут снизиться до уровня попадания альфа-частиц в чипы памяти. В-третьих, может быть трудно обобщить результаты строго контролируемых эмпирических экспериментов. Например, только потому, что пользователь находит систему простой в использовании при лабораторной оценке, нет никакой гарантии, что другой пользователь сможет использовать этот продукт, отвлекаясь от своей повседневной рабочей среды. Наконец, трудно определить, когда было проведено достаточное количество испытаний для подтверждения многих гипотез. Например, любая попытка доказать, что программа всегда удовлетворяет некоторому свойству, будет почти наверняка обречена на провал с использованием стандартных экспериментальных методов. Количество потенциальных путей выполнения даже в простом коде делает невозможным тестирование свойств для каждого возможного пути выполнения.

2.3 Математическое доказательство

Неудовлетворенность методами эмпирического тестирования побудила многих в исследовательском сообществе компьютерных наук исследовать другие способы структурирования аргументов в поддержку конкретных выводов. В Соединенном Королевстве большая часть этой работы была сосредоточена на методах аргументации, которые изначально были разработаны для моделирования человеческого дискурса и мышления в области философии. Например, Берроуз, Абади и Нидхэм (1990) использовали этот подход для обоснования правильности сетевых протоколов аутентификации.

Центральная идея этой работы состоит в том, что математику можно использовать для создания системы правил о верных и неверных выводах. Затем эти правила можно применить для определения того, является ли вывод верным выводом с учетом некоторых начальных утверждений о программе или некотором оборудовании.

Область математических рассуждений сама по себе является исследовательской областью. Однако можно выделить два разных подхода к использованию формальных доказательств в качестве исследовательского метода в информатике:

аргумент проверки.
Это попытка установить, что некоторое хорошее свойство будет иметь место в данной системе. Классический подход заключается в том, чтобы позволить человеку в интерактивном режиме направлять систему доказательства теорем к некоторой последовательности шагов доказательства, поддерживающих заключение. Проблема здесь в том, что если человек не может построить доказательство, это не означает, что вывод недействителен. Просто они не смогли это доказать. Другой человек может быть способен построить необходимый математический аргумент.
аргумент опровержения.
Вместо того, чтобы пытаться доказать правильность аргумента, этот подход пытается его опровергнуть. Как правило, это делается путем настройки описания предполагаемого поведения системы. Затем инструменты проверки модели автоматически исследуют пространство состояний предлагаемого приложения, пытаясь найти ситуацию, в которой желаемый вывод не выполняется.

Привлекательность математических методов доказательства очень сильна. Они обеспечивают согласованную основу для анализа исследовательских вопросов в области вычислительной техники. Они также прямо устанавливают критерии обоснованных выводов, а также условия окружающей среды, которые ограничивают объем и применимость процесса рассуждений. Однако существует множество проблем, которые ограничивают применение этого подхода в качестве общего исследовательского инструмента.

Во-первых, необходимо с невероятной осторожностью относиться к интерпретации результатов математических доказательств. Формальные методы есть не что иное, как система аргументации, и здесь следует ожидать ошибок. Проблемы возникают из-за того, что ошибки бывает очень трудно обнаружить, учитывая сложный характер часто используемых математических методов. Вспомните, что центральная особенность эмпирического подхода заключалась в том, что для проверки правильности вашего метода следует использовать открытую экспертную оценку.

Вторая проблема с формальными рассуждениями заключается в том, что их возможности ограничены. Интерактивные и критичные ко времени системы создают особые проблемы для применения математики. Эти вопросы решаются, но остается много проблем.

Третья проблема связана со стоимостью применения формальных методов. Требуется много времени, чтобы приобрести необходимые навыки. Точно так же может потребоваться несколько месяцев, чтобы провести относительно простые проверки для приложений среднего и крупного масштаба.

Наконец, можно утверждать, что обсуждение неудач формальных методов является неадекватным. Опять же, важно напомнить, что неудача в доказательстве гипотезы была ценным результатом для эмпирических методов. Преувеличенные утверждения были сделаны по формальным соображениям, как правило, не самими исследователями, и многие из этих утверждений были фальсифицированы. В результате ошибки в применении математических рассуждений могут рассматриваться как источник стыда, а не возможность обучения для своих коллег и сверстников.

2.4 Герменевтика

Методы формального доказательства основаны на разработке математической модели создаваемого артефакта. Это поднимает важные вопросы об отношениях между этой моделью и реальностью, которую она призвана представлять. Например, если в модели отсутствует какой-либо критический аспект среды программы, то может быть доказано, что она безопасна, но при реализации она может дать сбой. Расстояние между математическими моделями и реальностью обычно называют разрывом формальностей. Герменевтика предлагает альтернативу, которая решает эту проблему.

Герменевтические методы исследования были впервые применены в области социологии. Сам термин означает:

`прил. относительно толкования, особенно Писания или литературных текстов». (Оксфордский краткий словарь).

На практике эти подходы заставляют исследователей наблюдать за работой и использованием артефакта в предполагаемой рабочей среде. Основная предпосылка состоит в том, что абстрактные модели не могут заменить реальное приложение. Точно так же результаты контролируемых экспериментов не дают общих результатов, которые можно точно использовать для оценки производительности за пределами этих контролируемых параметров. В частности, эффект Хоторна предполагает, что люди и даже системы будут работать совершенно по-разному, если их поместить в эмпирическую среду. Работы по ремонту и техническому обслуживанию сильно отличаются для оборудования, предоставляемого в лабораторных условиях. Люди по-разному реагируют, когда знают, что за ними наблюдают. Таким образом, герменевтическое исследование опирается на интерпретацию знаков и наблюдений в рабочем контексте, а не на эксплицитные вопросы людей о работе их систем.

Методы герменевтики призывают исследователей войти в рабочее место. В крайнем случае, производительность алгоритма можно было оценить только в полевых испытаниях с реальными наборами данных на существующих архитектурах с «реальными» уровнями нагрузки от других приложений. Этот акцент на анализе окончательной реализации очень напоминает доказательство посредством демонстрации. Однако главное отличие заключается в том, что исследователь подходит к контексту работы непредвзято и без какой-либо установленной гипотезы, которую нужно доказать или опровергнуть (Suchman, 19).87). Это создает проблемы для проведения направленных исследований, поскольку пользователи могут использовать программы не так, как предполагалось. Например, может быть трудно продемонстрировать, что одна поисковая система работает быстрее другой, если пользователи постоянно отказываются от своих запросов после того, как один или два элемента возвращены, или если они используют эти поисковые системы только один или два раза в течение рабочего дня.

Выводы и путь вперед…

Информатика — незрелая дисциплина. Огромные ресурсы также были вложены в эту тему за относительно короткий период времени. Это привело к поразительным достижениям как в аппаратной, так и в программной инженерии. К сожалению, развитие вычислительной техники не сопровождалось аналогичным развитием методов академических исследований. Преследуя технологические цели, исследователи заимствовали модели аргументации и дискурса из таких разных дисциплин, как философия, социология и естественные науки. Это отсутствие какой-либо согласованной исследовательской структуры отражает силу и жизнеспособность вычислительной науки. Оптимист может возразить, что мы многому научились благодаря введению герменевтики в область анализа требований. Точно так же мы выиграли от введения математических моделей аргументации для определения и проверки сложных систем. Однако ключевая цель этой статьи состоит в том, чтобы побудить людей задуматься об издержках, которые также были понесены разнородным характером исследований в нашей дисциплине:

\ошибка элемента> Я не утверждаю, что мы должны разработать единую исследовательскую модель для вычислительной науки.

Однако я утверждаю, что исследователи должны активно думать о сильных и слабых сторонах исследовательской традиции, которую они принимают. Слишком часто магистерские и докторские диссертации рабски следуют эмпирическим или формальным методам доказательства, не подвергая сомнению пригодность этих подходов. Например, герменевтическая традиция дала результаты, игнорирующие ограничения времени и денег на разработку коммерческой системы. Исследования формальных методов дали результаты, которые настолько далеки от предметной области, что их невозможно применить или проверить. Трагедия заключается в том, что пока мы не признаем эти неудачи, мы будем продолжать заимствовать ошибочные методы исследования из других дисциплин.

использованная литература

Б.В. Бем, Т.Е. Грей и Т. Зеевальд, Прототипирование против. Спецификация: Мультипроектный эксперимент, IEEE — Седьмая конференция по программной инженерии, 473–484, Computer Society Press, Вашингтон, Соединенные Штаты Америки, май 1984 г.
М. Берроуз, М. Абади и Р. Нидхэм, Логика аутентификации. ACM Transcations on Computer Systems, 8(1):18-36, 1990.
СВ Фукс, Спецификации (предпочтительно) исполняемые, Software Engineering Journal, 323–334, 19 сентября.92.
А. М. Гравелл и П. Хендерсон, Выполнение формальных спецификаций не должно быть вредным, Журнал разработки программного обеспечения, 104-110, март 1996 г.
И.Дж. Hayes and CB Jones (1989), Спецификации не являются (обязательно) исполняемый файл, Журнал разработки программного обеспечения, 1989, 4, (6), стр. 330-338.
К. В. Джонсон, Грамотная спецификация, Журнал разработки программного обеспечения, 225–237, сентябрь 1996 г.
Л. Сучман, «Планы и ситуативные действия: проблема взаимодействия человека и машины», издательство Кембриджского университета, Кембридж, Великобритания, 1987.

Методология исследований в области компьютерных наук – TheSassWay.com

В компьютерных науках методология исследований представляет собой процесс разработки плана проведения исследования и последующего выполнения этого плана. Первым шагом в методологии исследования является определение проблемы или вопроса, которые вы хотите изучить. После того, как вы это сделаете, вам нужно решить, какой тип данных вам понадобится, чтобы ответить на ваш вопрос. Эти данные могут поступать из экспериментов, опросов или наблюдений. После того, как вы собрали данные, вам нужно будет проанализировать их, чтобы увидеть, подтверждают ли они вашу гипотезу. Наконец, вам нужно будет изложить свои выводы в документе или отчете.

Методология исследования представляет собой набор процедур или методов, используемых для идентификации, отбора, обработки и анализа информации по теме исследования. Существует два типа методов исследования: качественные и количественные. Методы, используемые для сбора данных наблюдений, экспериментов, моделирования и производных данных, могут использоваться для классификации этих типов данных. Первичные исследования в области компьютерных наук представлены в таблице 4. В ней использовалось 79 различных исследовательских подходов, и был выбран наиболее распространенный подход. Количественные исследования отличаются от качественных тем, что для описания, вывода и решения проблем используются числа. Качественные, количественные и смешанные методы исследования представляют собой три типа исследований.

Целью методологии исследования является систематическое решение исследовательских задач. Как науку о научном изучении того, как проводятся исследования, ее можно рассматривать как таковую. В статье рассматриваются различные шаги, которые исследователь обычно предпринимает при изучении исследовательской проблемы, а также их логика.

Способность социолога проводить исследования требует его легитимности и более широкого признания. Методы позитивистского и интерпретативного исследования обычно используются по-разному. Методы социологического исследования обычно делятся на три категории.

Методы могут быть любыми, которые используются для выбора метода исследования. Методология – это процесс рассмотрения всех методов и процедур, используемых для проведения расследования. На заключительных этапах исследования используется ряд методов. Методологии используются на каждом этапе исследовательского процесса.

Объем исследования – это граница, в пределах которой будет осуществляться исследовательский проект; его также можно назвать областью исследования. Вы должны определить все аспекты вашего исследовательского проекта, чтобы определить его объем.

Что такое методология исследования на примере?

Кредит: ppt-online.org

Ученым доступно множество различных методов исследования, каждый из которых имеет свои преимущества и недостатки. Наиболее подходящий метод исследования для данного исследования будет зависеть от ряда факторов, включая природу изучаемого явления, желаемый результат исследования и доступные ресурсы.
Например, если исследователь хочет изучить редкое заболевание, поражающее лишь небольшое число людей, было бы нецелесообразно использовать такой метод, как рандомизированное контролируемое исследование, для которого потребуется большое количество участников. Вместо этого более подходящим было бы исследование случай-контроль. Этот метод исследования включает сравнение людей, у которых есть заболевание (случаи), с людьми, у которых его нет (контроль), и поиск различий между двумя группами.

Хорошая исследовательская методология дает научно обоснованные результаты, а плохая — нет. Количественные, качественные и смешанные методы представляют собой три типа методологии исследования; для них характерно сосредоточение внимания на словах, числах или на том и другом. Это превосходная глава методологии в диссертации или диссертации, которая не только объясняет, что такое методологическое решение, но и объясняет, почему оно было принято. Дизайн выборки различают по двум типам: вероятностная выборка и невероятностная выборка. Крайне важно выбрать правильный метод сбора данных для целей и задач вашего исследования. Прежде чем применять какую-либо технику (или более), необходимо провести качественный анализ данных с использованием кодирования данных. Крайне важно выбрать правильный метод сбора данных для вашего исследования, поскольку он основан на ваших общих целях и задачах, а также на ваших практических и ресурсных ограничениях. Хотя проектирование и разработка методологии исследования является важным шагом в этом процессе, ключевой посыл заключается в том, что вы всегда должны начинать со своих целей и задач.

Для сбора данных необходимо проводить интервью, фокус-группы и наблюдения. Исследователь использует интерпретацию и анализ для понимания данных. Качественные исследования могут предоставить больше контекста и интерпретации по сравнению с количественными исследованиями. Когда дело доходит до определения надежной и точной информации, это может быть труднее, чем когда-либо прежде.
У каждого типа исследований есть свои преимущества и недостатки. Количественные методы часто могут использоваться для принятия более точных решений, помимо того, что они более надежны. Качественные исследования могут быть более интересными и приятными, поскольку они позволяют получить более глубокое понимание данных.
При проведении исследований убедитесь, что используемая вами информация достоверна и точна. Для проведения исследований исследователи должны убедиться, что используемая ими информация верна и актуальна. Если информация не является надежной и точной, исследование должно быть этичным.

Что такое методология исследования и ее виды?

Авторы и права: SlideServe

Методология — это систематический и логический подход к решению проблемы. Это структура, которая используется для сбора, анализа и интерпретации данных. Существует множество различных типов методологии исследования, и каждый из них имеет свои сильные и слабые стороны. Наиболее распространенными типами методологии исследования являются качественные и количественные. Качественные исследования сосредоточены на понимании и описании опыта людей. Он часто используется для изучения мнений и убеждений людей. Количественные исследования сосредоточены на измерении и подсчете вещей. Он часто используется для проверки гипотез и сравнения групп людей.

В исследовательской методологии методы и приемы используются для эффективного проведения исследований. В исследовании используется несколько методов для объяснения идей. Ограничений по типу метода нет, и исследователь свободен в выборе. Ниже приводится список типов методов исследования. Классификация методов исследования основывается на ряде критериев. Это процесс исследования того, как можно изменить традиционные практики или какие новые можно открыть. Крайне важно иметь организованную структуру, которая позволяет создавать и решать гипотезы.

Опросы имеют решающее значение для проведения исследований, поскольку они могут собирать большое количество данных в режиме реального времени. Опросы часто используются в бизнесе, чтобы понять спрос на продукт на рынке, а также спрогнозировать его производство на основе результатов. Тематические исследования — это тип методологии исследования, который учитывает все случаи, а затем выбирает наиболее подходящий для исследования. Понимание метода исследования необходимо для проверки и подтверждения ваших выводов.

Количественные исследования — наиболее распространенный вид исследований, в которых для анализа данных используются статистические методы. Количественные исследования часто полезны при изучении конкретного вопроса или проверке гипотез.
Во многих случаях качественное исследование более эффективно, чем количественное, при попытке глубоко изучить тему. Качественные исследования часто проводятся с использованием глубинных интервью, фокус-групп и опросов. Качественные исследования, помимо предоставления уникальной информации, также могут быть использованы для получения более широкого спектра точек зрения.
В процессе проведения исследования смешанных эффектов используются как количественные, так и качественные методы. Исследователи могут использовать смешанные методы исследования, чтобы получить более полное представление о теме, комбинируя количественные и качественные данные.
Поисковое исследование ищет новые идеи и решения. Благодаря исследовательскому исследованию часто можно разработать новый подход к решению проблемы.
Целью описательного исследования является описание характера, характеристик и распределения данных. Описательный исследовательский подход часто полезен при изучении конкретной темы или описании сложной проблемы.
Одним из методов определения причины явления является экспериментальное исследование. Во многих случаях поисковые исследования используются, чтобы понять, как работает событие или явление.
Используя корреляционное исследование, мы можем исследовать взаимосвязь между переменными. Когда проводятся корреляционные исследования, переменные часто коррелируют.
Причинное исследование используется для определения причины события. Каузальное исследование — это тип исследования, целью которого является определение происхождения явлений.

Подход смешанных методов: сочетание качественных и количественных методов исследования

Количественные исследования включают применение чисел и математических формул для измерения того, что мы наблюдаем. Для достижения наилучших результатов необходимо планировать и измерять переменные. Опросы, фокус-группы или другие формы количественных исследований обычно используются исследователями, которые проводят исследования такого типа.
Качественное исследование предполагает сбор слов и интервью людей и запись их мыслей и чувств. Многие люди используют его, чтобы лучше понять сложные явления или расширить свои знания по теме. Качественные методы могут использоваться для сбора данных лично, путем проведения опросов или опроса небольшой группы респондентов.
Методы смешанных методов Исследователи используют сочетание качественных и количественных методов смешанных методов. Результаты этого исследования могут быть улучшены в результате такого подхода. Сочетание количественных и качественных методов исследования является важной частью исследования смешанных методов, поскольку оно позволяет получить более полное представление о данных.

Почему важно выбрать лучшую методологию исследования для компьютерных наук?

Существует множество различных методологий исследований в области информатики, и важно выбрать наилучшую для своего проекта. Лучшая методология исследования будет зависеть от конкретного вопроса, на который вы пытаетесь ответить, и имеющихся у вас данных. Некоторые распространенные методологии исследований в области компьютерных наук включают экспериментальный дизайн, опросы, интервью и тематические исследования.
Экспериментальный дизайн часто используется для проверки гипотез о том, как работают компьютерные системы. Этот тип исследования строго контролируется, поэтому исследователь может выделить определенные переменные и измерить их влияние на систему.
Опросы — хороший способ собрать данные от большого количества людей. Этот тип исследования можно использовать для изучения удовлетворенности пользователей системой или для понимания того, как люди используют систему.
Интервью — хороший способ получить подробную информацию от небольшого числа людей. Этот тип исследования часто используется для понимания мотивов и целей пользователей.
Тематические исследования — хороший способ понять, как система используется в реальных условиях. Этот тип исследования часто используется для понимания влияния новой системы на пользователей.

Если вы выберете правильную методологию исследования, результаты вашего исследования будут определены. Для проведения исследований могут использоваться качественные и количественные методы. Мы подробно обсуждаем методологии исследования в этой статье, которая поможет вам выбрать, какой метод лучше всего подходит для вашего исследования. Для большинства предметов исследования доступны различные методы, в том числе качественные, количественные и смешанные методы. Изучение качественных данных сложнее, чем изучение количественных данных. Ваша цель — не только описать свои методы, но и продемонстрировать, как и почему вы использовали их в своем исследовании.

Что важнее всего в методологии исследования?

Почему так важна методология исследования? Метод исследования отвечает за легитимность исследовательского процесса, а также за научную достоверность его результатов. Кроме того, он предоставляет подробный план, который помогает исследователям следить за ходом своей работы, делая процесс проще, эффективнее и управляемее.

Два типа методов исследования: качественный и количественный

Существует два типа методов исследования: те, которые сосредоточены на одной теме, и те, которые сосредоточены на нескольких темах. Используются количественная и качественная информация. Качественное исследование направлено на то, чтобы понять мысли, чувства и переживания участников. Количественные исследования связаны с определением лучшего метода измерения и анализа данных.
Он часто используется для изучения восприятия какого-либо события, например, кандидата в президенты или кандидата, баллотирующегося на пост. С другой стороны, количественные исследования обычно используются, когда цели и задачи исследования подтверждены. Количественные исследования, как правило, используют такие меры, как опросы и анкеты, для получения данных.

Каковы наиболее важные факторы при выборе наилучшего дизайна методологии для вашего исследования?

При разработке проекта следует учитывать характеристики целей вашего исследования, вопросы исследования и цели исследования. Методологические подходы, используемые в существующей литературе, резюмируются ниже. Ограничения и практичность.

Три вопроса, которые необходимо задать перед сбором данных

Для начала вы должны определить, какая информация вам требуется. Чтобы ответить на вопрос, нужно сначала определить, что это за вопрос. Как только у вас появится общее представление о вопросе, вы можете начать спрашивать себя, как вы будете собирать информацию.
Во втором вопросе вы должны запросить дополнительную информацию. Вы будете искать данные, которые уже доступны вам, такие как правительственные данные или данные, к которым можно получить доступ в Интернете.
Третий и самый важный вопрос: какая информация будет полезной. Подумайте, какие данные будут полезны в вашем исследовании, а также будут ли они вам доступны. Если данные недоступны, их, возможно, придется собрать.

Методология исследований в области информатики Конспект лекций

На этот вопрос нет однозначного ответа, поскольку он зависит от конкретной методологии исследования, используемой в области информатики. Однако некоторые общие элементы конспектов лекций по методологии исследования могут включать введение в тему, обсуждение различных методов исследования, используемых в компьютерных науках, и заключение.

Исследовательская работа определяется как любая попытка систематически и точно изучить проблему или дополнить знания человека об этой проблеме. Исследования ученого — это сердце и душа любой области, без них любая дисциплина просто перестала бы работать. Цель исследования — обнаружить ранее неизвестные факты о людях. Продвигать человеческое знание — значит делать его более определенным или более удобным для индивидуума. Отчет об исследовании может быть классифицирован как исследовательский, описательный, объяснительный или прогнозный в зависимости от его цели. Теоретическое или прикладное исследование также может быть основано на результатах, в зависимости от уровня применения, который они демонстрируют в реальных жизненных ситуациях. Undertaresearch — лучший способ начать изучение исследований.

Методы исследования в компьютерных науках: вызовы и проблемы

1 Введение

Словари определяют исследование как «систематическое исследование и изучение материалов и источников с целью установления фактов и получения новых выводов. (Фаулер et al., 2011) » Ученые, например, DePoy и Гитлин (2015) предлагает, чтобы определение было разработано и предоставлено в контексте области исследования и связанной с ней отрасли науки. Поэтому, обосновав свое мнение о том, что широкое определение исследования не принесет практической пользы в исследованиях, они дают свое определение области своих интересов, в данном случае гуманитарных наук, как «множественные систематические стратегии для получения знаний о человеческое поведение, человеческий опыт и человеческое окружение, в которых процессы мышления и действия исследователя четко определены, чтобы они были логичными, понятными, подтверждаемыми и полезными» (ДеПой и Гитлин, 2015) . Они также называют исследование «множественной, систематической стратегией получения знаний о человеческом поведении, человеческом опыте и человеческой среде», которую исследователь проводит, применяя и следуя явному процессу (DePoy и Гитлин, 2015) . Опять же, упоминая, что термин «исследование» определяется по-разному, Punch (2000) переопределяет его как «организованный, систематический и логический процесс исследования с использованием эмпирической информации для ответа на вопросы (или проверки гипотезы). (Punch, 2000) » Под гипотезой мы понимаем утверждение, которое может быть как истинным, так и ложным, которое исследователи пытаются выяснить, проводя свое исследование Гитлин, 2015) . Упомянутые определения и другие определения, которые можно найти в литературе по методам исследования, почти с теми же составляющими, предполагают, что исследования имеют, по крайней мере, три общих понятия: (а) разработать исследовательский вопрос, (б) предложить и следовать подходу или методу для решения/исследования/решения этого вопроса, и (c) предоставить результаты после применения упомянутых методов.

Хотя приведенные выше определения применимы к исследованиям во всех категориях естественных и гуманитарных наук, характеристики каждой области требуют особой адаптации понятий посредством понимания характера конкретного исследования. В этой статье обсуждаются методы и методология исследования в науке в целом и основное внимание уделяется концепции в контексте вычислительной техники и информатики, в частности.

В следующих разделах, во-первых, обсуждаются различные парадигмы метода исследования в различных областях науки (и человечества); далее представлен подход естественных наук к исследованиям; после этого обсуждаются основные парадигмы, лежащие в основе исследовательских подходов в вычислительной технике и информатике; затем представлена теоретическая основа методологии исследования в контексте вычислительной техники и компьютерных наук; наконец, в последнем разделе подводятся итоги обсуждения и делается вывод.

2 исследовательские парадигмы

Обобщение результатов или результатов некоторых экспериментов в области таким образом, чтобы их можно было применить или использовать за пределами конкретной исследуемой области, является основной целью исследования (Хаммерсли и Траяну, 2012 г. ; Де Ваус, 2002) . С этой точки зрения основная цель исследования остается неизменной, в какой бы области науки оно ни проводилось. Это также не зависит от категоризации науки. То есть, например, естественные науки, социальные науки, прикладные науки, науки о поведении и гуманитарные науки преследуют одну и ту же главную цель в своих исследованиях. Однако то, как ученые смотрят на явление и ставят вопросы о нем, существенно различается в зависимости от отрасли и категории науки, в которой они работают. Подходы, которые они используют для решения связанных проблем и ответов на вопросы, также различаются. значительно. В результате сформировалось несколько парадигм исследования. Grbich (2013) определяет парадигмы как «мировоззрения убеждений, ценностей и методов сбора и интерпретации данных. (Грбих, 2013, с. 5) » Дениколо и Becker (2012) определяют его как «базовый набор убеждений, взглядов, ценностей и предположений, которые направляют действия и включают в себя эпистемологические, онтологические и методологические предпосылки исследователя (Denicolo и Becker, 2012) », в котором под «эпистемологией» понимается теория формирования знаний ¹ ¹ 1 Более широкое определение эпистемологии было дано в (Wray, 2002, стр. 237-290) . Хотя эта концепция в основном обсуждается с точки зрения социальных наук, она дает полное представление о концепции с нескольких точек зрения и разными авторами в девяти главах. а «онтолгой» — учение о вещах и природе бытия ² ² 2Онтология — понятие философии. Слово «онтология» в контексте компьютерных и информационных наук было специализировано. Данная специализация представлена в (Gruber, 2015) , что относится к определению слова Gruber (1993) . Эта специализация была обновлена в 2009 г. (Gruber, 2009) . Кроме того, более подробное обсуждение этого вопроса в контексте вычислений можно найти в (Uschold и Грунингер, 1996) ..

Несмотря на достаточное сходство, чтобы составить общее представление, категоризация исследовательских парадигм различается среди ученых (см. (Denicolo and Беккер, 2012; Грбич, 2013; Панч, 2000) ). Например, Дениколо и Беккер (2012) классифицирует исследовательские парадигмы как позитивизм, постпозитивизм, конструктивизм и критическую теорию (Дениколо и Becker, 2012) , а Grbich (2013) представляет его как реализм/постпозитивизм, критическую теорию, интерпретативизм/конструктивизм, постмодернизм и постструктурализм, а также смешанные/множественные методы.

В таблице 1 приведено краткое описание различных исследовательских парадигм. Определения согласно Дениколо и Беккер (2012) ; другой ресурс, такой как Mackenzie и Knipe (2006) также предоставляет более подробную информацию об этой классификации.

Позитивизм/Постпозитивизм

Конструктивизм / Критическая теория

Дедуктивный

Редукционист

Объективист

Сбор данных
- преимущественно количественный

Доминирование
- естественные науки
- наука о жизни

Феноменологический

Переводчик

Субъективист

Сбор данных
- преимущественно качественный

Доминирование
- обществознание
- гуманитарные науки

Таблица 1: Текущие исследовательские парадигмы

Несмотря на различия, которые можно увидеть в различных исследовательских парадигмах, во многих случаях комбинация подходов, предлагаемых этими парадигмами, будет служить проекту исследования гораздо лучше, чем один. Таким образом, в недавних исследованиях больше внимания уделялось парадигме сочетания/мультиметодов, которая получается в результате объединения различных парадигм и связанных с ними методов9.0580 (Джонсон и др., 2007) . На самом деле Рамеш и другие. (2004) показывают, что исследования в области вычислительной техники проводились в соответствии с широким спектром парадигм и подходов.

Однако адаптация отраслевого подхода является необходимым шагом в каждой отрасли науки. В этом плане компьютерная наука как относительно новая дисциплина страдает «отсутствием идентичности», хотя и сочетает в себе опыт своих основных корней, а именно математики и инженерии, (Demeyer, 2011) . Напротив, есть и другие, которые считают, что «информатика — хорошо зарекомендовавшая себя дисциплина», что в ней есть все, что нужно, чтобы ее можно было рассматривать как любую другую науку с долгой историей (Рамеш и др., 2004) . В любом случае указанные основные корни влияют на формирование исследовательской парадигмы вычислительной техники. То есть позитивизм/реализм, который является основной парадигмой естественных наук и наук о жизни, применяется и к вычислениям (Дениколо и Беккер, 2012) .

3 Методы исследования и методология исследования

Несмотря на бесчисленное количество книг, статей и дискуссий о методах и методологиях исследования, найти прямое определение не так-то просто. На самом деле, проблема заключается в интерпретации методологии, а не метода. Некоторые ученые, такие как Клаф и Nutbrown (2012) , например, попытались обсудить термины более подробно. Однако они, похоже, не проводят четкого и четкого различия между этими двумя терминами. Точно так же Макгрегор и Мурнан (2010) дали еще несколько пояснений, отметив, что «слово методология состоит из двух существительных: метод и ология, что означает отрасль знаний». Это также похоже на то, что можно найти в (онлайн Этимологический словарь, 2015) . Иными словами, (Merriam-Webster Dictionary, 2015) определяет происхождение методологии как «Новая латинская методология, от латинского methodus + -logia -logy» и датирует ее 1800 годом. Еще одна статья (Lehaney and Vinten, 1994) фокусируется на использовании термина в конкретном контексте и пытается просветить читателей о путанице, связанной с этим конкретным использованием. Но, несмотря на все усилия, кажется, что «методология» продолжает оставаться запутанным термином в исследовательском сообществе. В частности, во многих отношениях это считалось само собой разумеющимся и взаимозаменяемо использовалось вместе с «методом» во многих ресурсах. Однако в этой статье мы пытаемся четко разграничить эти два понятия следующим образом.

Мы рассматриваем «метод» в контексте исследования как подход, процедуру и руководящие принципы, которые используются при проведении исследования. Метод может потребовать различных инструментов, приборов, оборудования и т.п. Принимая во внимание, что мы рассматриваем «методологию» как научный подход, который исследует, сравнивает, противопоставляет и объясняет различные способы проведения исследования наряду с различными методами, которые могут использоваться в этих процессах. То есть методология обсуждает альтернативные подходы и методы решения исследовательской проблемы. В нем обсуждаются преимущества/недостатки, уместность/неуместность, осуществимость, практичность, этические вопросы и другие параметры подходов к проведению исследования. На протяжении всего обсуждения методология, являющаяся основным компонентом исследования, поясняет, почему для решения «вопроса (вопросов) исследования» был применен тот или иной подход, и как этот подход будет реализован.

Исходя из сказанного, методология исследования должна отражать характер исследования и помогать исследователю должным образом решать область исследования. Для этого исследователь должен посредством теоретических/фактических дискуссий выяснить категорию исследования и парадигму, которые лучше отражают характеристики исследования и способствуют более правильному проведению исследования. Для этого Baban (2009) классифицирует исследования по трем основным темам, которые кратко изложены ниже:

Заявка на исследование
- Чистое исследование — оно направлено на открытие новых знаний, не ожидая мгновенного влияния на текущую ситуацию в области.
- Прикладные исследования. Они направлены на решение конкретной проблемы, которая в настоящее время вызывает озабоченность в этой области.
Цели проведения исследования
- Описательное исследование. Оно направлено на объяснение ситуации и характеристик конкретной проблемы, чтобы извлечь из этого пользу в других исследованиях.
- Поисковое исследование. Оно направлено на поиск надлежащей информации в области, в которой исследователь не может найти предыдущую информацию, чтобы построить глубокую гипотезу.
- Корреляционное исследование — оно направлено на обнаружение корреляций между различными переменными проблемной области, чтобы распознать влияние явления.
- Объяснительное исследование. Оно направлено на объяснение причин, лежащих в основе характеристик явления (ответ на вопрос «почему»), или того, как характеристики явления формируют его.
- Аналитическое исследование. Его можно рассматривать как расширение описательного исследования, поскольку оно не остается на уровне описания и выходит за его пределы, чтобы обнаружить причины проблемы или поведение явления.
Тип запрашиваемой информации

Установить надлежащую парадигму и предложить подходящие методы, которые могли бы лучше всего служить цели исследования, имеют первостепенное значение для исследования. (Бабан, 2009 г., стр. 28-29) обсуждает как количественный, так и качественный подход, основанный на определенных предположениях, которые могут сделать исследователи. Этими допущениями являются онтологические допущения, эпистемологические допущения, аксиологические допущения, риторические допущения и методологические допущения. Другие, такие как Сондерс и другие. (2007) также дают аналогичные точки зрения в этом отношении. Хотя кажется, что это разные мнения, но выводы схожи, а основные различия остаются в том, как излагаются идеи.

4 Исследования в области вычислительной техники

Dodig-Crnkovic (2002) , цитируя Дейкстру, упоминает, что факультеты компьютерных наук под внешним давлением недооценивают «научные» аспекты области знаний в пользу «компьютера», который является инструментом, а не наукой; отсюда следует, что, например, хирурги называют хирургию «ножевой наукой», или имея «вагоностроение», «железнодорожное машиностроение», а точнее «автодвигателестроение»! Этот подход фокусируется на компьютерах как на инструменте, а не на оценке теоретических аспектов и абстрактных элементов этой науки, таких как математика и логика, с одной стороны, и подрывает ее инженерные элементы как необходимую часть, особенно в программной инженерии, с другой. другая рука (Додиг-Црнкович, 2002) . Точно так же давным-давно, в 1970-х годах, 90 580 Ньюэлл и Саймон (1976) заявил, что «Информатика — это эмпирическая дисциплина. Мы бы назвали ее экспериментальной наукой, но, как и в астрономии, экономике и геологии, некоторые из ее уникальных форм наблюдения и опыта не укладываются в узкий стереотип экспериментального метода 90–580 (Ньюэлл и Саймон, 1976, с. 14) ». Dodig-Crnkovic (2002) также относится к трем фундаментальным повторяющимся концепциям вычислений, а именно (а) концептуальные и формальные модели, (б) уровни абстракции и (в) эффективность.

Так что же такое вычисления? Как мы можем это определить? Ответить на эти вопросы не так просто, как кажется на первый взгляд (Снайдер и др., 1994) . Мы наблюдали эту путаницу среди абитуриентов, которые интересуются информатикой, но они не знают, какой сектор вычислительной техники им следует выбрать, потому что им не разъясняют разницу. Тем не менее, что касается бакалавриата в области вычислительной техники, среди большинства ученых существует консенсус относительно различий и общих черт между различными секторами вычислительной техники (например, см. 9).0580 (Совместная рабочая группа ACM/IEEE-CS по вычислительной технике Учебные планы, 2013, 2014; Пистер и др., 2009; Топи и др., 2010) ).

Согласно ACM/IEEE-CS Joint Task Force on Computing Curricula (2013) , «вычисления — это широкая область, которая связана со многими дисциплинами, включая математику, электротехнику, психологию, статистику, изобразительное искусство, лингвистику, физические науки и науки о жизни». Говоря о своей прошлой и текущей ситуации, Denning (2013) заявляет: «вычисления зародились как наука, превратились в инженерию на 30 лет, пока разрабатывались технологии, а затем около 20 лет назад вступили в научный ренессанс. Хотя в вычислительной технике были области, которые демонстрировали идеалы науки, вычислительная техника в целом только недавно начала принимать эти идеалы. Некоторые новые подобласти, такие как сетевая наука, сетевая социальная наука, наука о дизайне и веб-наука, все еще пытаются завоевать доверие к себе как к науке». (Деннинг, 2013 г., стр. 32)

Мы обсудили методы и методологию исследования в контексте естественных и гуманитарных наук. Но как это относится к вычислениям? Милнер (1986) в увлекательной инаугурационной лекции на открытии Лаборатории основ компьютерных наук в Эдинбургском университете дал ответы на вопрос, который, кажется, все еще актуален для многих людей, по прошествии примерно 30 лет. с тех пор, как была прочитана лекция. То есть «Являются ли вычисления экспериментальной наукой?». На самом деле, есть еще более элементарный вопрос: является ли компьютеризация наукой? или даже: Является ли информатика наукой? Должно быть, считалось само собой разумеющимся, что ответы на эти вопросы — скорее простое «да!», однако это не так (Dodig-Crnkovic, 2002) , и если мы не сможем включить вычислительную технику и информатику в качестве действительных членов науки, мы не сможем применять научные подходы к их исследованиям. Это напоминает мне высказывание моего коллеги, ученого в области человечества, который выказывал свое полное удивление по поводу того, как люди, занимающиеся вычислительной техникой, особенно в области разработки программного обеспечения, могут получить докторскую степень и называть себя «доктором философии» по предмету, который в его мнение ни было ни наукой, ни техникой!

Хотя фраза «Вычисления — это наука». кажется аксиомой, для некоторых ученых это не так. Национальная академия наук разработала этот вопрос в 1992 году. Он касается как научных, так и инженерных аспектов вычислений и связывает первый с математическими и инженерными моделями, основанными на теории и абстракции, тогда как второй связывает с практическим применением, основанным на абстракции. и дизайн (Хартманис и Лин, 1992) . Они также сравнивают объект изучения информатики с другими отраслями науки. Например, если объектом исследования в физике является атом, а в биологии — клетка, то «сосредоточиться на информации, способах представления информации, а также на машинах и системах, выполняющих эти задачи» являются объектами изучения в компьютерных науках. наука (Хартманис и Лин, 1992) .

Несмотря на значительный прогресс в вычислительной технике и на то, что компьютеры становятся центральным игроком почти во всех аспектах жизни в новом тысячелетии, некоторые ученые по-прежнему считают, что «информатика — это незрелая дисциплина». Johnson (2006) выступает по вопросам развития вычислительных технологий и академических исследований. С его точки зрения, хотя использование герменевтики в анализе требований и математических моделей для спецификации и проверки сложных систем, например, было полезно для компьютерных исследований, «отсутствие какой-либо согласованной исследовательской структуры отражает силу и жизнеспособность информатики». В результате (Johnson, 2006) призывает исследователей вычислительной техники размышлять над различными аспектами методов исследования, которые они применяют, и критически включать их в свои собственные исследования. Он говорит:
«Слишком часто магистерские и докторские диссертации рабски следуют эмпирическим или формальным методам доказательства, не подвергая сомнению пригодность этих подходов. Например, герменевтическая традиция дала результаты, игнорирующие ограничения времени и денег на разработку коммерческой системы. Исследования формальных методов дали результаты, которые настолько далеки от предметной области, что их невозможно применить или проверить. Трагедия заключается в том, что пока мы не начнем признавать эти неудачи, мы будем продолжать заимствовать ошибочные методы исследования из других дисциплин. 0580 (Джонсон, 2006) ».

В результате исследования в области вычислений могут носить теоретический или экспериментальный характер или их комбинацию; он ценит различные парадигматические взгляды и использует наиболее подходящие инструменты и подходы как количественных, так и качественных методов. Можно возразить, что любая другая наука поступала бы так же, так в чем же разница? Что ж, в этой статье не ставится цель провести исследование в области вычислений другой «вещи», скорее она доказывает сходство исследований в области вычислений и других областей науки, признавая при этом ее особые характеристики, которые делают ее уникальной по сравнению с любой другой областью науки. наука.

5 Экспериментальная информатика против теоретической информатики

Аналогия с исследованием лука может сделать концепцию более понятной. Некоторые источники называют это «исследовательской луковицей» (см. (Saunders и др., 2007, с. 102) ). Хотя это множество накладывающихся друг на друга слоев может показаться сложным, они очень полезны при обсуждении и разработке методологии исследования. В частности, в компьютерных науках, чтобы понять, является ли проводимое исследование теоретическим исследованием (иногда его называют фундаментальным исследованием 9).0580 (Кендал, 2015; Сондерс и др., 2007) ) или экспериментальный, является ключевым вопросом, который существенно влияет на методологию исследования. Теперь, возвращаясь к вопросам, заданным (Milner, 1986) (см. 4), он ясно показал, что предпочитает конвергенцию между теорией и экспериментом. Он приводит аналогию, приводя примеры физиков и химиков, которые улучшили и усовершенствовали свои теории посредством проведения экспериментов, и предлагает использовать тот же подход для информатики, отсюда он делает вывод, что информатика настолько же экспериментальна, насколько и теоретична (Милнер, 1986) .

Снайдер и другие. (1994) определяют экспериментальную информатику (ECS) как «создание нетривиальных аппаратных или программных систем или эксперименты с ними». С этой точки зрения информатику и инженерию (CS&E) следует рассматривать как единое целое, если кто-то хочет обсудить их в контексте экспериментальных исследований. Johnson (2000) , удостоенный премии Кнута 2010 года, предполагает, что «наука — это поиск фундаментальных принципов, управляющих окружающим миром и объясняющих наблюдаемые нами явления», а затем предполагает, что «теоретическая информатика ( TCS) — это «наука», лежащая в основе области вычислений». Затем он заключает, что, поскольку вычисления в основном представляют собой дискретный логический процесс, формальная и математическая природа TCS особенно подходит для науки о вычислениях. Он также добавляет, что теория является важным компонентом не только вычислительной техники, но и ее междисциплинарных характеристик9.0580 (Джонсон, 2000) .

Профессиональные организации также определили вычислительную технику и ее отрасли. Ниже мы ссылаемся на две цитаты. Первый подчеркивает важность алгоритмов и их применения. Эта точка зрения показывает, как теоретические и практические аспекты вычислений работают вместе, а в некоторых исследовательских случаях фактически неразделимы. «Важной частью вычислений является возможность выбирать алгоритмы, подходящие для конкретных целей, и применять их, признавая возможность того, что подходящего алгоритма может не существовать. Это средство основано на понимании ряда алгоритмов, которые решают важный набор четко определенных проблем, распознавая их сильные и слабые стороны, а также их пригодность в определенных контекстах. Эффективность является широко распространенной темой в этой области. (Совместная рабочая группа ACM/IEEE-CS по вычислительной технике Учебные программы, 2013, с. 55 ) ”

Вторая цитата показывает, что вычисления и информатика должны сосредоточиться на абстракции, что, в свою очередь, является причиной того, что некоторые исследования в области информатики рассматриваются как номотетические с парадигматической точки зрения. «Абстракция — фундаментальное понятие в информатике. Принципиальный подход к вычислениям состоит в том, чтобы абстрагироваться от реального мира, создать модель, которую можно смоделировать на машине. Корни компьютерных наук можно проследить в этом подходе, моделируя такие вещи, как траектории артиллерийских снарядов и моделирование криптографических протоколов, оба из которых подтолкнули к развитию ранних вычислительных систем в начале и середине 19 века.40с. (Совместная рабочая группа ACM/IEEE-CS по вычислительной технике Учебные программы, 2013, с. 70 ) ”

Наконец, есть аспект исследования, который неуклонно растет среди различных областей и отраслей науки и гуманитарных наук, который является междисциплинарной характеристикой последних исследований. Снайдер и другие. (2004) определяют междисциплинарное исследование как: «[стр. 26]nap2004interdiscipМеждисциплинарное исследование (IDR) — это способ исследования, проводимого группами или отдельными лицами, который объединяет информацию, данные, методы, инструменты, точки зрения, концепции и/или теории из двух или более дисциплин или областей специализированных знаний для углубления фундаментального понимания или решать проблемы, решение которых выходит за рамки одной дисциплины или области исследовательской практики». Они также предлагают, как оценить предложение по его дисциплинарному покрытию. Вот как они заявили: «[с. 169]nap2004interdiscipEvaluate предложение своей программы исследований в области клеточной биологии, привлекая исследователей в области клеточной биологии и включая значительное число специалистов в области химии, физика, информатика, социальные науки и гуманитарные науки по мере необходимости; эта практика поможет обеспечить дисциплинарную широту и уменьшить предвзятость». На самом деле многие современные проблемы не могут быть решены с помощью одного аспекта знания (Снайдер и др., 2004) . Компьютеры играют большую роль в этом аспекте исследований. В результате мы можем ожидать все больше и больше междисциплинарных, междисциплинарных и междисциплинарных исследований, которые так или иначе используют компьютеры или, скорее, переплетаются с ними.

5.1 Темы исследований: примеры

Wilson (1952) считает, что «многие ученые обязаны своим величием не умению решать проблемы, а мудрости их выбора». Он также заявляет, что «наиболее благодарная работа обычно состоит в том, чтобы исследовать доселе нетронутое поле», которое «не легко найти сегодня. Wilson (1952)

также заявляет, что «Хотя с того дня, когда это было сказано, область исследований резко изменилась, но его собственная «мудрость» ценится больше, когда читаешь его книгу в контексте вычислений, наука, находившаяся в то время в зачаточном состоянии. Следующая цитата из его книги до сих пор неоценима, особенно когда смотришь на различные исследовательские вопросы в области вычислений и хочешь выбрать путь для исследований в этой области. «Исследователь в области чистой науки, у которого не всегда больше проблем, которые он хотел бы решить, чем у него есть время и средства для их исследования, вероятно, занимается не тем делом. Он может быть превосходным экспериментатором и обладать всеми качествами, необходимыми для успеха в прикладной науке, но ему не хватает качеств ума, важных для чистой науки. Это вовсе не означает, что прикладная наука легче, менее требовательна и ни в чем не уступает чистой науке; требует своих особых способностей, но они несколько иные

(Wilson, 1952, стр. 2) ».

В следующих разделах перечислены некоторые примеры тем исследования как для TCS, так и для ECS. Темы были выбраны из коллекции, полученной с помощью различных поисковых систем. Для каждой темы дается краткое описание, показывающее их основное направление.

5.1.1 Теоретическая информатика

Теоретическая информатика (TCS), как упоминалось ранее в этом разделе, охватывает формальные правила, в основном основанные на математике и логике, лежащие в основе вычислительной науки в целом. Таким образом, большинство исследовательских случаев в этой области формируют гипотезы, которые приводят к обобщению результатов для формирования теоремы или формальной модели, или предлагают улучшения предыдущих формальных моделей и алгоритмов, или другие виды теоретизирования, расширяющие научный фон. этой области вычислений.

Например, ниже приведен список статей, связанных с исследованием TCS:

Алгоритм быстрого поиска строк. Это исследование направлено на улучшение алгоритма поиска, предоставляя теоретический анализ предлагаемых улучшений (Бойер и Мур, 1977) .
Наименьшая автоматизация, распознающая подслова текста. Автоматы, конечные автоматы и детерминированные конечные автоматы (ДКА) долгое время были неотъемлемой частью теоретической информатики. Это исследование предоставляет алгоритм для построения наименьшего частичного DFA для определенной задачи (Блумер и др., 1985) .
Более быстрый алгоритм проверки полиномиальной представимости функций над конечными целочисленными кольцами. Это исследование также является усовершенствованием уже разработанного алгоритма полиномиальной представимости. Читая статью, описывающую это исследование, можно, на первый взгляд, сказать, что это исследование по математике (Гуха и Дуккипати, 2015) . Однако при внимательном прочтении предоставленные алгоритмы объясняют, почему это исследование было проведено в области компьютерных наук.
Грамматики категориальных зависимостей. Формальные грамматики являются еще одной важной частью TCS, которые по-разному используются в языках программирования и других формальных языковых обработках в вычислениях. В этой статье представлена «абстрактная теоретическая версия субкоммутативных» грамматик категориальной зависимости (Дехтяр и др., 2015) .
Почти конфиденциальный поиск информации — это исследование, касающееся конфиденциальности данных, которое предлагает улучшение предыдущих подходов для обеспечения безопасного и надежного извлечения данных (Чакрабарти и Шубина, 2007) .

Приведенный выше список и краткие пояснения показывают теоретическую тему, протекающую в исследованиях такого типа. Это, как видно ниже, отличается от целей ECS.

5.1.2 Экспериментальная информатика

Experimental Computer Science (ECS) — это совокупность лучших практик, методов, процедур и приемов, которые помогают специалистам в области вычислительной техники продвигать информатику от ее теоретической основы к прикладной науке. Хотя вычисления кажутся экспериментальной областью, исследования показали, что до 1995 это было не так, по крайней мере, при оценке опубликованных результатов (Tichy и др. , 1995) . Однако это не означает, что теоретические исследования были доминирующим направлением. На самом деле по Тичи и другие. (1995) , около 70% статей, опубликованных ACM (Association for Computing Machinery), касались проектирования и моделирования. Быстрый поиск с использованием различных поисковых систем по-прежнему показывает, что эта ситуация в некоторой степени сохраняется, что подтверждается Wainer et al. (2009 г.) в том числе. Следовательно, в 2006 г. все еще звучал призыв к культурным изменениям в компьютерных науках, направленным на то, чтобы больше ценить экспериментальные подходы (Feitelson, 2006) .

Несмотря на такую ситуацию, в настоящее время мы можем найти экспериментальные исследования высокого качества. Ниже приведены некоторые образцы. Однако еще рано говорить о том, что исследования в области компьютерных наук являются устоявшейся дисциплиной. ⁵ ⁵ 5Автор столкнулся с замешательством и непониманием исследований в области вычислительной техники как в промышленности, так и в академических кругах. Все еще кажется трудным убедить студентов полностью разграничить разработку программного обеспечения, например, с экспериментальными исследованиями в области вычислительной техники. Методы исследования в целом, по-видимому, высоко ценятся и понимаются студентами, изучающими другие области науки (социальные или естественные) и инженерию, а не информатику.

Проверка и анализ влияния изменений политик управления доступом. В этом исследовании исследуются политики управления доступом к данным с помощью программного обеспечения под названием Margrave. Цель состоит в том, чтобы измерить, как изменения в политиках повлияют на производительность (Fisler et al., 2005) .
Двухуровневый тестовый подход к разработке мобильных обучающих систем с учетом местоположения для курсов естественных наук — В этом исследовании проводятся эксперименты по оценке эффективности мобильной системы обучения учащихся начальной школы (Чу и др., 2010) .

Рассмотрев два основных направления исследований информатики, также видно, что иногда исследователи говорят об «эмпирической» информатике. По той же аналогии, по которой эмпирические исследования отличались от экспериментальных исследований в других науках, они также различаются в информатике и компьютерных науках. Тем не менее, эмпирическим исследованиям уделялось особое внимание в области компьютерной инженерии программного обеспечения 9.0580 (Перри и др., 2000; Волин и др., 2003; Истербрук и др., 2008) .

6 Резюме и заключение

Исследования — один из столпов научно-технического прогресса. Это методический подход к поиску ответов на проблемы посредством исследований и экспериментов, с помощью которых исследователи оценивают гипотезу, дают ответы на вопросы исследования или предлагают решения определенных проблем. Хотя основная цель исследования одинакова для всех отраслей естественных и гуманитарных наук, особенности каждой отрасли требуют определенной адаптации методов, применимых для исследования. Чтобы выбрать правильный метод и разработать способ проведения исследования, исследователи должны обсудить и оценить эти методы в контексте исследования. Этот процесс и его результат вместе называются методологией исследования.

Информатика в целом и информатика в частности являются относительно новыми науками. Хотя конвергенция различных отраслей науки является явлением нового тысячелетия, междисциплинарность вычислительной техники гораздо более очевидна и эффективна, чем у любых других наук. Повсеместное распространение компьютеров не только повлияло на образ жизни человека, но и изменило взаимосвязь между всеми отраслями науки и гуманитарных наук. С одной стороны, эта взаимосвязь побудила исследователей в области вычислительной техники заимствовать и адаптировать исследовательские методы и методологии, которые долгое время использовались в хорошо зарекомендовавших себя науках. С другой стороны, это привело к преждевременности методологии исследований в области вычислений. Кроме того, вычислительная техника включает в себя два аспекта: науку и технику. Для этого методология исследования вычислений обычно обсуждается в двух измерениях, теоретическом и экспериментальном.

С парадигматической точки зрения компьютерные исследования относятся к парадигме позитивизма/постпозитивизма. Соответственно, хотя он в основном использует количественные методы, среди исследователей также распространены качественные и смешанные методы; см. (Wohlin и др., 2003) , например. На самом деле, иногда смешанные методы являются лучшим выбором для компьютерных исследований, особенно когда исследование пересекается с некоторыми другими областями, например, с областями социальных наук.

В результате, несмотря на нынешнюю путаницу в методах и методологии компьютерных исследований, кажется, что его основные проблемы, такие как идентичность, надлежащая адаптация и устоявшиеся образовательные методы, привлекли значительное внимание в сообществе компьютерных исследователей. Следовательно, мы надеемся, что в ближайшем будущем это поможет хорошо зарекомендовавшему себя методу и методологии компьютерных исследований. До тех пор исследователи вычислительной техники должны продолжать шлифовать свои идеи о методах и методологиях исследования, в частности, помогая студентам и начинающим исследователям различать и различать иногда размытую область между производственными проектами разработки приложений/программного обеспечения/разработки систем и прикладными/экспериментальными/теоретическими исследовательскими проектами. .

Ссылки

информатика | Определение, типы и факты

портативный компьютер

Посмотреть все средства массовой информации

Ключевые люди:: Джон фон Нейман Ванневар Буш Алан Тьюринг Джулиан Ассанж Стив Возняк

Похожие темы:: Закон Мура Премия Тьюринга распознавание образов анализ алгоритмов развитие жизненного цикла

Просмотреть весь соответствующий контент →

Самые популярные вопросы

Что такое информатика?

Информатика — это изучение компьютеров и вычислений, а также их теоретических и практических приложений. Информатика применяет принципы математики, инженерии и логики к множеству функций, включая формулировку алгоритмов, разработку программного и аппаратного обеспечения и искусственный интеллект.

Кто самые известные компьютерщики?

Среди наиболее влиятельных ученых-компьютерщиков — Алан Тьюринг, взломщик кодов времен Второй мировой войны, которого обычно называют «отцом современных вычислений»; Тим Бернерс-Ли, изобретатель Всемирной паутины; Джон Маккарти, изобретатель языка программирования LISP и пионер искусственного интеллекта; и Грейс Хоппер, офицер ВМС США и ключевая фигура в разработке первых компьютеров, таких как UNIVAC I, а также в разработке компилятора компьютерного языка.

Что вы можете сделать с информатикой?

Информатика применяется в широком спектре дисциплин, включая моделирование последствий изменения климата и вируса Эбола, создание произведений искусства и визуализацию с помощью графического рендеринга, а также моделирование человеческого интерфейса с помощью искусственного интеллекта и машинного обучения.

Используются ли информатика в видеоиграх?

Разработка видеоигр основана на принципах информатики и программирования. Современный рендеринг графики в видеоиграх часто использует передовые методы, такие как трассировка лучей, для обеспечения реалистичных эффектов. Развитие дополненной реальности и виртуальной реальности также расширило спектр возможностей разработки видеоигр.

Как изучать информатику?

Многие университеты по всему миру предлагают степени, которые обучают студентов основам теории информатики и применениям компьютерного программирования. Кроме того, распространенность онлайн-ресурсов и курсов позволяет многим людям самостоятельно изучать более практические аспекты информатики (такие как программирование, разработка видеоигр и дизайн приложений).

Сводка

Прочтите краткий обзор этой темы

Информатика , изучение компьютеров и вычислений, включая их теоретические и алгоритмические основы, аппаратное и программное обеспечение, а также их использование для обработки информации. Дисциплина информатики включает изучение алгоритмов и структур данных, проектирование компьютеров и сетей, моделирование данных и информационных процессов, а также искусственный интеллект. Информатика черпает некоторые из своих основ из математики и инженерии и поэтому включает в себя методы из таких областей, как теория массового обслуживания, вероятность и статистика, а также проектирование электронных схем. Информатика также широко использует проверку гипотез и экспериментирование во время концептуализации, проектирования, измерения и уточнения новых алгоритмов, информационных структур и компьютерных архитектур.

Информатика считается частью семейства пяти отдельных, но взаимосвязанных дисциплин: вычислительной техники, информатики, информационных систем, информационных технологий и разработки программного обеспечения. Это семейство стало известно под общим названием компьютерной дисциплины. Эти пять дисциплин взаимосвязаны в том смысле, что компьютеры являются объектом их изучения, но они разделены, поскольку каждая из них имеет свою собственную исследовательскую перспективу и учебную направленность. (С 1991 года Ассоциация вычислительной техники [ACM], Компьютерное общество IEEE [IEEE-CS] и Ассоциация информационных систем [AIS] сотрудничали в разработке и обновлении таксономии этих пяти взаимосвязанных дисциплин и руководств, которые образовательные учреждения использовать во всем мире для своих программ бакалавриата, магистратуры и исследовательских программ.)

Основные разделы информатики включают традиционное изучение компьютерной архитектуры, языков программирования и разработки программного обеспечения. Однако они также включают вычислительную науку (использование алгоритмических методов для моделирования научных данных), графику и визуализацию, взаимодействие человека и компьютера, базы данных и информационные системы, сети, а также социальные и профессиональные проблемы, которые являются уникальными для практики информатики. . Как может быть очевидно, некоторые из этих подполей пересекаются по своей деятельности с другими современными областями, такими как биоинформатика и вычислительная химия. Эти совпадения являются следствием склонности ученых-компьютерщиков признавать и действовать в соответствии со многими междисциплинарными связями в своей области.

Информатика как самостоятельная дисциплина возникла в начале 1960-х годов, хотя электронный цифровой компьютер, являющийся объектом ее изучения, был изобретен на два десятилетия раньше. Корни информатики лежат в основном в смежных областях математики, электротехники, физики и информационных систем управления.

Викторина «Британника»

Викторина «Компьютеры и технологии»

Компьютеры размещают веб-сайты, состоящие из HTML, и отправляют текстовые сообщения, такие простые, как… LOL. Взломайте эту викторину, и пусть какая-то технология подсчитает ваш результат и раскроет вам ее содержание.

Математика является источником двух ключевых концепций разработки компьютеров — идеи о том, что вся информация может быть представлена в виде последовательности нулей и единиц, и абстрактного понятия «хранимой программы». В двоичной системе счисления числа представляются последовательностью двоичных цифр 0 и 1 точно так же, как числа в знакомой нам десятичной системе представляются цифрами от 0 до 9. Относительная легкость, с которой два состояния (например, высокое и низкое напряжение) могут быть реализованы в электрических и электронных устройствах, что естественным образом привело к тому, что двоичная цифра или бит стала основной единицей хранения и передачи данных в компьютерной системе.

Электротехника дает основы проектирования цепей, а именно идею о том, что электрические импульсы, поступающие в цепь, могут быть объединены с помощью булевой алгебры для получения произвольных выходных сигналов. (Булева алгебра, разработанная в 19 веке, предоставила формализм для проектирования схемы с двоичными входными значениями нулей и единиц [ложь или истина, соответственно, в терминологии логики], чтобы получить любую желаемую комбинацию нулей и единиц на выходе.) Изобретение транзистора и миниатюризация схем, а также изобретение электронных, магнитных и оптических носителей для хранения и передачи информации явились результатом достижений электротехники и физики.

Оформите подписку Britannica Premium и получите доступ к эксклюзивному контенту. Подпишитесь сейчас

Информационные системы управления, первоначально называвшиеся системами обработки данных, предоставили ранние идеи, из которых развились различные концепции информатики, такие как сортировка, поиск, базы данных, поиск информации и графические пользовательские интерфейсы. В крупных корпорациях размещались компьютеры, на которых хранилась информация, игравшая ключевую роль в ведении бизнеса: начисление заработной платы, бухгалтерский учет, управление запасами, контроль производства, отгрузка и получение.

Теоретическая работа по вычислимости, начавшаяся в 1930-х годах, обеспечила необходимое распространение этих достижений на проектирование целых машин; важной вехой стала спецификация машины Тьюринга (теоретическая вычислительная модель, которая выполняет инструкции, представленные в виде последовательности нулей и единиц) в 1936 году британским математиком Аланом Тьюрингом и его доказательство вычислительной мощности модели. Еще одним прорывом стала концепция компьютера с хранимой в памяти программой, которую обычно приписывают американскому математику венгерского происхождения Джону фон Нейману. Это истоки области информатики, которая позже стала известна как архитектура и организация.

В 1950-х годах большинство пользователей компьютеров работали либо в научно-исследовательских лабораториях, либо в крупных корпорациях. Первая группа использовала компьютеры для выполнения сложных математических расчетов (например, траектории ракет), в то время как вторая группа использовала компьютеры для управления большими объемами корпоративных данных (например, платежных ведомостей и запасов). Обе группы быстро поняли, что писать программы на машинном языке нулей и единиц непрактично и ненадежно. Это открытие привело к разработке языка ассемблера в начале 19 века.50s, что позволяет программистам использовать символы для инструкций (например, ADD для сложения) и переменных (например, X ). Другая программа, известная как ассемблер, переводила эти символические программы в эквивалентную двоичную программу, шаги которой компьютер мог выполнять или «выполнять».

Другие элементы системного программного обеспечения, известные как связывающие загрузчики, были разработаны для объединения фрагментов собранного кода и загрузки их в память компьютера, где они могли выполняться. Концепция связывания отдельных фрагментов кода была важна, поскольку позволяла повторно использовать «библиотеки» программ для выполнения общих задач. Это был первый шаг в развитии области компьютерных наук, называемой программной инженерией.

Позже, в 1950-х годах, язык ассемблера оказался настолько громоздким, что разработка языков высокого уровня (более близких к естественным языкам) стала поддерживать более простое и быстрое программирование. FORTRAN стал основным языком высокого уровня для научного программирования, а COBOL стал основным языком для бизнес-программирования. Эти языки несли с собой потребность в другом программном обеспечении, называемом компилятором, которое переводит программы на языке высокого уровня в машинный код. По мере того, как языки программирования становились все более мощными и абстрактными, создание компиляторов, создающих высококачественный машинный код и эффективных с точки зрения скорости выполнения и потребления памяти, стало сложной задачей информатики. Разработка и реализация языков высокого уровня лежит в основе области компьютерных наук, называемой языками программирования.

Расширение использования компьютеров в начале 1960-х дало толчок к разработке первых операционных систем, которые состояли из системно-резидентного программного обеспечения, которое автоматически обрабатывало ввод и вывод, а также выполняло программы, называемые «заданиями». Спрос на более совершенные вычислительные методы привел к возрождению интереса к численным методам и их анализу, деятельность, которая расширилась настолько широко, что стала известна как вычислительная наука.

В 1970-х и 80-х годах появились мощные компьютерные графические устройства, как для научного моделирования, так и для других видов визуальной деятельности. (Компьютеризированные графические устройства были представлены в начале 19 века.50-х годов с отображением грубых изображений на бумажных графиках и экранах электронно-лучевых трубок [ЭЛТ].) Дорогостоящее оборудование и ограниченная доступность программного обеспечения не позволяли этой области расти до начала 1980-х годов, когда компьютерная память, необходимая для растровой графики (в которой изображение состоит из маленьких прямоугольных пикселей) стал более доступным. Технология растровых изображений вместе с экранами с высоким разрешением и разработкой графических стандартов, которые делают программное обеспечение менее зависимым от машин, привели к взрывному росту этой области. Поддержка всех этих видов деятельности превратилась в область информатики, известную как графика и визуальные вычисления.

С этой областью тесно связано проектирование и анализ систем, которые напрямую взаимодействуют с пользователями, выполняющими различные вычислительные задачи. Эти системы получили широкое распространение в 1980-х и 90-х годах, когда линейное взаимодействие с пользователями было заменено графическими пользовательскими интерфейсами (GUI). Дизайн графического пользовательского интерфейса, который впервые был разработан Xerox, а затем был подхвачен Apple (Macintosh) и, наконец, Microsoft (Windows), важен, поскольку он представляет собой то, что люди видят и делают, взаимодействуя с вычислительным устройством. Разработка подходящих пользовательских интерфейсов для всех типов пользователей превратилась в область компьютерных наук, известную как взаимодействие человека с компьютером (HCI).

Область компьютерной архитектуры и организации также претерпела значительные изменения с тех пор, как в 1950-х годах были разработаны первые компьютеры с хранимой в памяти программой. В 1960-х годах появились так называемые системы с разделением времени, позволяющие нескольким пользователям запускать программы одновременно с разных терминалов, жестко подключенных к компьютеру. В 1970-е годы были разработаны первые глобальные компьютерные сети (WAN) и протоколы для передачи информации на высоких скоростях между компьютерами, разнесенными на большие расстояния. По мере развития этих видов деятельности они объединились в область компьютерных наук, называемую сетями и коммуникациями. Главным достижением в этой области стало развитие Интернета.

Идея о том, что инструкции, как и данные, могут храниться в памяти компьютера, имела решающее значение для фундаментальных открытий, касающихся теоретического поведения алгоритмов. То есть такие вопросы, как «Что можно/нельзя вычислить?» были официально рассмотрены с использованием этих абстрактных идей. Эти открытия положили начало области информатики, известной как алгоритмы и сложность. Ключевой частью этой области является изучение и применение структур данных, подходящих для различных приложений. Структуры данных, наряду с разработкой оптимальных алгоритмов для вставки, удаления и поиска данных в таких структурах, являются серьезной проблемой ученых-компьютерщиков, поскольку они так интенсивно используются в компьютерном программном обеспечении, особенно в компиляторах, операционных системах, файловых системах, и поисковые системы.

В 1960-х годах изобретение накопителей на магнитных дисках обеспечило быстрый доступ к данным, расположенным в произвольном месте на диске. Это изобретение привело не только к более продуманным файловым системам, но и к развитию баз данных и систем поиска информации, которые позже стали необходимы для хранения, поиска и передачи больших объемов и разнообразных данных через Интернет. Эта область информатики известна как управление информацией.

Еще одной долгосрочной целью исследований в области компьютерных наук является создание вычислительных машин и роботизированных устройств, которые могут выполнять задачи, которые обычно считаются требующими человеческого интеллекта. К таким задачам относятся движение, зрение, слух, речь, понимание естественного языка, мышление и даже проявление человеческих эмоций. Область информатики интеллектуальных систем, первоначально известная как искусственный интеллект (ИИ), на самом деле предшествует первым электронным компьютерам в 19 веке.40-х годов, хотя термин искусственный интеллект не был придуман до 1956 года.

Три достижения в вычислительной технике в начале 21-го века — мобильные вычисления, клиент-серверные вычисления и взлом компьютеров — способствовали появлению трех новых областей в области компьютерных наук: разработка на основе платформ, параллельные и распределенные вычисления, а также обеспечение безопасности и информации. Платформенная разработка — это изучение особых потребностей мобильных устройств, их операционных систем и их приложений. Параллельные и распределенные вычисления касаются разработки архитектур и языков программирования, которые поддерживают разработку алгоритмов, компоненты которых могут работать одновременно и асинхронно (а не последовательно), чтобы лучше использовать время и пространство. Безопасность и обеспечение информации связаны с проектированием вычислительных систем и программного обеспечения, которые защищают целостность и безопасность данных, а также конфиденциальность лиц, для которых характерны эти данные.

Наконец, особую озабоченность компьютерных наук на протяжении всей их истории вызывает уникальное влияние на общество, которое сопровождает исследования в области компьютерных наук и технологические достижения. Например, с появлением Интернета в 1980-х разработчикам программного обеспечения необходимо было решить важные вопросы, связанные с информационной безопасностью, личной конфиденциальностью и надежностью системы. Кроме того, вопрос о том, является ли программное обеспечение интеллектуальной собственностью, и связанный с ним вопрос «Кому оно принадлежит?» породила совершенно новую правовую область лицензирования и стандартов лицензирования, которые применялись к программному обеспечению и связанным с ним артефактам. Эти и другие проблемы составляют основу социальных и профессиональных проблем компьютерных наук, и они появляются почти во всех других областях, указанных выше.

SO, чтобы суммировать, дисциплина компьютерных наук превратилась в следующие 15 различных полей:

Алгоритмы и сложности
Архитектура и организация
Computation Sciention Sciention Sciention Scomply
Computing Sciention Sciention Sciention Sciention
Computing Sciention Sciention Sciention
.
Взаимодействие человека с компьютером
Управление информацией
Интеллектуальные системы
Networking and communication
Operating systems
Parallel and distributed computing
Platform-based development
Programming languages
Security and information assurance
Software engineering
Социальные и профессиональные вопросы

Информатика по-прежнему имеет прочные математические и инженерные корни. Программы бакалавриата, магистратуры и докторантуры компьютерных наук обычно предлагаются высшими учебными заведениями, и эти программы требуют от студентов прохождения соответствующих математических и инженерных курсов, в зависимости от области их деятельности. Например, все студенты бакалавриата по информатике должны изучать дискретную математику (логику, комбинаторику и элементарную теорию графов). Многие программы также требуют от студентов прохождения курсов по вычислениям, статистике, численному анализу, физике и инженерным принципам в начале учебы.

Передовые научные исследования в области вычислительной техники | Департамент энергетики

Научные вычисления, включая моделирование, симуляцию и искусственный интеллект, в сочетании с традиционными теоретическими и экспериментальными подходами позволяют совершать прорывные научные открытия и продвигают инновации. По мере того как научное моделирование и симуляция становятся все более сложными и амбициозными, высокопроизводительные вычисления (HPC), широко известные как суперкомпьютеры, обеспечивают бесценную возможность выполнять эти сложные вычисления на высоких скоростях. Суперкомпьютеры наряду с достижениями в программном обеспечении, алгоритмах, методах, инструментах и рабочих процессах предоставляют исследователям мощные инструменты, необходимые для изучения систем, которые в противном случае было бы непрактично или невозможно исследовать традиционными средствами из-за их сложности или опасности, которую они представляют.

Программа Advanced Scientific Computing Research (ASCR) лидирует в стране и мире в области суперкомпьютеров, передовых сетей и современных исследований в области информатики, математики и вычислительной науки. Скоординированные исследовательские усилия ASCR, направленные на использование невероятной мощности HPC, позволяют ученым решать самые насущные проблемы страны в области энергетики, изменения климата и здоровья человека. Эти открытия помогут сформировать наше понимание Вселенной, укрепить экономическую конкурентоспособность США и внести свой вклад в лучшее будущее.

Для сохранения лидерства США в жесткой международной конкуренции требуются специалисты по информатике, прикладной математике и вычислительной технике, которые знают, как разрабатывать инструменты и методы, позволяющие использовать суперкомпьютеры для решения сложных задач сегодня и разработки технологий будущего. Суперкомпьютеры расширяют возможности американской науки и инноваций, позволяя ученым и инженерам исследовать системы, которые слишком велики, слишком сложны, слишком опасны, слишком малы или слишком быстротечны, чтобы проводить эксперименты. От атомов до астрофизики понимание этих сложных систем дает новые материалы, новые лекарства, более эффективные двигатели и турбины, более точные прогнозы погоды и другие технологии для поддержания конкурентоспособности США в самых разных отраслях.

Мы поддерживаем исследования в США в сотнях учреждений и развертываем суперкомпьютеры и сетевые ресурсы с открытым доступом в наших национальных лабораториях. Наши суперкомпьютеры — одни из самых мощных в мире, а наша высокоскоростная исследовательская сеть специально создана для перемещения огромных научных данных со скоростью света. Наше активное исследовательское сообщество, от искусственного интеллекта до квантовых вычислений, поддерживает лидерство США в быстро развивающейся области высоких технологий и затронутых отраслях. Благодаря прочным партнерским отношениям с промышленностью и междисциплинарному сотрудничеству между учеными в предметной области, прикладными математиками и компьютерщиками мы сохраняем лидерство США в науке, технологиях и инновациях.

Узнайте больше о миссии Advanced Scientific Computing Research и о том, как мы ее поддерживаем.

Представляем Frontier

Ученые и сотрудники США получили в свое распоряжение новый мощный инструмент — первый в стране экзафлопсный суперкомпьютер. В июне 2022 года международный список Top500 самых мощных систем в мире назвал систему Frontier Управления науки Министерства энергетики (DOE) самым быстрым суперкомпьютером в мире.

Расположенный в Национальной лаборатории Министерства энергетики в Ок-Ридже, Frontier является продуктом сотрудничества Министерства энергетики и американских технологических компаний HPE и AMD. Эта веха знаменует собой начало долгожданной эры экзафлопсных систем, после более чем 10 лет исследований и разработок, проводимых самыми яркими умами страны — не только для Frontier, но и для других грядущих экзафлопсных систем Министерства энергетики США.

Экзафлопсные системы предоставят следующее поколение вычислений, крайне необходимых для понимания изменения климата и прогнозирования, разработки новых материалов для энергетических технологий и термоядерных реакторов, создания более мощной и адаптивной энергосистемы, разработки новых методов лечения рака, обеспечения быстрых операций в режиме, близком к реальному времени. анализ данных для научных объектов, таких как источники света, и решение проблем в области энергетики, окружающей среды и национальной безопасности.

URL видео

Суперкомпьютер Frontier в Национальной лаборатории Ок-Риджа Министерства энергетики 30 мая 2022 года занял первое место в рейтинге как самый быстрый в мире на 59список TOP500 с производительностью 1,1 экзафлопс.

Видео предоставлено Окриджской национальной лабораторией

Научные достижения ASCR

ПОСМОТРЕТЬ ВСЕ

Новый подход к уменьшению ошибок помогает квантовым компьютерам повысить уровень

Схемы оценки шума в сочетании с другими методами уменьшения ошибок дают надежные результаты для моделирования материалов на основе квантовых компьютеров.

4 мая 2022 г.

Учить больше

Новая квантовая сеть обменивается информацией в масштабе, удобном для будущих приложений реального мира

Исследователи позволяют в режиме реального времени корректировать связь между тремя удаленными узлами в квантовой сети.

21 апреля 2022 г.

Учить больше

Облака лучше, чем когда-либо, с новой экзафлопсной моделью атмосферы, готовой к вычислениям

Ученые демонстрируют ценность новой глобальной модели атмосферы для экзафлопсной модели системы Земли Energy.

7 апреля 2022 г.

Учить больше

Исследование внутренней работы высокоточных квантовых процессоров

Ученые используют томографию с гейт-сетом, чтобы обнаружить и подтвердить открытие кремниевых кубитов.

24 марта 2022 г.

Учить больше

Физики раскрывают секрет поведения уникальных сверхпроводящих материалов

Физики используют суперкомпьютер Summit, чтобы лучше понять семейство сверхпроводников.

3 марта 2022 г.

Учить больше

Могут ли белки связываться только на основании их формы?

Группа исследователей, использующая самый быстрый в стране суперкомпьютер для изучения связывания белков, обнаружила, что некоторые процессы связывания проще, чем ожидалось.

29 октября 2021 г.

Учить больше

Тонкое вращение: новое исследование квантового материала подтверждает теоретические предсказания

Взаимодействия квантовых «квазичастиц» демонстрируют необычный поток жидкости.

7 октября 2021 г.

Учить больше

Компьютеры помогают ученым понять частицы, из которых состоят атомы

Команда изучила некоторые из мельчайших частиц во Вселенной на самом быстром в стране компьютере Summit в Национальной лаборатории Ок-Ридж.

25 августа 2021 г.

Учить больше

Квантовые вычисления обеспечивают беспрецедентное моделирование материаловедения

Многопрофильная команда создает основу для разгадки тайн магнитных материалов.

4 августа 2021 г.

Учить больше

Двоюродный брат поваренной соли может сделать накопление энергии более быстрым и безопасным

Материал с неупорядоченной структурой каменной соли может помочь сделать батареи более безопасными, быстро заряжающимися и способными хранить больше энергии.

15 июня 2021 г.

Учить больше

Новости программы ASCR

Министерство энергетики объявляет о выделении 56 миллионов долларов на исследования математических многогранных интегрированных центров возможностей

Проекты в области прикладной математики для больших задач, представляющих интерес для Министерства энергетики

Учить больше

Министерство энергетики объявляет о выделении 8,5 миллионов долларов на высокопроизводительные алгоритмы для сложных энергетических систем и процессов

Исследования направлены на разработку новых алгоритмов в области проектирования материалов, биоинженерии и приложений для энергосистем

Учить больше

Министерство энергетики объявляет о выделении 15 миллионов долларов на поисковые исследования для экстремальных наук

Исследования, охватывающие инновационные подходы в информатике, прикладной математике и квантовых алгоритмах

Учить больше

Министерство энергетики награждает 18 млн узлов-часов вычислительного времени для поддержки передовых исследований ASCR) программа Leadership Computing Challenge (ALCC).

Учить больше

CSGF DOE приветствует 33 стипендиатов в очередной рекордный год

Новые стипендиаты будут обучаться в общей сложности в 19 университетах, где они будут учиться применять высокопроизводительные вычисления для исследований в различных областях.

Учить больше

Министерство энергетики объявляет о выделении 10 миллионов долларов на новые алгоритмы для понимания сложных энергетических систем и процессов

Исследования сосредоточены на разработке высокопроизводительных алгоритмов для приложений Интернета, электросетей и биологических сетей

Учить больше

Подпрограммы ASCR

Исследования в области прикладной математики

Программа исследований в области прикладной математики разрабатывает основные математические достижения, алгоритмы и программное обеспечение для использования высокопроизводительных научных вычислений для решения реальных задач.

Узнать больше

Исследования в области компьютерных наук

Программа исследований в области компьютерных наук поддерживает исследования, направленные на обеспечение вычислений и сетей в экстремальных масштабах и создание инновационных достижений в области производительности компьютеров.

Узнать больше

Вычислительное партнерство

Наша партнерская программа поддерживает тесное сотрудничество между учеными, прикладными математиками и программистами для ускорения научных вычислений.

Узнать больше

Emerging Technologies

Компьютерные технологии — быстро развивающаяся область. Новые технологии поддерживаются в рамках программы исследований и оценки прототипов и решают проблемы, связанные с технологиями следующего поколения.

Узнать больше

Суперкомпьютеры и сетевые средства

Суперкомпьютеры ASCR, открытые для исследователей из промышленности, научных кругов и национальных лабораторий, являются одними из самых быстрых в мире, а наша сеть специально спроектирована для быстрой передачи больших научных данных.

Использование компьютерных методов и систем в изучении права, интеллектуальном анализе и моделировании правовой деятельности: систематический обзор | ТРОФИМОВ

Возможности использования информационных компьютерных технологий в научной работе учащихся старших классов

Особенности цитологической диагностики на современном этапе

Построение и использование компьютерных моделей.. Бесплатный доступ к реферату

Зарегистрируйся, чтобы продолжить изучение работы

Магазин работ

Компьютерные методы проектирования

Компьютерные системы и технологии

Режимы компьютерной обработки данных

Помощь эксперта

Регистрация прошла успешно!

Скачивание началось

Введи почту

история связи, значение и перспективы. Часть I / Хабр

Применение компьютерных технологий в профессиональной деятельности

Подробнее о работе:

Оглавление

Введение

CS 534 Методы исследования в области компьютерных наук

4 Empir Расследовательская структура

Что такое исследования в области компьютерных наук?

1. Введение

1.1 Диалектика исследования

2.

2.1 Доказательство демонстрацией?

2.2 Эмпиризм

2.3 Математическое доказательство

2.4 Герменевтика

Выводы и путь вперед…

использованная литература

Методология исследований в области компьютерных наук – TheSassWay.com

Что такое методология исследования на примере?

Что такое методология исследования и ее виды?

Подход смешанных методов: сочетание качественных и количественных методов исследования

Почему важно выбрать лучшую методологию исследования для компьютерных наук?

Что важнее всего в методологии исследования?

Два типа методов исследования: качественный и количественный

Каковы наиболее важные факторы при выборе наилучшего дизайна методологии для вашего исследования?

Три вопроса, которые необходимо задать перед сбором данных

Методология исследований в области информатики Конспект лекций

Методы исследования в компьютерных науках: вызовы и проблемы

1 Введение

2 исследовательские парадигмы

3 Методы исследования и методология исследования

4 Исследования в области вычислительной техники

5 Экспериментальная информатика против теоретической информатики

5.1 Темы исследований: примеры

5.1.1 Теоретическая информатика

5.1.2 Экспериментальная информатика

6 Резюме и заключение

Ссылки

информатика | Определение, типы и факты

Прочтите краткий обзор этой темы

Передовые научные исследования в области вычислительной техники | Департамент энергетики

Представляем Frontier

Научные достижения ASCR

Новости программы ASCR

Подпрограммы ASCR

About the Author

admin

Добавить комментарий Отменить ответ

Рубрики

Related Posts