Типологизация профессиональных траекторий одаренных личностей с помощью нейросетевого анализа

doi:10.19181/4m.2023.32.1.5

DOI: https://doi.org/10.19181/4m.2023.32.1.5
EDN: CKAHLQ

Ольга Ростиславовна Чепьюк Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Россия chepyuko@yandex.ru ORCID ID https://orcid.org/0009-0005-2428-5578
Elibrary Author_id 506133
ResearchID Q-9921-2017
Ольга Юрьевна Ангелова Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Россия oangelova@mail.ru ORCID ID https://orcid.org/0000-0003-0226-9583
Elibrary Author_id 259647
ResearchID KIE-8175-2024
Андрей Львович Сочков Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Россия sochkov@iee.unn.ru ORCID ID https://orcid.org/0000-0001-8389-9493
Elibrary Author_id 612471
ResearchID AHB-6652-2022
Татьяна Олеговна Подольская Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Россия podolskaya@iee.unn.ru ORCID ID https://orcid.org/0000-0001-8506-7527
Elibrary Author_id 731790
ResearchID KIG-0243-2024

Аннотация

На основе массива данных (100 биографий), сформированного авторами по результатам контент-анализа биографического материала о выдающихся ученых XIX и ХХ вв. в гуманитарной и естественно-научных сферах, проведена кластеризация профессиональных траекторий одаренных личностей. Методом кластеризации стал нейросетевой анализ на основе самоорганизующихся карт Кохонена. Сами траектории были сформированы в рамках поведенческой модели линейно-стадиального подхода в исследовании жизненных циклов. В рамках этого подхода карьера и профессиональная самореализация человека понимаются как последовательность этапов эволюции человека, фиксированных в порядке наступления. Каждый из этапов был закодирован, а биографии преобразованы в систему векторов. В свою очередь задача кластеризации заключалась в разбиении массива объектов из сотни векторов на типовые группы, имеющие несколько вещественных интервальных координат. Критериями качества кластеризации стали показатели минимальной суммы ошибок квантования, а также коэффициент силуэта. По итогам исследования были выделены и интерпретированы семь профессиональных траекторий одаренных личностей. Анализ траекторий проводился с точки зрения скорости достижения успеха (среднего возраста успеха) и тех факторов и условий жизненного пути, которые могли повлиять на более быстрое или медленное достижение профессиональных целей и самореализацию. На этом примере были показаны возможности и ограничения использования нейросетевого анализа для решения сходных исследовательских задач, в особенности когда требуется работать со сложными формами кластеров и находить их оптимальное число.

Ключевые слова:

нейросетевой анализ, одаренность, одаренная личность, профессиональная траектория, машинное обучение, нейронная сеть, социальный лифт, карты Кохонена

Биографии авторов

Ольга Ростиславовна Чепьюк, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Россия

Доктор философских наук, профессор кафедры управления человеческими ресурсами

Ольга Юрьевна Ангелова, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Россия

Кандидат экономических наук, доцент кафедры информационных технологий и инструментальных методов в экономике

Андрей Львович Сочков, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Россия

Кандидат технических наук, доцент кафедры информационных технологий и инструментальных методов в экономике

Татьяна Олеговна Подольская, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, Нижний Новгород, Россия

Кандидат социологический наук, доцент кафедры управления человеческими ресурсами

Литература

Mayer K., Pfeffer J. Computational Social Science // Schlüsselwerke der Netzwerkforschung / Ed. by B. Holzer, C. Stegbauer. Wiesbaden: Springer VS, 2019. P. 721–723. DOI: 10.1007/978-3-658-21742-6_77.

Beytía P., Schobin J. Networked pantheon: a relational database of globally famous people: Social and behavioural sciences // Research Data Journal for the Humanities and Social Sciences. 2020. Vol. 5, № 1. P. 50–65. DOI: 10.17632/ twvsjygw3m.1.

Chisholm A., Radford W., Hachey B. Learning to generate one-sentence biographies from Wikidata // Cornwall University [site]. 21.02.2017. URL: https://arxiv.org/abs/1702.06235. (date of access: 01.02.2023).

Reznik I., Shatalov V. Hidden revolution of human priorities: An analysis of biographical data from Wikipedia // Journal of Informetrics. 2016. Vol. 10, № 1. P. 124–131. DOI: 10.1016/j.joi.2015.12.002.

Samoilenko A., Yasseri T. The distorted mirror of Wikipedia: a quantitative analysis of Wikipedia coverage of academics // EPJ Data Science. 2014. Vol. 3, № 1. P. 1–11. DOI: 10.1140/epjds20.

Beyond One-Dimensional Portraits: A Synoptic Approach to the Visual Analysis of Biography Data / F. Windhager, M. Schlögl, M. Kaiser [et al.] // Conference: Biographical Data in a Digital World 2017 (BD 2017). Volume: CEUR Vol-2119. Linz, Austria, 2017. P. 67–75.

Collison P., Nielsen M. Science is getting less bang for its buck // The Atlantic [site]. 16.11.2018. URL: https://www.theatlantic.com/science/archive/2018/11/diminishing-returns-science/575665/ (date of access: 19.01.2023).

Sternberg R.J. Identification for utilization, not merely possession, of gifts: What matters is not gifts but rather deployment of gifts // Gifted Education International. 2022. Vol. 38, № 3. P. 354–361. DOI: 10.1177/02614294211013345.

Леонтьев Д.А., Лебедева А.А., Костенко В.Ю. Траектории личностного развития: реконструкция взглядов Л.С. Выготского // Вопросы образования. 2017. № 2. С. 98–112. DOI: 10.17323/1814-9545-2017-2-98-112. EDN: YUPYIX.

Шадриков В.Д. Отношение понятий «жизнь», «поведение», «деятель¬ность» // Мир психологии. 2020. № 2(102). С. 57–65. EDN: BCDJMW.

Galenson D.W. Old Masters and Young Geniuses: The Two Life Cycles of Human Creativity // Journal of Applied Economics. 2009. Vol. 12, № 1. P. 1–9. DOI: 10.1016/S1514-0326(09)60002-7.

Weinberg B.A., Galenson D.W. Correction to: Creative Careers: The Life Cycles of Nobel Laureates in Economics // De Economist. 2019. Vol. 167, № 3. P. 241–241. DOI: 10.1007/s10645-019-09342-0.

Кольцова О.Ю., Маслинский К.А. Выявление тематической структуры российской блогосферы: автоматические методы анализа текстов // Социология: методология, методы, математическое моделирование (Социология: 4М). 2013. № 36. С. 113–139. EDN: RCFOWJ.

Ким А.В., Мальцева Д.В., Щеглова Т.Е. Блокмоделинг для анализа социаль¬ных структур: пример изучения структуры сообщества петербургских социологов // Социология: методология, методы, математическое моделирование (Социология: 4М). 2021. № 53. С. 7–38. DOI: 10.19181/4m.2021.53.1. EDN: HYNUSK.

The effects of outliers’ data on neural network performance / A. Khamis, Z. Ismail, K. Haron, A. Tarmizi // Journal of Applied Sciences. 2005. Vol. 5, № 8. P. 1394–1398. DOI: 10.3923/jas.2005.1394.1398.

Mijwel M.M. Artificial neural networks advantages and disadvantages // Mesopotamian Journal of Big Data. 2021. Vol. 2021. P. 29–31. DOI: 10.58496/mjbd/2021/006.

Schlagberger E.M., Bornmann L., Bauer J. At what institutions did Nobel laureates do their prize-winning work? An analysis of biographical information on Nobel laureates from 1994 to 2014 // Scientometrics. 2016. Vol. 109, № 2. P. 723–767. DOI: 10.1007/s11192-016-2059-2.

Lucchini L., Tonelli S., Lepri B. Following the footsteps of giants: modeling the mobility of historically notable individuals using Wikipedia // EPJ Data Science. 2019. № 8. Р. 36. DOI: 10.1140/epjds/s13688-019-0215-7.

Cui H., Wu L., Evans J.A. Aging Scientists and Slowed Advance // Cornwall University [site]. 08.02.2022. URL: https://arxiv.org/abs/2202.04044 (date of access: 20.02.2023).

Jones B.F., Reedy E.J., Weinberg B.A. Age and scientific genius // The Wiley handbook of genius / Ed. by D. K. Simonton. Hoboken: John Wiley & Sons, Ltd, 2014. P. 422–450. DOI: 10.1002/9781118367377.ch20.

Developmental biographies of Olympic super-elite and elite athletes: A multidisciplinary pattern recognition analysis / A. Güllich, L. Hardy, L. Kuncheva [et al.] // Journal of Expertise. 2019. Vol. 2 (1). P. 23–46.

Letiagina E., Perova V., Orlova E. Neural network analysis of the development of physical education and sports in Russia as an economic factor of country security // Proceedings of the 4th International Conference on Innovations in Sports, Tourism and Instructional Science (ICISTIS 2019). Atlantis Press. 2019. № 11. P. 138–142. DOI: 10.2991/icistis-19.2019.37.

Subotnik R.F., Olszewski-Kubilius P., Worrell F.C. Environmental factors and personal characteristics interact to yield high performance in domains // Frontiers in Psychology. 2019. № 10:2804. P. 1–8. DOI: 10.3389/fpsyg.2019.02804.

Трифонов Ю.В., Сочков А.Л., Соловьев А.Е. Оценка экономического потенциала регионов РФ на основе методологии нейросетевого кластерного анализа // Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки. 2021. № 3(63). С. 38–47. DOI: 10.52452/18115942_2021_3_38. EDN: SIQALB.

Трифонов Ю.В., Сочков А.Л., Куликова А.В. Построение и реализация моделей интеллектуальных цифровых коммуникаций в социально-политических сферах // Экономика и предпринимательство. 2021. № 8(133). С. 1087–1095. DOI: 10.34925/EIP.2021.133.8.209. EDN: UGMSUS.

Carboni O.A., Russu P. Assessing Regional Wellbeing in Italy: An Application of Malmquist–DEA and Self-organizing Map Neural Clustering // Social Indicators Research. 2015. Vol. 122, № 3. P. 677–700. DOI: 10.1007/s11205-014-0722-7.

Regional disaster risk assessment of China based on self-organizing map: Clustering, visualization and ranking / N. Chen, L. Chen, Y. Ma, A. Chen // International Journal of Disaster Risk Reduction. 2019. № 33. P. 196–206. DOI: 10.1016/j.ijdrr.2019.101085.

Абдурахманова Э.М. Исследование структур обобщенных групп, вы¬деляемых разными методами, на примере результатов исследования СТАРТ // Социология: методология, методы, математическое моделирование (Социология: 4М). 2020. № 50–51. С. 37–63. EDN: MEPMGD.

Gülagiz F.K., Sahin S. Comparison of hierarchical and non-hierarchical clustering algorithms // International Journal of Computer Engineering and Information Technology. 2017. Vol. 9, № 1. P. 6–14.

Musdholifah A., Hashim S.Z.M., Zaiton S. Cluster analysis on high-dimensional data: A comparison of density-based clustering algorithms // Australian Journal of Basic and Applied Sciences. 2013. Vol. 7, № 2. P. 380–389.

Research of the innovative development of the Russian Federation regions and its impact on the eco-friendliness of the economy based on neural network cluster analysis for the purpose of economic security / S. Yashin, Y. Trifonov, A. Sochkov [et al.] // E3S Web of Conferences. 2021. Vol. 291. P. 1–10. DOI: 10.1051/ e3sconf/202129103008.

Kohonen T. The self-organizing map // Proceedings of the IEEE. Vol. 78, № 9. P. 1464–1480. DOI: 10.1109/5.58325.

Engineering applications of the self-organizing map / T. Kohonen, E. Oja, O. Simula [et al.] // Proceedings of the IEEE. Vol. 84, № 10. P. 1358–1384. DOI:10.1109/5.537105.

Типологизация профессиональных траекторий одаренных личностей с помощью нейросетевого анализа

Научная статья

Аннотация

Биографии авторов

Литература