Информатика свойства: Недопустимое название — Викиучебник - Управленческое образование

Содержание

1. Информация. Свойства информации. — Методическая копилка учителя информатики

Информация. Свойства информации

Информация обладает определенными свойствами. К основным свойствам информации можно отнести достоверность, объективность, полноту, актуальность, понятность и доступность (рис. 1).

Рис. 1 Свойства информации

Информация достоверна, если она отражает истинное положение дел. Недостоверная информация может привести к принятию неправильных решений. Например, объявление, опубликованное в сети Интернет, может содержать недостоверные сведения о характеристиках какой-либо продукции. Покупатель, который поверил такому объявлению и приобрел товар, может напрасно потратить деньги.

Информация объективна, если она не зависит от чьего-либо мнения или суждения. Объективную информацию можно получить, например, с помощью исправных измерительных приборов. Сообщение «Автомобиль двигался на большой скорости» содержит субъективную информацию. Сообщение «Автомобиль двигался со скоростью 100 км/ч» будет объективным при исправном спидометре.

Информация полна, если ее достаточно для принятия решений. Неполная информация может привести к ошибочным выводам и действиям. Например, сообщение «Температура на улице 10 градусов» без уточнения «тепла» или «мороза» может привести к неправильному выбору человеком верхней одежды.

Информация актуальна, если она необходима в настоящее время. Например, телеграмма о приезде друзей, полученная своевременно, позволит вовремя их встретить. Устаревшая, преждевременная или незначимая информация для человека является неактуальной.

Информация понятна, если она выражена на языке, понятном для человека. Например, записка на испанском языке для человека, который не знает этого языка, будет непонятна.

Информация доступна, если имеет возможность ее получения. Различные барьеры могут сделать информацию недоступной. Например, секретные документы, хранящиеся в архиве, невозможно получить людям, которым доступ к таким архивам запрещен. Поэтому для этих людей информация, содержащаяся в этих документах, будет

недоступной.

Каждый человек решает для себя вопрос о полезности и важности полученной информации в зависимости от того, удовлетворяет или не удовлетворяет эта информация перечисленным свойствам. Знание основных свойств информации помогает человеку правильно оценивать получаемую информацию и принимать верное решение в каждом конкретном случае.

Человек постоянно получает информацию из окружающего мира, анализирует ее свойства, выявляет существенные закономерности и тем самым познает мир. В процессе понимания информации, ее анализа и применения на практике у человека формируются знания. Одна и та же информация может приводить к появлению разных знаний у разных людей. Сформированные знания человек использует в своей деятельности. В то же время деятельность человека, способствует постоянному пополнению его знаний об окружающем мире.

Знания людей может разделить на два вида: декларативные и процедурные (рис. 2).

Рис. 2 Виды знаний

Декларативные знания, по своей сути, являются утверждениями и начинаются со слов «Я знаю, что…». К этому виду относятся знания о конкретных объектах. Например, «Я знаю, что вещество, энергия и информация являются основными ресурсами современного общества», «Я знаю, что компьютер является универсальным устройством для работы с информацией».

Процедурные знания, определяют действия, которые надо выполнить для достижения поставленной цели. Они начинаются со слов «Я знаю, как…». Например, «Я знаю, как подключить принтер к системному блоку компьютера», «Я знаю, как записать алгоритм сложения двух чисел». Декларативные и процедурные знания позволяют человеку сформировать свое собственное представление о предметах, процессах и явлениях окружающего мира.

Два подхода к понятию “информация”.

Информация для человека – это сведения, которые уменьшают существующую до их получения неопределенность знания.

Под информацией, когда речь идет о технике, принято понимать все сведения, которые представлены в определенной форме для хранения, передачи и обработки с помощью технических средств, в том числе и компьютера.

Таким образом, понятие «информация» многозначно. Существуют различные подходы к пониманию информации. До сих пор не дано единого, универсального и исчерпывающего ее определения. Термин «информация» может содержать разный смысл, в зависимости от тех областей знаний, в которых он используется.

ТЕСТ

КРОССВОРД ПО ТЕМЕ

Презентация

Свойства информации | Кабинет информатики

Как и всякий объект,

информация обладает свойствами. Характерной отличительной особенность информации от других объектов природы и общества, является дуализм: на свойства информации влияют как свойства исходных данных, составляющих ее содержательную часть, так и свойства методов, фиксирующих эту информации.

С точки зрения информатики наиболее важными представляются следующие общие качественные свойства: объективность, достоверность, полнота, точность, актуальность, полезность, ценность, своевременность, понятность, доступность, краткость и пр.

Объективность информации. Объективный – существующий вне и независимо от человеческого сознания. Информация – это отражение внешнего объективного мира. Информация объективна, если она не зависит от методов ее фиксации, чьего-либо мнения, суждения.

Пример. Сообщение «На улице тепло» несет субъективную информацию, а сообщение «На улице 22

0С» – объективную, но с точностью, зависящей от погрешности средства измерения.

Объективную информацию можно получить с помощью исправных датчиков, измерительных приборов. Отражаясь в сознании конкретного человека, информация перестает быть объективной, так как, преобразовывается (в большей или меньшей степени) в зависимости от мнения, суждения, опыта, знаний конкретного субъекта.

Достоверность информации. Информация достоверна, если она отражает истинное положение дел. Объективная информация всегда достоверна, но достоверная информация может быть как объективной, так и субъективной. Достоверная информация помогает принять нам правильное решение. Недостоверной информация может быть по следующим причинам:
♦ преднамеренное искажение (дезинформация) или непреднамеренное искажение субъективного свойства;
♦ искажение в результате воздействия помех («испорченный телефон») и недостаточно точных средств ее фиксации.

Полнота информации. Информацию можно назвать полной, если ее достаточно для понимания и принятия решений. Неполная информация может привести к ошибочному выводу или решению.

Точность информации определяется степенью ее близости к реальному состоянию объекта, процесса, явления и т. п.

Актуальность информации – важность для настоящего времени, злободневность, насущность. Только вовремя полученная информация может быть полезна.

Полезность(ценность) информации. Полезность может быть оценена применительно к нуждам конкретных ее потребителей и оценивается по тем задачам, которые можно решить с ее помощью.

Самая ценная информация – объективная, достоверная, полная, и актуальная. При этом следует учитывать, что и необъективная, недостоверная информация (например, художественная литература), имеет большую значимость для человека. Социальная (общественная) информация обладает еще и дополнительными свойствами:

♦ имеет семантический (смысловой) характер, т. е. понятийный, так как именно в понятиях обобщаются наиболее существенные признаки предметов, процессов и явлений окружающего мира.
♦ имеет языковую природу (кроме некоторых видов эстетической информации, например изобразительного искусства). Одно и то же содержание может быть выражено на разных естественных (разговорных) языках, записано в виде математических формул и т. д.

С течением времени количество информации растет, информация накапливается, происходит ее систематизация, оценка и обобщение. Это свойство назвали ростом и кумулированием информации. (Кумуляция – от лат; cumulatio – увеличение, скопление).

Старение информации заключается в уменьшении ее ценности с течением времени. Старит информацию не само время, а появление новой информации, которая уточняет, дополняет или отвергает полностью или частично более раннюю. Научно-техническая информация стареет быстрее, эстетическая (произведения искусства) – медленнее.

Логичность, компактность, удобная форма представления облегчает понимание и усвоение информации.

1. Понятие информации и ее основные свойства

Содержание | Далее

1. Понятие информации и ее основные свойства

1.1. Предмет и задачи информатики

Информатика – наука, изучающая закономерности получения, хранения, передачи и обработки информации в природе и человеческом обществе.

Слово информатика образовано объединением слов информация и автоматика. В большинстве стран Западной Европы и в США используется термин Computer Science (наука о компьютерах).

Системы, способные воспринимать и обрабатывать информацию, будем называть информационными. Информационные системы можно классифицировать на естественные и искусственные. К первым относятся все естественно возникшие системы. Такими системам являются биологические организмы. Искусственными информационными системами являются созданные человеком информационные системы.

Предметом изучения в данном курсе является один из разделов информатики – компьютерная информатика. Под компьютерной информатикой будем понимать естественно-научную дисциплину, занимающуюся вопросами сбора, хранения, обработки и отображения информации с использованием средств вычислительной техники. В настоящее время компьютерная информатика используется в различных сферах человеческой деятельности и становится одним из стратегических направлений развития общества

Далее под информатикой будем понимать компьютерную информатику.

Предмет информатики составляют следующие понятия:

аппаратное обеспечение средств вычислительной техники;
программное обеспечение средств вычислительной техники;
средства взаимодействия аппаратного и программного обеспечения.

В информатике особое внимание уделяется вопросам взаимодействия или интерфейсам. Методы и средства взаимодействия человека с аппаратными и программными средствами называются пользовательским интерфейсом. Существуют аппаратные интерфейсы, программные интерфейсы и аппаратно-программные интерфейсы.

Основной задачей информатики является систематизация приёмов и методов работы с аппаратными программными средствами вычислительной техники.

Можно выделить следующие направления практических приложений информатики.

Архитектура вычислительных систем (приёмы построения систем, предназначенных для автоматической обработки данных).
Интерфейсы вычислительных систем (приёмы и методы управления программным и аппаратным обеспечением).
Программирование (приёмы, методы и средства разработки компьютерных программ).
Преобразование данных (приёмы и методы преобразования структур данных).
Защита информации (приёмы и средства защиты данных).
Автоматизация (функционирование программно-аппаратных средств без участия человека).
Стандартизация (обеспечение совместимости между форматами представления данных, относящихся к различным типам вычислительных систем).

1.2. Понятие информации

Термин информация происходит от латинского слова informatio – разъяснение, изложение. Первоначальное значение этого термина – «сведения, передаваемые людьми устным, письменным или иным способом». В середине ХХ века термин «информация» превратился в общенаучное понятие, означающее обмен сведениями между людьми, между человеком и автоматом, между автоматами, а также обмен сигналами в животном и растительном мире.

В философском смысле информация есть отражение реального мира. Это сведения, которые один реальный объект содержит о другом реальном объекте. Таким образом, понятие информации связывается с определенным объектом, свойства которого она отражает.

В информатике под информацией понимается сообщение, снижающее степень неопределенности знаний о состоянии предметов или явлений и помогающее решить поставленную задачу.

Изменение некоторой физической величины во времени, обеспечивающее передачу сообщений, называется сигналом.

Мы живем в материальном мире, состоящем из физических тел и физических полей. Физические объекты находятся в состоянии непрерывного движения и изменения, которые сопровождаются обменом энергией и переходом ее из одной формы в другую. Для того чтобы в материальном мире происходил обмен информацией, ее преобразование и передача, должны существовать носитель информации, передатчик, канал связи, приемник и получатель информации. Канал связи представляет собой среду, в которой происходит передача информации. Канал связи объединяет источник и получателя информации в единую информационную систему(рис. 1).

Подобные информационные системы существуют как в технических системах, так и в человеческом обществе и живой природе. Информационные системы можно разделить на естественные и искусственные. К первым относятся все естественно возникшие системы. Такими системам являются биологические организмы. Искусственными информационными системами являются информационные системы, созданные человеком.

Рис.1. Информационная система.

Зарегистрированные сигналы называются данными. Для их регистрации с целью хранения и передачи необходим некоторый язык. Этот язык должен быть понятен как отправителю информации, так и ее получателю. Данные могут нести в себе информацию о событиях, происходящих в материальном мире. Однако данные не тождественны информации. Для получения информации нужен метод обработки данных. Информация – это продукт взаимодействия данных и адекватных им методов их обработки.

Информация существует только в момент взаимодействия данных и методов. В остальное время она содержится в виде данных. Таким образом, во-первых, не существует информации самой по себе как некоторой самостоятельной сущности без ее носителя в виде некоторых материальных процессов, во-вторых, не существует информации безотносительно к субъекту, способному извлекать ее из полученного сообщения. Из одних и тех же данных разные получатели могут извлечь разную информацию в зависимости от адекватности методов их обработки.

Данные являются объективными, так как это результат регистрации объективно существующих сигналов, вызванных изменениями в материальных телах и полях. В то же время методы являются субъективными, так как в их основе лежат алгоритмы, составленные людьми.

Получатель информации оценивает ее в зависимости от того, для решения какой задачи она будет использована. При оценке информации различают ее синтаксический, семантический и прагматический аспекты.

Передаваемое сообщение должно быть представлено в виде последовательности символов некоторого алфавита. Синтаксический аспект касается формальной правильности сообщения с точки зрения синтаксических правил используемого языка безотносительно к его содержанию.

Семантический аспект передает смысловое содержание информации и соотносит её с ранее имевшейся информацией. Знания об определенной предметной области фиксируются в форме тезауруса, то есть совокупности понятий и связей между ними. При получении информации тезаурус может изменяться. Степень этого изменения характеризует воспринятое количество информации. Семантический аспект определяет возможность достижения поставленной цели с учетом полученной информации, т.е. определяет ценность информации.

Количество информации, содержащейся в некотором сообщении, можно оценить степенью изменения индивидуального тезауруса получателя под воздействием данного сообщения. Иными словами, количество информации, извлекаемой получателем из поступающих сообщений, зависит от степени подготовленности его тезауруса для восприятия такой информации. Если индивидуальный тезаурус получателя сообщения не пересекается с тезаурусом отправителя, то получатель не понимает сообщение и для него количество принятой информации равно нулю. Такая ситуация аналогична прослушиванию сообщения на неизвестном языке. Несомненно, что сообщение не лишено смысла, однако оно непонятно, а значит, не информативно. Если тезаурусы отправителя и получателя совпадают, то количество информации в сообщении также будет равно нулю, поскольку его получатель знает абсолютно всё о предмете. В этом случае сообщение не дает ему ничего нового. Сообщение несет информацию для получателя только в том случае, когда их тезаурусы пересекаются частично.

Человек сначала наблюдает некоторые факты, которые отображаются в виде набора данных. Здесь проявляется синтаксический аспект. Затем после структуризации этих данных формируется знание о наблюдаемых фактах, которое фиксируется на некотором языке. Это семантический аспект информации. Полученное знание и созданные на его основе информационные модели человек использует в своей практике для достижения поставленных целей.

В реальной жизни часто возникает ситуация, когда даже наличие полной информации не позволяет решить поставленную задачу. Прагматический аспект информации проявляется в возможности её практического использования.

Таким образом, не любое сообщение несет информацию. Для того чтобы сообщение несло некоторую информацию, и было полезно получателю, оно должно быть:

записано на некотором языке;
этот язык должен быть понятен получателю;
получатель должен обладать методом извлечения информации из сообщения;
сообщение должно снижать степень неопределенности относительно объекта, который интересует получателя;
сообщение должно помогать ему решить поставленную задачу;
получатель должен обладать реальной практической возможностью использовать полученную информацию.

1.3. Свойства информации

На свойства информации влияют как свойства данных, так и свойства методов её обработки.

Объективность информации. Понятие объективности информации относительно. Более объективной является та информация, в которую методы обработки вносят меньше субъективности. Например, в результате наблюдения фотоснимка природного объекта образуется более объективная информация, чем при наблюдении рисунка того же объекта. В ходе информационного процесса объективность информации всегда понижается.
Полнота информации. Полнота информации характеризует достаточность данных для принятия решения. Чем полнее данные, тем шире диапазон используемых методов их обработки и тем проще подобрать метод, вносящий минимум погрешности в информационный процесс.
Адекватность информации. Это степень её соответствия реальному состоянию дел. Неадекватная информация может образовываться при создании новой информации на основе неполных или недостоверных данных. Однако полные и достоверные данные могут приводить к созданию неадекватной информации в случае применения к ним неадекватных методов.
Доступность информации. Это мера возможности получить информацию. Отсутствие доступа к данным или отсутствие адекватных методов их обработки приводят к тому, что информация оказывается недоступной.
Актуальность информации. Это степень соответствия информации текущему моменту времени. Поскольку информационные процессы растянуты во времени, то достоверная и адекватная, но устаревшая информация может приводить к ошибочным решениям. Необходимость поиска или разработки адекватного метода обработки данных может приводить к такой задержке в получении информации, что она становится ненужной.

1.4. Носители данных

Физический метод регистрации данных может быть любым: механическое перемещение, изменение формы, изменение электрических или магнитных характеристик, изменение химического состава или характера химических связей и др. В соответствии с методом регистрации данные могут храниться и транспортироваться на различных носителях.

Самым распространенным носителем данных является бумага. На бумаге данные регистрируются путем изменения оптических характеристик её поверхности. Изменение оптических свойств поверхности используется также в устройствах, осуществляющих запись лазерным лучом на пластмассовых носителях с отражающим покрытием (CD-ROM).

Магнитные ленты и магнитные диски используют изменение магнитных свойств.

Регистрация данных путем изменения химического состава поверхностных веществ используется в фотографии.

Свойства информации тесно связаны со свойствами её носителей. Любой носитель характеризуется следующими параметрами:

Разрешающей способностью – количеством данных, записанных в принятой для носителя единице измерения.
Динамическим диапазоном – логарифмом отношения интенсивностей максимального и минимального регистрируемых сигналов.

Одной из важнейших задач информатики является задача преобразования данных с целью смены носителя. Стоимость устройств ввода и вывода вычислительных систем, работающих с носителями информации, составляет до половины стоимости аппаратных средств.

1.5. Операции с данными

Над данными можно выполнять различные операции, состав которых определяется решаемой задачей. Перечисленные ниже операции с данными не зависят от того, кто их выполняет – техническое устройство, компьютер или человек.

Сбор данных – накопление данных с целью обеспечения достаточной их полноты для принятия решений.
Формализация данных – приведение данных, поступающих из разных источников, к одинаковой форме, что позволяет сделать их сопоставимыми между собой.
Фильтрация данных – отсеивание данных, в которых нет необходимости для принятия решений, при этом снижается уровень шума и повышается их достоверность и адекватность.
Сортировка данных – упорядочение данных по заданному признаку с целью удобства использования.
Защита данных – комплекс мер, направленных на предотвращение утраты, воспроизведения и модификации данных.
Архивация данных – организация хранения данных в удобной и легкодоступной форме, снижающей затраты на хранение и повышающей общую надежность информационного процесса.
Транспортировка данных – приём и передача данных между удаленными участниками информационного процесса.
Преобразование данных – перевод данных из одной формы в другую. Часто связано с изменением носителя. Например, книги можно хранить в бумажной форме, а можно в электронном виде.

Содержание | Далее

Свойства информации | Информатика

Понятие «информация», как уже было сказано ранее, используется многими научными дисциплинами, имеет большое количество разнообразных свойств, но каждая дисциплина обращает внимание на те свойства информации, которые ей наиболее важны. В рамках нашего рассмотрения наиболее важными являются такие свойства, как дуализм, полнота, достоверность, адекватность, доступность, актуальность. Рассмотрим их подробнее.

Дуализм информации характеризует ее двойственность. С одной стороны, информация объективна в силу объективности данных, с другой — субъективна, в силу субъективности применяемых методов. Иными словами, методы могут вносить в большей или меньшей степени субъективный фактор и таким образом влиять на информацию в целом. Например, два человека читают одну и ту же книгу и получают подчас весьма разную информацию, хотя прочитанный текст,
т.е. данные, были одинаковы. Более объективная информация применяет методы с меньшим субъективным элементом.

Полнота информации характеризует степень достаточности данных для принятия решения или создания новых данных на основе имеющихся. Неполный набор данных оставляет большую долю не-
определенности, т.е. большое число вариантов выбора, а это потребует применения дополнительных методов, например, экспертных оценок, бросание жребия и т.п. Избыточный набор данных затрудняет доступ к нужным данным, создает повышенный информационный шум, что также вызывает необходимость дополнительных методов, например, фильтрацию, сортировку. И неполный и избыточный наборы затрудняют получение информации и принятие адекватного решения.

Достоверность информации — это свойство, характеризующее степень соответствия информации реальному объекту с необходимой точностью. При работе с неполным набором данных достоверность информации может характеризоваться вероятностью, например, можно сказать, что при бросании монеты с вероятностью 50 % выпадет герб.

Адекватность информации выражает степень соответствия создаваемого с помощью информации образа реальному объекту, процессу, явлению. Полная адекватность достигается редко, так как обычно приходится работать с не самым полным набором данных, т.е. присутствует неопределенность, затрудняющая принятие адекватного решения. Получение адекватной информации также затрудняется при недоступности адекватных методов.

Доступность информации — это возможность получения информации при необходимости. Доступность складывается из двух составляющих: из доступности данных и доступности методов. Отсутствие хотя бы одного дает неадекватную информацию.

Актуальность информации. Информация существует во времени, так как существуют во времени все информационные процессы. Информация, актуальная сегодня, может стать совершенно ненуж-ной по истечении некоторого времени. Например, программа телепередач на нынешнюю неделю будет неактуальна для многих телезрителей на следующей неделе.

Основные свойства информации — Информатика, информационные технологии

1. Информация идеальна. Идеальное — это то, чего в природе нет, но что конструируется человеком в соответствии с его потребностями, интересами, целями, что подлежит реализации на практике*(38). Пока информация находится в памяти человека, она идеальна. И перенос ее на материальный носитель (запись на бумаге, на носителях информации в компьютере и т.д.) не означает, что информация материализуется. Материален лишь носитель информации. Сама информация по-прежнему идеальна, ибо она осталась в памяти ее создателя или человека, который был с ней ознакомлен.

2. Преемственность информации — без развитой преемственности нет и развитой структуры процессов развития, так как в них тогда остаются маловыделенными и дифференцированными явления историчности и внутренней направленности, отличающие в особенности высшие формы саморазвития.

3. Неисчерпаемость информации — информация может иметь неограниченное число пользователей, использоваться неограниченное число раз и при этом оставаться неизменной.

4. Говоря о массовости информации, выделяют два аспекта: качественный аспект раскрывает массовость информации как информации общественной, общей для всех; количественный — как информации, распространяемой для широкой сети потребителей, пользователей информации.

5. Трансформируемость информации означает независимость содержания информации от формы фиксации и способа предъявления.

6. Универсальность информации — содержание информации может быть любым и обо всем.

7. Рассеяние информации (публикация материалов в тематически непрофильных для исследуемой отрасли знаний журналах, сборниках и других средствах массовой информации).

8. Возможность сжатия информации (и синтаксического, и семантического) и транспортировки с очень высокой скоростью.

9. Качество информации рассматривается как совокупность свойств информации, характеризующих степень ее соответствия потребностям пользователей. Говоря о качестве информации, можно выделить следующие свойства:

а) адекватность информации. Под адекватностью понимают степень соответствия информации, полученной потребителем, тому, что автор вложил в ее содержание.

Адекватность информации иногда ошибочно путают с ее достоверностью. Это совершенно разные свойства. Можно привести пример адекватной, но недостоверной информации. Так, например, в литературе и искусстве имеются такие понятия, как авторский вымысел и авторский домысел. Если произведение научной фантастики соответствует своему жанру и выполняет свои функции, то оно несет адекватную информацию, а вопрос о ее достоверности не поднимается.

Примеры разного подхода к оценке адекватности и достоверности информации мы можем найти в законодательстве. Закон различает права свидетелей и подозреваемых. В то время как сообщение заведомо ложных данных подозреваемым считается адекватным поведением, те же действия со стороны свидетелей адекватными не являются и рассматриваются как правонарушение;

б) достоверность информации. Под достоверностью информации понимается ее соответствие объективной реальности (как текущей, так и прошедшей) окружающего мира.

Недостоверность информации может быть связана с тем, что данные изначально были подготовлены как ложные, в результате модификации данных или в результате того, что данные трудно выделить на фоне регистрации посторонних сигналов.

Иногда недостоверные данные могут давать достоверную информацию, например, когда заранее известна степень их недостоверности. Науке известны методы обработки недостоверных данных с целью получения более достоверной информации. Эти методы основываются, например, на фильтрации (отсеве) и на статистическом анализе данных. Как правило, в таких случаях, чем больше исходных данных мы имеем, тем выше достоверность полученного результата. Таким образом, на достоверность информации влияют такие ее свойства, как адекватность и полнота.

Свойство достоверности информации имеет важное значение в тех случаях, когда ее используют для принятия решений. Недостоверная информация может приводить к решениям, имеющим негативные экономические, социальные и политические последствия;

в) полнота информации. Под полнотой информации понимается ее достаточность для принятия решения. Она зависит как от полноты данных, так и от наличия необходимых методов.

С понятием полноты данных сталкиваются все, кому приходится выполнять служебные задания. Если исходные данные неполны, принять верное решение непросто;

г) избыточность информации. Это свойство, полезность которого мы ощущаем очень часто. Нередко избыточность информации человек чисто психологически воспринимает как ее качество, потому что она позволяет ему меньше напрягать свое внимание и меньше утомляться.

Обычный текст, напечатанный на русском языке, имеет избыточность порядка 20-25%. Попробуйте отбросить каждую пятую букву, и вы увидите, что получить информацию из печатного текста все же можно, хотя читать его будет очень утомительно. Нам нередко приходится иметь дело с небрежным рукописным почерком. Избыточность информации, заключенной в тексте, оказывает добрую службу, позволяя догадываться о значении неразборчивых символов.

Визуальная информация, которую мы получаем органами зрения, имеет очень большую избыточность — более 90%. Это означает, что, даже потеряв значительную часть визуальной информации, мы все-таки можем понимать ее содержание, хотя и не без концентрации внимания. Люди, лишенные большой доли зрения, продолжают оставаться полноценными членами общества, но испытывают повышенное утомление.

Еще большую избыточность имеет видеоинформация (до 98-99%). Эта избыточность позволяет нам рассеивать внимание, что часто воспринимается как отдых при просмотре кинофильма.

С избыточностью информации связаны и другие свойства. Чем выше избыточность данных, тем шире диапазон методов, с помощью которых из них можно получить адекватную информацию. Расшифровка шумерской клинописи не могла произойти до тех пор, пока в результате археологических раскопок не был накоплен достаточный объем (более 5000) глиняных табличек.

Избыточность информации позволяет повышать ее достоверность за счет применения специальных методов, в том числе и основанных на теории вероятностей и математической статистике. Общий принцип здесь такой: в результате отсева объем данных сокращается, но их достоверность увеличивается.

Особое значение избыточность информации имеет в информационных технологиях, ориентированных на автоматическую обработку данных. С одной стороны, это свойство рассматривается как негативное, потому что если информация занимает больший объем, чем могла бы, то это ведет к прямым затратам на ее хранение и, главное, на транспортировку. Для этого есть специальные программные методы сжатия данных;

д) объективность и субъективность информации. Понятие объективности информации является относительным.

В ходе информационного процесса степень объективности информации всегда понижается. Это свойство учитывают, например, в правовых процессах, где по-разному обрабатываются показания лиц, непосредственно наблюдавших события, и лиц, получивших информацию косвенным путем (посредством умозаключений или со слов третьих лиц). В неменьшей степени объективность информации учитывают в исторических дисциплинах. Одни и те же события, зафиксированные в исторических документах разных стран и народов, могут выглядеть совершенно по-разному.

Специалисты располагают необходимыми методами для тестирования объективности и создания новых, более достоверных данных путем сопоставления, фильтрации и селекции исходных данных;

е) доступность информации — это мера возможности получить ту или иную информацию;

ж) актуальность — это степень соответствия информации текущему моменту времени.

Нередко с актуальностью, как и с полнотой, связывают коммерческую ценность информации. Поскольку информационные процессы растянуты во времени, то достоверная и адекватная, но устаревшая информация может приводить к ошибочным решениям.

Несвоевременность поступления информации, во-первых, затягивает процесс принятия решения, ведет к реализации деятельности в условиях большей неопределенности, а во-вторых, приводит к снижению ценности и достоверности информации, так как на момент принятия на ее основе корректирующих действий она в какой-то мере устаревает.

Однако нельзя согласиться с мнением, что несвоевременно поступившая информация не имеет никакой ценности. Это неверно по следующим причинам:

во-первых, информация используется многократно, и, следовательно, она может быть эффективно использована при принятии аналогичных или других информационных решений;

во-вторых, эта информация может быть использована для корректировки уже принятого решения;

в-третьих, она может быть использована при выявлении причин неэффективности ранее принятых решений, уточнении методов принятия решений в условиях неопределенности и выявлении уровней риска при несвоевременности поступления различных видов информации.

Ценность информации — это степень ее важности, необходимости для принятия информационных решений.

Определение ценности информации — субъективный процесс, и в большинстве случаев нет объективных критериев определения ценности конкретных видов информации при принятии информационных решений.

Существует, например, подход, в рамках которого ценность информации определяется приращением вероятности достижения цели вследствие получения той или иной информации*(39). Но практическое применение этого подхода затруднено тем, что, как правило, невозможно определить с достаточной точностью вероятности достижения конкретной цели до и после получения информации.

Попытки связать понятие ценности информации с понятием цели представляются весьма плодотворными, однако имеющиеся пути к количественной оценке ценности пока мало эффективны, ибо они основаны на использовании предварительных оценок априорных вероятностей цели, знания и последовательных действий потребителя. Это осложняется и тем, что очень трудно сформулировать в информационных понятиях цель, стоящую перед потребителем информации.

Кроме того, ценность не является чисто природным свойством информации, а образуется в результате предметно-практического взаимодействия объекта (информации) и субъекта (пользователя). Любая ценность обусловлена практикой, понимаемой в самом широком смысле этого слова, и практика выступает как объективный определитель ценности. Ценность является тем, что требуется человеку для его практически-познавательной деятельности, а практика способствует объективности оценок*(40).

Ценность объективна как порождение практического отношения (взаимодействия) объекта и субъекта; она объективна, так как образуется в процессе общественно-исторической практики, хотя ее объективность может и не осознаваться субъектом. Следовательно, оценка ценности субъективна. Эта оценка как выражение субъективного отношения к ценности может быть истинной, если она адекватна ценности, или ложной, если она ценности не соответствует.

Информация как объект научного исследования и изучения предполагает выделение семантических, лингвистических, прагматических и технических аспектов.

В семантическом аспекте исследования направлены на решение проблемы точности передачи смысла сообщений с помощью кодированных сигналов;

з) при лингвистическом анализе информации исследования направлены на определение знаковой системы, необходимой для эффективного восприятия и понимания информации при обмене ею между системами. В социальных системах для выражения определенного смысла любой информации, ее фиксации и последующего логического использования служат средства алфавита и цифр. Именно на их основе формируются слова, словосочетания, предложения, логический текст и т.п. Это позволяет логически оформить сведения в виде, пригодном для восприятия. Существуют и иные, кроме документированной информации, организационные формы выражения информации: звук, свет, биологическая энергия, но все они воспринимаются логической системой человека пока через письменную знаковую систему, так как звукоречевая форма все равно основана на алфавитно-цифровой системе представления информации.

В прагматическом аспекте исследования определяется ценность для потребителя полученного сообщения с точки зрения влияния этого сообщения на последующее поведение потребителя. Данный подход называют управленческим, учитывающим процессы функционирования системы, направления ее движения под влиянием полученной информации и степень достижения своих целей.

В техническом аспекте изучаются проблемы точности, надежности, скорости передачи сообщений, технических средств и методов построения каналов передачи сигналов, их помехозащищенности и др. Данный подход называют организационным, характеризующим устройство и степень совершенства самой системы управления в терминах ее надежности, живучести, полноты реализуемых функций, совершенства структуры и эффективности затрат на осуществление процессов управления в системе.

Статьи к прочтению:

Свойства информации

Какими свойствами обладает информация? — Информатика

Свойства информации:

достоверность;
полнота;
ценность;
своевременность;

понятность;
доступность;
краткость;
и др.

Информация достоверна, если она отражает истинное положение дел. Недостоверная информация может привести к неправильному пониманию или принятию неправильных решений.

Достоверная информация со временем может стать недостоверной, так как она обладает свойством устаревать, то есть перестаёт отражать истинное положение дел.

Информация полна, если её достаточно для понимания и принятия решений. Как неполная, так и избыточная информация сдерживает принятие решений или может повлечь ошибки.

Ценность информации зависит от того, насколько она важна для решения задачи, а также от того, насколько в дальнейшем она найдёт применение в каких-либо видах деятельности человека.

Только своевременно полученная информация может принести ожидаемую пользу. Одинаково нежелательны как преждевременная подача информации (когда она ещё не может быть усвоена), так и её задержка.

Если ценная и своевременная информация выражена непонятным образом, она может стать бесполезной.

Информация становится понятной, если она выражена языком, на котором говорят те, кому предназначена эта информация.

Информация должна преподноситься в доступной (по уровню восприятия) форме. Поэтому одни и те же вопросы по разному излагаются в школьных учебниках и научных изданиях.

Информацию по одному и тому же вопросу можно изложить кратко (сжато, без несущественных деталей) или пространно (подробно, многословно). Краткость информации необходима в справочниках, энциклопедиях, учебниках, всевозможных инструкциях.

Основные определения информатики. Свойства и единицы измерения информации.

ОСНОВНЫЕ ОПРЕДЕЛЕНИЯ ИНФОРМАТИКИ
ПЕРСОНАЛЬНЫЙ КОМПЬЮТЕР (ПК или IBM PC) — это электронно-вычислительная машина (ЭВМ), предназначенная для работы в диалоге с человеком (пользователем).

ИНФОРМАТИКА — это наука, изучающая структуру и наиболее общие свойства информации, ее поиск, хранение, передачу и обработку с применением ЭВМ.

ИНФОРМАЦИЯ — это сведения об объектах и явлениях окружающей среды, их параметрах, свойствах и состоянии.

ФАЙЛ — это именованная область памяти на внешнем носителе. В файлах могут храниться тексты, документы, сами программы, рисунки и т.д.

КАТАЛОГ — это поименованное место на диске, в котором хранятся файлы.

ПРОГРАММИРОВАНИЕ — это подготовка задачи к решению ее на компьютере.

АЛГОРИТМ — это последовательность команд, ведущих к какой-либо цели.

ВЕТВЛЕНИЕ — это команда алгоритма, в которой делается выбор: выполнять или не выполнять какую-нибудь группу команд в зависимости от условия.

ЦИКЛ — это команды алгоритма, которые позволяют несколько раз повторить одну и ту же группу команд.

Свойства информации. Единицы измерения информации.
Важнейшие свойства информации: полнота, достоверность, ценность, актуальность и ясность. С информацией в компьютере производятся следующие операции: ввод, вывод, создание, запись, хранение, накопление, изменение, преобразование, анализ, обработка. Информация передается с помощью языков. Основа любого языка — алфавит, т.е. конечный набор знаков (символов) любой природы, из которых конструируются сообщения на данном языке. Алфавит может быть латинский, русский, десятичных чисел, двоичный и т.д. Кодирование — это представление символов одного алфавита символами другого. Простейшим алфавитом, достаточным для кодирования любого другого, является двоичный алфавит, состоящий всего из двух символов 0 и 1. Система счисления — это способ представления любого числа с помощью алфавита символов, называемых цифрами. Системы счисления делятся на позиционные и непозиционные. В позиционных системах любое число записывается в виде последовательности цифр, количественное значение которых зависит от места (позиции), занимаемой каждой из них в числе. Примеры: десятичная, восьмеричная, двоичная система и т.д. Схема перевода из двоичной системы в десятичную:

(100011)2 = 1*2⁵ + 0*2⁴ + 0*2³ + 0*2² + 1*2¹ + 1*2⁰ = (35)10

Пример непозиционной системы счисления — римская система. Информация в вычислительной машине представляется в двоичном коде (0 и 1), (да, нет), (вкл., выкл.). 0 и 1 — это 1 бит информации или 1 двоичный разряд. 1 байт — это 8 бит (8 двоичных разрядов). В компьютере 1 байт яв- ляется наименьшей единицей информации, что соответствует одному знаку в командной строке (цифре, букве, специальному символу или пробелу).

1 Кбит = 1024 бит = 2¹⁰ бит =~ 1000 бит (1 килобит).
1 Мбит = 1048576 бит = 2²⁰ бит =~ 1 000 000 бит (1 мегабит).
1 Гбит = 2³⁰ бит =~ 10⁹ бит = 1 000 000 000 (1 гигабит).

В компьютерах IBM PC используются следующие единицы измерения ин- формации: 1 б (1 байт), 1 Кб (1 килобайт или часто просто 1 К), 1 Мб (1 мегабайт или часто просто 1 М), 1 Гб (1 гигабайт). Между ними существуют следующие соотношения:

1 Кб = 2¹⁰ б = 1024 б =~ 1000 б.
1 Мб = 2²⁰ б = 1024 Кб = 1048576 б =~ 1 000 000 б.
1 Гб = 2³⁰ б = 1024 Мб =~ 10⁹ б = 1 000 000 000 б.

Для примера можно указать, что в среднем 1 страница учебника =~ 3Кб.
Газета из 4-х страниц =~ 150 Кб.
Большая Советская Энциклопедия =~ 120 Мб.
Цветной телефильм продолжительностью 1.5 часа (25 кадр/с) =~ 135Гб.

Произошла ошибка при настройке пользовательского файла cookie

Этот сайт использует файлы cookie для повышения производительности. Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.

Настройка вашего браузера для приема файлов cookie

Существует множество причин, по которым cookie не может быть установлен правильно. Ниже приведены наиболее частые причины:

В вашем браузере отключены файлы cookie. Вам необходимо сбросить настройки вашего браузера, чтобы он принимал файлы cookie, или чтобы спросить вас, хотите ли вы принимать файлы cookie.
Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались. Чтобы принять файлы cookie с этого сайта, нажмите кнопку «Назад» и примите файлы cookie.
Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie. Чтобы исправить это, установите правильное время и дату на своем компьютере.
Вы установили приложение, которое отслеживает или блокирует установку файлов cookie. Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.

Почему этому сайту требуются файлы cookie?

Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу. Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.

Что сохраняется в файле cookie?

Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.

Как правило, в файлах cookie может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта. Например, сайт не может определить ваше имя электронной почты, пока вы не введете его. Разрешение веб-сайту создавать файлы cookie не дает этому или любому другому сайту доступа к остальной части вашего компьютера, и только сайт, который создал файл cookie, может его прочитать.

Психометрические свойства шкалы самооценки компетенций сестринского информатика

Stud Health Technol Inform. Авторская рукопись; доступно в PMC 2010 Apr 22.

Опубликован в окончательной отредактированной форме как:

PMCID: PMC2858312

NIHMSID: NIHMS195648

Sunmoo YOON

^a Школа медсестер, Колумбийский университет

, Нью-Йорк, 9000 По-Инь ЙЕН

^a Школа медсестер Колумбийского университета, Нью-Йорк, Нью-Йорк

Сюзанна БАККЕН

^a Школа медсестер Колумбийского университета, Нью-Йорк

^b Департамент биомедицинской информатики, Колумбийский университет, Нью-Йорк,

^a Школа медсестер, Колумбийский университет, Нью-Йорк, Нью-Йорк

^b Департамент биомедицинской информатики, Колумбийский университет, Нью-Йорк, Нью-Йорк

См. Другие статьи в PMC, цитирующие опубликованные статья.

Abstract

Целью данного исследования было изучить факторную структуру, надежность внутренней согласованности и отзывчивость Шкалы самооценки компетенций в области информатики сестринского дела (SANICS). Студенты-медсестры со степенью бакалавра и магистра (N = 336) заполнили шкалу из 93 пунктов, которая была основана на опубликованных и разработанных на местах заявлениях о компетентности в области информатики медсестер. Исследовательский анализ главных компонент с наклонным вращением promax извлек пять факторов, включающих 30 пунктов, которые объяснили 63.7% дисперсии: роль клинической информатики (α = 0,91), базовые компьютерные знания и навыки (α = 0,94), прикладные компьютерные навыки: клиническая информатика (α = 0,89), отношение к медсестринской информатике (α = 0,94) и навыки работы с беспроводными устройствами (α = 0,90). Отзывчивость шкалы была подтверждена значительно более высокими баллами по факторам после курса информатики. Это исследование предоставило предварительные доказательства факторной структуры, надежности внутренней согласованности и отзывчивости SANICS из 30 пунктов. Рекомендуется дальнейшее тестирование других образцов.

Ключевые слова: компетентность в области информатики медсестер, студент медсестер, шкала измерения, компьютерная грамотность

1. Введение

Внедрение информационных технологий в учреждениях ухода за больными находится на подъеме. Следовательно, медсестры должны быть адекватно подготовлены к использованию таких технологий для оказания помощи, ориентированной на пациента [1, 2]. Компетенции в области информатики все чаще считаются базовым навыком для каждой медсестры и были определены несколькими исследователями и организациями [3, 4]. Кроме того, был разработан ряд инструментов для измерения некоторых аспектов компьютерных компетенций в сестринском деле [5].

С целью обеспечения подготовки выпускников к использованию информационных технологий для обеспечения безопасного и научно обоснованного ухода за медсестрами, исследователи Школы медсестер Колумбийского университета разработали самооценку из 93 пунктов, основанную на опубликованных и разработанных на местах заявлениях о компетентности. [4, 7]. Основным источником элементов для шкалы самооценки компетенций медсестер в области информатики (SANICS) было исследование Delphi Staggers et al., Посвященное компетенциям в области информатики. Компетенции для начинающей медсестры и опытной медсестры были выбраны для включения в SANICS.Были разработаны дополнительные элементы, связанные со стандартизованной терминологией, научно обоснованной практикой и беспроводной связью, поскольку они были учтены в нашей учебной программе по информатике для медсестер. Каждый пункт оценивается по 5-балльной шкале Лайкерта (1 = не компетентен, 5 = эксперт).

2. Цель

Целью данного исследования было изучить факторную структуру, надежность внутренней согласованности и отзывчивость SANICS.

3. Методы

3.1. Выборка / настройка

В выборку вошли 337 студентов-медсестер, которые поступили на бакалаврскую часть своей комбинированной программы BS / MS в 2006 (N = 158) или 2007 (N = 178).Все студенты участвовали в учебной программе (Беспроводная информатика для безопасной и доказательной медсестры [WISE-APN]), в которой особое внимание уделялось использованию инструментов информатики для поддержки внимательности, моделирования и мониторинга безопасности пациентов. Сюда входили дидактические лекции по безопасности пациентов и инструментам информатики, а также веб-сообщения об опасностях и предвиденных ситуациях [6].

3.2. Этапы психометрического анализа

Данные были проанализированы с использованием статистического пакета для социальных наук (SPSS) версии 16.0 (Чикаго, Иллинойс, США). Анализ главных компонентов () был использован для изучения факторной структуры SANICS. После изучения корреляционной матрицы, общностей и факторных нагрузок было выбрано ротация promax (шаг 2) с нормализацией Кайзера из-за корреляции между факторами [7]. Чтобы определить количество факторов (т. Е. Компонентов), которые должны быть сохранены, параллельный анализ (шаг 3), который сравнивает неотвернутые (начальные) собственные значения с собственными значениями из случайной выборки с тем же количеством наблюдений и переменных, считается более воспроизводимым, чем правило Кайзера или заговор Осыпи [8].Оценка по крайней мере 0,50 при первичной загрузке предметов после вращения использовалась в качестве порогового значения для удержания предметов (шаг 4). Уменьшение количества элементов было достигнуто путем изучения загрузки элементов по факторам (Шаг 5) и влияния элемента на надежность внутренней согласованности (α Кронбаха) компонента (Шаг 6) [9]. Отзывчивость шкалы с течением времени оценивалась с помощью t-критериев независимой выборки.

Блок-схема анализа основных компонентов

4. Результаты

4.1. Образец

В выборке преобладали женщины (76,8%) в возрасте от 20 до 30 лет (55,4%) (). Большинство респондентов в классе 2007 были белыми и неиспаноязычными (61,8%), за которыми следовали 13,5% азиатских и неиспаноязычных. Большая часть выборки использует компьютер несколько раз в день (87,1). Большинство (98,7%) респондентов использовали компьютеры> 2 лет.

Таблица 1

Характеристики исследуемой выборки

9015 7 7,4 0,6 за последние два года 1 9012 9012 26,6 2,5

	2006-2007		2007-2008		Всего
	N = 158		N = 178
N = 178
		переменная	N	%	N	%	N	%
Пол
Женский	102	64.6	156	87,6	258	76,8
Наружный	14	8,9	15	8,4	29	8,6	8,6
3,9	49	14,6
Частота использования компьютера
Несколько раз в день	98	62.0	98	55,1	196	58,3
Один раз в день	16	10,1	9	5,1	25
0,6	1	0,6	2	0,6
Несколько раз в месяц или никогда	1	0,6	1	0,6	2	0.6
Отсутствующие данные	42	26,6	69	38,8	111	33,0
Продолжительность использования компьютера
За последние шесть месяцев	2	1,3	0	0,0	2	0.6	0	0,0	1	0,3
Более 2 лет	113	71,5	109	61,2	222	66,1	66,1	69	38,8	111	33,0
Возраст
20-29	90	57.0	96	53,9	186	55,4
30-39	20	12,7	11	6,2	31	9,2	9,2
2	1,1	6	1,8
50-64	1	0,6	0	0,0	1	0,3
Данные 60 .2	69	38,8	112	33,3

4.2 Психометрический анализ

Никаких межпунктовых корреляций не было> .9 или <.1). Показатель адекватности выборки Кайзера-Мейера-Олкина был высоким (0,96), а критерий сферичности Бартлетта был значимым (p <0,0001). Все предметы, кроме одного, имели общность выше 0,5. Анализ главных компонентов с последующим параллельным анализом и методами сокращения позиций, в результате чего получается пятифакторное решение из 30 пунктов (α =.95), что объясняет 63,7% дисперсии (). К компетенциям в области клинической информатики относятся четырехфакторные шкалы: роль в области клинической информатики, прикладные компьютерные навыки: клиническая информатика, отношение к клинической информатике и навыки работы с беспроводными устройствами. Фактор 2, Базовые компьютерные знания и навыки, включал 15 общих вопросов, связанных с компьютерными знаниями и навыками, которые имели самый высокий средний балл перед тестированием (M = 3,86) среди факторов.

Таблица 2

Результаты анализа основных компонентов: пятифакторное решение

9015 включают, помимо прочего, вопросы конфиденциальности, законодательства, этики и безопасности 901 программа управления базой данных для разработки простой базы данных 9015 общий доступ к данным наборы 369

Позиции	Факторы
Позиции	1	2	3	4	5		1.Роль клинической информатики (5 вопросов, α = 0,91, N = 328, M (SD) = 2,62 (0,91))
Как клиницист (медсестра) участвовать в процессе выбора, разработке, внедрении и оценке систем.	.83
Рынок, система или приложение для других	.82
.82
Ищите ресурсы, чтобы помочь формулировать этические решения в вычислительной технике	,83
Информирование лидеров специальность	,83
2. Базовые компьютерные знания и навыки (15 пунктов, α =.94, N = 321, M (SD) = 3,86 (0,71))
Используйте телекоммуникационные устройства		,73
Используйте Интернет для поиска и загрузки интересующих объектов		.70			0,68
Используйте приложения базы данных для ввода и извлечения информации		.81
Поиск литературы в Интернете		,74
Используйте презентационную графику для создания слайдов, дисплеев
Использовать мультимедийные презентации		,74
Использовать текстовый редактор		.72
Используйте сети для навигации по системам		,75
Используйте операционные системы			Используйте существующие внешние периферийные устройства		.79
Безопасное использование компьютерных технологий		.8
Навигация в Windows		,77
Определение основных компонентов компьютерной системы 77159 901
Выполнение основного поиска неисправностей в приложениях		.81
3.Прикладные компьютерные навыки: клиническая информатика (4 задания, α = 0,89, N = 330, M (SD) = 2,45 (1,03))
Используйте приложения для диагностического кодирования			0,71
Используйте приложения для разработки материалов для испытаний			0,69			.75
Извлечение данных из наборов клинических данных			.77
4. Отношение к клинической информатике (4 вопроса, α = 0,94, N = 332, M (SD) = 3,74 (0,97))
Осознайте, что медицинские вычисления станут более распространенными.
Осознайте, что не обязательно быть программистом, чтобы эффективно использовать компьютер в уходе за больными				.83
Признать ценность участия клиницистов в разработке, выборе, реализации и оценке приложений и систем здравоохранения				0,78
5. Навыки беспроводного устройства (2 элемента, α = 0,90, N = 328, M (SD) = 2,75 (1,16))
Используйте беспроводное устройство для загрузки безопасных и качественных ресурсов по уходу					.77
Использовать беспроводное устройство для ввода данных					0,76

	1	2	3	4	5

Разница средних значений до публикации — независимый t-тест	0,92 ^*	,11	0,71 ^*	,36 ^*	.67 ^*

Сумма квадратов нагрузки% Извлечение (совокупное)	47,3	54,0	58,8	61,5	63,7
	Сумма квадратов нагрузки% вращения	9 36160 23,7	9,4

5. Обсуждение

Исследовательский анализ основных компонентов с наклонным вращением promax привел к пятифакторной версии SANICS с 30 пунктами, которая объяснила 63.7% дисперсии. Надежность внутренней согласованности была превосходной для всех пяти факторных шкал. Чувствительность шкалы была подтверждена значительно более высоким средним баллом по четырем шкалам факторов, связанных с клинической информатикой, после тестирования по сравнению с введением до теста. Учитывая возраст участников, неудивительно, что базовые компьютерные знания и навыки (фактор 2) имели наивысший средний балл на предварительном тесте и существенно не увеличивались с течением времени.

Объединение элементов в ролевой фактор клинической информатики с помощью ротации promax интересно тем, что подчеркивает важную роль, которую может сыграть медсестра, не являющаяся специалистом в области информатики, благодаря своему опыту медсестер и общему обучению в области информатики.Это был фактор, который больше всего увеличивался от до и после тестирования. В исследовании использовались некоторые методы, обычно не применяемые при психометрической оценке медицинских инструментов. Среди них был метод параллельного анализа, который помог принять решение относительно количества факторов, которые следует сохранить. Этот метод считается более воспроизводимым, чем использование собственных значений или графика осыпи для определения порогового значения удерживания.

Доказательства надежности инструмента исследования зависят от выборки.Выборка для этого анализа была молодой с высоким уровнем базовых компьютерных знаний и навыков. Более того, размер выборки в 336 человек соответствовал минимальному, но не оптимальному соотношению испытуемых к предметам [10]. Это может ограничить устойчивость факторной структуры.

6. Выводы

Это исследование предоставило предварительные доказательства для факторной структуры, надежности внутренней согласованности и отзывчивости SANICS из 30 пунктов. Рекомендуется дальнейшее тестирование на других образцах.

Благодарности

Это исследование финансировалось D11 HP07346 и T32NR007969.

Ссылки

1. Густафсон Д.Х., Хокинс Р., Боберг Э., Пингри С., Серлин Р.Э., Грациано Ф. и др. Воздействие ориентированной на пациента компьютерной системы медицинской информации / поддержки. Американский журнал профилактической медицины. 1999; 16 (1): 1–9. [PubMed] [Google Scholar] 2. Norton M, Skiba DJ, Bowman J. Обучение медсестер оказанию помощи, ориентированной на пациента, на основе фактических данных с использованием инструментов информатики, которые способствуют безопасности, качеству и эффективным клиническим решениям. Исследования в области технологий здравоохранения и информатики.2006; 122: 230–4. [PubMed] [Google Scholar] 3. Дежардин К.С., Кук С.С., Дженкинс М., Баккен С. Влияние информатики для учебной программы научно-обоснованной практики на компетенции медсестер в области информатики. Международный журнал медицинской информатики. 2005; 74 (11-12): 1012–20. [PubMed] [Google Scholar] 4. Американская ассоциация медсестер. Стандарты практики сестринской информатики. Ассоциация медицинских сестер; Вашингтон, округ Колумбия: 1995. [Google Scholar] 5. Хоббс С.Д. Восприятие клиническими медсестрами компетенций в области информатики.Гавайский университет в Маноа; Гавайи: 2007 г. Доктор философии. Диссертация. [Google Scholar] 6. Currie LM, Desjardins KS, Stone PW, Lai TY, Schwartz E, Schnall R и др. Сообщение о возможных авариях и опасностях: повышение внимательности при просвещении пациентов по вопросам безопасности. Исследования в области технологий здравоохранения и информатики. 2007. 129 (Pt 1): 285–90. [PubMed] [Google Scholar] 7. Финч Х. Сравнение эффективности ротаций варимакс и промакс: восстановление структуры факторов для дихотомических элементов. Журнал педагогических измерений. 2006. 43 (1): 39–52.[Google Scholar] 8. Цвик В. Р., Велисер В. Ф. Сравнение 5 правил определения количества удерживаемых компонентов. Психологический бюллетень. 1986. 99 (3): 432–442. [Google Scholar] 9. Костелло А.Б., Осборн Дж. У. Лучшие практики исследовательского факторного анализа: четыре рекомендации для получения максимальной отдачи от анализа. Практические оценочные исследования и оценка. 2005; 10 (7): 1–8. [Google Scholar] 10. Mundfrom DJ, Shaw DG, Ke TL. Рекомендации по минимальному размеру выборки для проведения факторного анализа. Международный журнал тестирования.2005. 5 (2): 159–168. [Google Scholar]

Обеспечение более глубокого изучения больших данных для приложений в области информатики материалов

Curtarolo, S. et al. Высокопроизводительный путь к проектированию вычислительных материалов. Нат. Матер. 12 , 191 (2013).

ADS CAS Статья Google Scholar

Саал, Дж. Э., Кирклин, С., Эйкол, М., Мередиг, Б. и Волвертон, К. Дизайн и открытие материалов с использованием теории функционала высокой плотности: открытая база данных квантовых материалов (oqmd). JOM 65 , 1501–1509. https://doi.org/10.1007/s11837-013-0755-4 (2013).

CAS Статья Google Scholar

Jain, A. et al. The Materials Project: подход, основанный на геноме материалов, для ускорения инноваций в материалах. APL Mater. 1 , 011002 (2013). http://link.aip.org/link/AMPADS/v1/i1/p011002/s1&Agg=doi.

Kirklin, S. et al. Открытая база данных квантовых материалов (OQMD): Оценка точности энергий образования DFT. npj Comput. Матер. 1 , 15010 (2015).

ADS CAS Статья Google Scholar

NoMaD. http://nomad-repository.eu/cms/. http://nomad-repository.eu/cms/.

Curtarolo et al. Aflowlib.org: распределенный репозиторий свойств материалов на основе высокопроизводительных вычислений ab initio. Comput. Матер. Sci. 58 , 227–235 (2012). http://www.sciencedirect.com/science/article/pii/S0927025612000687.

Choudhary, K. et al. JARVIS: интегрированная инфраструктура для проектирования материалов на основе данных (2020 г.). arxiv: 2007.01831.

Blaiszik, B. et al. Центр обработки данных по материалам: Службы обработки данных для продвижения исследований в области материаловедения. JOM 68 , 2045–2052 (2016).

Артикул Google Scholar

Дима, А. и др. Инфраструктура информатики для инициативы «Геном материалов». JOM 68 , 2053–2064 (2016).

Артикул Google Scholar

10.

Meredig, B. et al. Комбинаторный отбор новых материалов в неограниченном пространстве композиции с машинным обучением. Phys. Ред. B 89 , 094104 (2014).

ADS Статья Google Scholar

11.

Xue, D. et al. Ускоренный поиск материалов с заданными свойствами за счет адаптивного дизайна. Нат. Commun. 7 , (2016).

12.

Боту В. и Рампрасад Р. Адаптивная среда машинного обучения для ускорения молекулярной динамики ab initio. Внутр. J. Quantum Chem. 115 , 1074–1083 (2015).

CAS Статья Google Scholar

13.

Уорд, Л., Agrawal, A., Choudhary, A. & Wolverton, C. Универсальная структура машинного обучения для прогнозирования свойств неорганических материалов. npj Comput. Матер. 2 , 16028 (2016). https://doi.org/10.1038/npjcompumats.2016.28. arxiv: 1606.09551.

14.

Фабер Ф. А., Линдмаа А., Фон Лилиенфельд О. А. и Армиенто Р. Энергия машинного обучения 2 миллионов кристаллов эльпасолита (a b c 2 d 6). Phys. Rev. Lett. 117 , 135502 (2016).

ADS Статья Google Scholar

15.

Рампрасад, Р., Батра, Р., Пилания, Г., Манноди-Канаккитоди, А. и Ким, К. Машинное обучение в информатике материалов: последние применения и перспективы. npj Comput. Матер. 3 , 54. https://doi.org/10.1038/s41524-017-0056-5 (2017).

ADS Статья Google Scholar

16.

Лю Р. et al. Прогностический подход машинного обучения для оптимизации микроструктуры и проектирования материалов. Sci. Отчет 5 , (2015).

17.

Секо, А., Хаяси, Х., Накаяма, К., Такахаши, А. и Танака, И. Представление соединений для прогнозирования физических свойств машинным обучением. Phys. Ред. B 95 , 144110 (2017).

ADS Статья Google Scholar

18.

Пайзер-Кнапп, Э. О., Ли, К. и Аспуру-Гузик, А. Уроки Гарвардского проекта чистой энергии: использование нейронных сетей для ускорения открытия материалов. Adv. Функц. Матер. 25 , 6495–6502 (2015).

CAS Статья Google Scholar

19.

Montavon, G. et al. Машинное обучение молекулярных электронных свойств в пространстве химических соединений. New J. Phys. 15 , 095003 (2013).

ADS Статья Google Scholar

20.

Инициатива по геному материалов (2016). https://www.whitehouse.gov/mgi.

21.

Агравал А. и Чоудхари А. Перспектива: Материальная информатика и большие данные: реализация «четвертой парадигмы» науки в материаловедении. APL Mater. 4 , 053208 (2016).

ADS Статья Google Scholar

22.

Hey, T. et al. Четвертая парадигма: научное открытие с интенсивным использованием данных Vol. 1 (Microsoft Research, Редмонд, 2009 г.).

Google Scholar

23.

Раджан К. Материалы информатики: материалы «гены» и большие данные. Annu. Rev. Mater. Res. 45 , 153–169 (2015).

ADS CAS Статья Google Scholar

24.

Hill, J. et al. Материаловедение с большими данными и информатика: открывая новые возможности. Mrs Bulletin 41 , 399–409 (2016).

CAS Статья Google Scholar

25.

Уорд, Л. и Волвертон, К. Атомистические расчеты и информатика материалов: обзор. Curr. Opin. Solid State Mater. Sci. 21 , 167–176 (2017).

ADS CAS Статья Google Scholar

26.

Schütt, K. T., Sauceda, H. E., Kindermans, P.-J., Tkatchenko, A. & Müller, K.-R. SchNet: Архитектура глубокого обучения для молекул и материалов 1–10 (2017). arxiv: 1712.06113.

27.

Йоргенсен, П. Б., Якобсен, К. В. и Шмидт, М. Н. Передача нейронных сообщений с обновлениями границ для прогнозирования свойств молекул и материалов. Препринт arXiv arXiv: 1806.03146 (2018).

28.

Jha, D. et al. ElemNet: глубокое изучение химии материалов только на основе элементного состава. Sci. Отчет 8 , 17593 (2018).

ADS Статья Google Scholar

29.

Се, Т. и Гроссман, Дж. С. Сверточные нейронные сети с кристаллическим графом для точного и интерпретируемого предсказания свойств материалов. Phys. Rev. Lett. 120 , 145301 (2018). https://link.aps.org/doi/10.1103/PhysRevLett.120.145301.

30.

Park, C. W. & Wolverton, C.Разработка усовершенствованной структуры сверточной нейронной сети с кристаллическим графом для ускоренного обнаружения материалов. Phys. Rev. Mater. 4 , 063801 (2020). https://link.aps.org/doi/10.1103/PhysRevMaterials.4.063801.

31.

Jha, D. et al. Извлечение ориентации зерен из изображений EBSD поликристаллических материалов с помощью сверточных нейронных сетей. Microsc. Микроанал. 24 , 497–502 (2018).

ADS CAS Статья Google Scholar

32.

Jha, D. et al. Улучшение прогнозирования свойств материалов за счет использования расчетных и экспериментальных данных с использованием глубокого обучения с передачей данных. Нат. Commun. 10 , 1–12 (2019).

ADS CAS Статья Google Scholar

33.

Гудолл, Р. Э. и Ли, А. А. Прогнозирование свойств материалов без кристаллической структуры: обучение глубокому представлению на основе стехиометрии. Препринт arXiv arXiv: 1910.00617 (2019).

34.

Агравал, А. и Чоудхари, А. Глубокая информатика материалов: применение глубокого обучения в материаловедении. MRS Communications 9 , 779–792 (2019).

CAS Статья Google Scholar

35.

Zhou, Q. et al. Изучение атомов для открытия материалов. Proc. Natl. Акад. Sci. США 115 , E6411 – E6417 (2018).

ADS CAS Статья Google Scholar

36.

Chen, C., Ye, W., Zuo, Y., Zheng, C. & Ong, S.P. Графические сети как универсальная среда машинного обучения для молекул и кристаллов. Chem. Матер. 31 , 3564–3572 (2019).

CAS Статья Google Scholar

37.

Szegedy, C. et al. Углубляем извилины. Конференция IEEE по компьютерному зрению и распознаванию образов 1–9 (2015).

38.

Хе К., Чжан Х., Рен С. и Сун Дж. Глубокое остаточное обучение для распознавания изображений. Конференция IEEE по компьютерному зрению и распознаванию образов 770–778 (2016).

39.

Хуанг, Г., Лю, З., Ван Дер Маатен, Л. и Вайнбергер, К. К. Плотносвязные сверточные сети. Конференция IEEE по компьютерному зрению и распознаванию образов 4700–4708 (2017).

40.

Хуанг, Л., Сюй, Дж., Сан, Дж. И Ян, Ю. Улучшенная остаточная архитектура lstm для акустического моделирования.В Компьютерные и коммуникационные системы (ICCCS), 2-я Международная конференция 2017 г., посвященная 101–105 (IEEE, 2017).

41.

Сегеди, К., Иоффе, С., Ванхаук, В. и Алеми, А. Начало-v4, начало-resnet и влияние остаточных связей на обучение. Препринт arXiv arXiv: 1602.07261 (2016).

42.

Сегеди, К., Иоффе, С., Ванхаук, В. и Алеми, А. А. Начало-v4, начало-resnet и влияние остаточных связей на обучение. AAAI 4 , 12 (2017).

Google Scholar

43.

Vaswani, A. et al. Внимание — это все, что вам нужно. Adv. Neural Inf. Процесс. Syst. 5998–6008, (2017).

44.

Девлин, Дж., Чанг, М.-В., Ли, К. и Тутанова, К. Берт: Предварительная подготовка глубоких двунаправленных преобразователей для понимания языка. Препринт arXiv arXiv: 1810.04805 (2018).

45.

Тан, М. и Ле, К. В. Efficientnet: переосмысление масштабирования модели для сверточных нейронных сетей.Препринт arXiv arXiv: 1905.11946 (2019).

46.

Deng, J. et al. Imagenet: крупномасштабная иерархическая база данных изображений. В конференции 2009 IEEE по компьютерному зрению и распознаванию образов 248–255 (IEEE, 2009).

47.

Lin, T.-Y. et al. Microsoft coco: общие объекты в контексте. В Европейской конференции по компьютерному зрению 740–755 (Springer, 2014).

48.

Лэнг, К. Newsweeder: Учимся фильтровать сетевые новости. Труды Двенадцатой Международной конференции по машинному обучению 331–339, (1995).

49.

Кён, А., Стеген, Ф. и Бауманн, Т. Анализ устной Википедии для получения речевых данных и не только. In Chair), N. C. C. et al. (ред.) Труды Десятой Международной конференции по языковым ресурсам и оценке (LREC. European Language Resources Association (ELRA 2016 (Франция, Париж, 2016)).

50.

Veit, A., Matera, T. , Нойман, Л., Мэйтас, Дж. И Белонги, С. Коко-текст: набор данных и эталонный тест для обнаружения и распознавания текста в естественных изображениях. Препринт arXiv arXiv: 1601.07140 (2016).

51.

Иоффе С. и Сегеди К. Пакетная нормализация: ускорение глубокого обучения сети за счет уменьшения внутреннего ковариантного сдвига. Препринт arXiv arXiv: 1502.03167 (2015).

52.

Шривастава, Р. К., Грефф, К. и Шмидхубер, Дж. Обучение очень глубоких сетей. Достижения в системах обработки нейронной информации 2377–2385 (2015).

53.

LeCun, Y., Touresky, D., Hinton, G. & Sejnowski, T. Теоретическая основа для обратного распространения. В Труды летней школы коннекционистов 1988 года , т. 1, 21–28 (CMU, Питтсбург, Пенсильвания: Morgan Kaufmann, 1988).

54.

Nair, V. & Hinton, G.E. Выпрямленные линейные блоки улучшают ограниченные машины Boltzmann. В 27-я Международная конференция по машинному обучению (ICML-10) 807–814 (2010).

55.

Jha, D. et al. IRNet: универсальная структура глубокой регрессии остатков для обнаружения материалов. В 25-я Международная конференция ACM SIGKDD по открытию знаний и интеллектуальному анализу данных 2385–2393 (2019).

56.

Саал, Дж. Э., Кирклин, С., Эйкол, М., Мередиг, Б. и Волвертон, К. Дизайн и открытие материалов с помощью функциональной теории высокой плотности: Открытая база данных квантовых материалов (OQMD). JOM 65 , 1501–1509 (2013).

CAS Статья Google Scholar

57.

Curtarolo, S. et al. AFLOWLIB.ORG: Распределенный репозиторий свойств материалов на основе высокопроизводительных расчетов ab initio. Comput. Матер. Sci. 58 , 227–235 (2012). http://linkinghub.elsevier.com/retrieve/pii/S0927025612000687.

58.

Jain, A. et al. Комментарий: The Materials Project: подход с использованием генома материалов для ускорения инноваций в материалах. APL Materials 1 , 011002 (2013). http://scitation.aip.org/content/aip/journal/aplmater/1/1/10.1063/1.4812323.

59.

Чоудхари К., Чеон Г., Рид Э. и Тавацца Ф. Упругие свойства объемных и низкоразмерных материалов с использованием функционала плотности Ван-дер-Ваальса. Phys. Ред. B 98 , 014107 (2018).

ADS CAS Статья Google Scholar

60.

Чоудхари, К. et al. Вычислительный скрининг высокоэффективных оптоэлектронных материалов с использованием формализмов optb88vdw и tb-mbj. Sci. Ddata 5 , 180082 (2018).

CAS Статья Google Scholar

61.

Choudhary, K., Kalish, I., Beams, R. & Tavazza, F. Идентификация и определение характеристик двумерных материалов с использованием теории функционала плотности. Sci. Отчет 7 , 5179 (2017).

ADS Статья Google Scholar

62.

Чоудхари К., ДеКост Б. и Тавазза Ф. Машинное обучение с дескрипторами материалов на основе силового поля: быстрый просмотр и отображение энергетического ландшафта. Phys. Rev. Mater. 2 , 083801 (2018).

CAS Статья Google Scholar

63.

Ward, L. T. et al. Matminer: набор инструментов с открытым исходным кодом для интеллектуального анализа данных материалов. Comput. Матер. Sci. 152 , 60–69 (2018).

Артикул Google Scholar

64.

Чжуо, Ю., Мансури Теграни, А. и Бргоч, Дж. Предсказание ширины запрещенной зоны неорганических твердых тел с помощью машинного обучения. J. Phys. Chem. Lett. 9 , 1668–1673 (2018). PMID: 29532658, https://doi.org/10.1021/acs.jpclett.8b00124.

65.

Ward, L. et al. Включение атрибутов кристаллической структуры в модели машинного обучения энергий формаций с помощью мозаики Вороного. Phys. Ред. B 96 , 024104 (2017).

ADS Статья Google Scholar

66.

Abadi, M. et al. Tensorflow: крупномасштабное машинное обучение в гетерогенных распределенных системах. Препринт arXiv arXiv: 1603.04467 (2016).

67.

Кингма, Д. П. и Ба, Дж. Адам: метод стохастической оптимизации. Препринт arXiv arXiv: 1412.6980 (2014).

68.

Pedregosa, F. et al. Scikit-learn: Машинное обучение на Python. J. Mach. Учить. Res. 12 , 2825–2830 (2011).

MathSciNet МАТЕМАТИКА Google Scholar

(PDF) Психометрические свойства шкалы самооценки сестринской информатики

5. Обсуждение

Исследовательский анализ основных компонентов с наклонным вращением promax привел к пяти

факторам, версии SANICS с 30 пунктами, которая объяснила 63.7% дисперсии. Внутренняя надежность согласованности

была превосходной для всех пяти факторных шкал. Чувствительность по шкале составляла

, что подтверждается значительно более высоким средним баллом по четырем шкалам, связанным с клинической информатикой

, после тестирования по сравнению с введением до тестирования. Учитывая возраст участников

, неудивительно, что базовые компьютерные знания и навыки (фактор 2) имели наивысший средний балл на предварительном тесте

и не увеличились значительно с течением времени.

Кластеризация элементов в ролевой фактор клинической информатики с использованием ротации

promax интересна тем, что подчеркивает важную роль, которую может сыграть медсестра, не являющаяся специалистом в области информатики

в силу своего опыта сестринского дела и универсал

обучение информатике. Это был фактор, который больше всего увеличивался от до и после тестирования. В исследовании

использовались некоторые методы, которые обычно не применялись при психометрической оценке медицинских инструментов

.Среди них был метод параллельного анализа, который повлиял на решение

относительно количества факторов, которые необходимо сохранить. Этот метод считается более воспроизводимым

, чем использование собственных значений или графика осыпи для определения порогового значения удерживания.

Доказательства надежности инструмента исследования зависят от выборки. Образец

для этого анализа был молодым, с высоким уровнем базовых компьютерных знаний и навыков

. Более того, размер выборки в 336 человек соответствовал минимальному, но не оптимальному соотношению испытуемых к пункту

[10].Это может ограничить устойчивость факторной структуры.

6. Выводы

Это исследование предоставило предварительные доказательства для факторной структуры, внутренней согласованности, надежности

и отзывчивости SANICS из 30 пунктов. Рекомендуется дальнейшее тестирование на других образцах

Благодарности

Это исследование финансировалось D11 HP07346 и T32NR007969.

Ссылки

1. Густавсон Д.Х., Хокинс Р., Боберг Э., Пингри С., Серлин Р.Э., Грациано Ф. и др.Воздействие на пациента —

Центрированная на

компьютерная система медицинской информации / поддержки. Американский журнал профилактики

Медицина 1999; 16 (1): 1–9. [PubMed: 9894548]

2. Нортон М., Скиба Д. Д., Боуман Дж. Обучение медсестер оказанию ориентированной на пациента доказательной помощи

с использованием инструментов информатики, которые способствуют безопасности, качеству и эффективным клиническим решениям.

Исследования в области технологий здравоохранения и информатики, 2006; 122: 230–4. [PubMed: 17102254]

3.Дежардин К.С., Кук С.С., Дженкинс М., Баккен С. Влияние информатики на научно-обоснованную практику

учебный план на компетентность медсестер в области информатики. Международный журнал медицинской информатики

2005; 74 (11-12): 1012–20. [PubMed: 16125454]

4. Американская ассоциация медсестер. Стандарты практики сестринской информатики. Медицинские медсестры

Ассоциация; Вашингтон, округ Колумбия: 1995.

5. Hobbs, SD. Восприятие клиническими медсестрами компетенций в области информатики.Университет

Гавайи в Маноа; Гавайи: 2007 г. Доктор философии. Диссертация

6. Карри Л.М., Дежардин К.С., Стоун П.В., Лай Т.Ю., Шварц Э., Шналл Р. и др. Предотвращение и опасность

Отчет

: повышение внимательности при просвещении пациентов по вопросам безопасности. Исследования в области технологий здравоохранения и

информатики 2007; 129 (Pt 1): 285–90. [PubMed: 17

7. Финч Х. Сравнение эффективности вращения варимакс и промакс: Факторная структура

восстановление для дихотомических элементов.Журнал измерений в образовании, 2006 г .; 43 (1): 39–52.

YOON et al. Page 3

Stud Health Technol Inform. Авторская рукопись; доступно в PMC 2010, 22 апреля.

NIH-PA Рукопись автора NIH-PA Рукопись автора NIH-PA Рукопись автора

В чем разница между химической информатикой и информатикой материалов?

В этом блоге мы рассмотрим разницу между химической информатикой и информатикой материалов. Многим часто задают этот вопрос, и мы подумали, что этот пост поможет дать относительно краткий, но исчерпывающий ответ.

Определения в Википедии:

Химическая информатика (CI) (также хеминформатика или хемоинформатика) относится к использованию теории физической химии с компьютерными и информационными технологиями — так называемыми методами «in silico» — в приложении к ряду описательных и предписывающих задач в в области химии, в том числе в ее приложениях к биологии и связанным с ней молекулярным областям.
Информатика материалов (MI) — это область исследования, которая применяет принципы информатики к материаловедению и инженерии, чтобы лучше понять использование, выбор, разработку и открытие материалов.

ЛЮКС ОПРЕДЕЛЕНИЯ:

Эти два определения очень расплывчаты и не отражают сути этих двух областей. Они предоставляют поверхностное описание того, что включают в себя CI и MI, но далеки от того, чтобы быть исчерпывающими.

И химическая информатика, и информатика материалов имеют два аспекта:

Использование искусственного интеллекта и машинного обучения для анализа данных и выводов из существующих баз данных (платформы открытых данных, литература), высокопроизводительные эксперименты (иногда называемые скринингом), моделирование и симуляция на основе физики (иногда называемые имитационным моделированием).* Конечная цель — повысить эффективность (оптимизация существующих процессов) и / или результативность (создание новых химикатов / материалов и синтетических маршрутов).
Работа над улучшенными инфраструктурами данных и ИТ-инфраструктурами для хранения данных, маркировки метаданных, отслеживаемости, безопасности и удобства машинного обучения.

Согласно нашему определению, примеры повышения эффективности включают оптимизацию дизайна экспериментов (DoE), лучшую инфраструктуру данных для ввода, отслеживания и анализа данных (например, системы управления лабораторной информацией [LIMS]).Примеры повышения эффективности включают использование генеративных состязательных сетей (GAN) для разработки новых молекул / химических реакций (CI) (Рисунок 1), дизайн новых составов сплавов с использованием фазовой диаграммы, построенной путем высокопроизводительных экспериментов (MI), или прогнозирование свойств с использованием существующие свойства материалов (MI) (рисунок 2).

Рисунок 1: Создание молекулярной структуры с использованием химической информатики. Молекулярные структуры были введены (как SMILES). Источник: ACS Cent. Sci. 2018, 4, 268−276.

Рисунок 2: Прогнозирование свойств полимера с использованием информатики материалов; Были использованы числовые данные семи свойств. Источник: J. Phys. Chem. C 2018, 122, 17575-17585.

Разница:

CI и MI используют очень похожие технологии. Фундаментальное различие заключается в объекте, который необходимо проанализировать: CI рассматривает молекулярные структуры, тогда как MI рассматривает иерархические структуры материалов (рисунок 3 представляет собой визуальное руководство по иерархии структуры материалов).Чтобы было понятнее, вот гипотетический пример: чтобы предсказать результат органической реакции, данные (молекулярные структуры и их строки SMILES) обычно используемых реакций собираются и вводятся в глубокую нейронную сеть (DNN). Имея скромный набор данных, DNN может с большой уверенностью прогнозировать результаты реакции. Это случай CI. Двигаясь дальше, если цель состоит в том, чтобы оптимизировать рецептуру, содержащую дюжину полимеров и добавок, вместо молекулярных структур, вам потребуются данные о свойствах этих химических веществ и их корреляции.Теперь данные — это физические свойства, такие как температура плавления, модуль Юнга и растворимость в данном растворителе. Результатом является рецепт этих химикатов, и это случай MI, потому что вы обрабатываете полимеры и добавки в целом, и каждый из них представляет собой точку данных по этим физическим свойствам; информация об их молекулярной структуре не рассматривается как данные.

Рисунок 3: Иерархия структуры материалов и некоторые из основных вопросов и методов исследования — от атомарного к системному.Источник: Advanced Cooling Technologies.

почему путаница:

В некоторых случаях эти два термина используются как синонимы. Фактически, CI используется гораздо более широко, чем MI, отчасти из-за его применения в фармацевтической сфере. С другой стороны, хотя происхождение МИ восходит к нескольким десятилетиям, его современное определение начало набирать обороты только в последнее десятилетие, в основном благодаря разработкам в области ИИ и вычислений, а также правительственным инициативам и академическим исследованиям в МИ (большинство МИ стартапы вышли из исследовательских групп).Причина позднего появления МИ — иерархическая структура материалов. Возьмем, к примеру, полимеры. Чтобы получить достаточно данных для обратного дизайна полимеров, вам потребуется информация о структурных свойствах полимеров с аналогичными структурами, а также такая же информация об общих строительных блоках и даже функциональных группах и моделирование в атомном и электронном масштабе.

Сложность, порождаемая такой структурной иерархией, часто создает дефицит данных для MI, таким образом замедляя его продвижение.В настоящее время принято рассматривать материалы как единое целое и использовать MI (пример оптимизации рецептуры, где каждый материал рассматривается как единое целое, а его иерархические структурные данные не рассматриваются). Тем не менее, мы видим тенденцию к MI с данными иерархической структуры в нескольких выбранных типах материалов (например, металлических сплавах) в ближайшие пять-десять лет.

ДАЛЬНЕЙШИЕ ЧТЕНИЯ:

— Пресс-релиз: Lux прогнозирует, что цифровая трансформация затронет мировую химическую и сырьевую промышленность на 500 миллиардов долларов

— Краткое содержание: цифровая трансформация химикатов и материалов

— Блог: Самые горячие исследования в области материаловедения

— Блог: 3 способа формирования стратегии в области информатики материалов

— Техническая страница: Информатика материалов (только для членов Lux)

Глобальная информатика и выбор физических свойств в белковых последовательностях

Значимость

Многие биоинформатические исследования взаимосвязей между белковыми последовательностями и структурой основаны на заранее выбранных наборах физических свойств аминокислот.Мы исследуем, насколько такой предварительный отбор оправдан информационно-теоретическими соображениями. Показано, что ни зависящие от последовательности, ни усредненные свойства не могут быть идентифицированы как информатически незначительные и что нельзя идентифицировать никакие физические свойства, которые несут достаточную информацию о других переменных, чтобы действовать как суррогаты. Этот результат означает, что исследования белков, основанные на знаниях, должны основываться на полных, неизбыточных наборах физических свойств.

Abstract

Рассчитана степень информативной независимости между физическими свойствами аминокислот, закодированными в реальных белковых последовательностях.Показано, что невозможно идентифицировать какое-либо физическое свойство, которое несет значительно меньше информации, чем другие, и что перекрытие информации между различными свойствами и различными масштабами длины вдоль последовательности по существу равно нулю. Эти наблюдения предполагают, что биоинформатические модели, основанные на произвольно выбранных наборах физических свойств, по своей сути несовершенны.

Биоинформатика белков возникла с использованием методов, основанных на выравнивании, для сравнения последовательностей белков. В последние годы наблюдается значительный рост использования «основанных на знаниях» методов, в которых последовательности характеризуются присвоением составляющим их аминокислотам числовых значений физических свойств, которые считаются важными.Эти свойства обычно выбираются, чтобы обеспечить количественную основу для интуитивного представления о физической химии аминокислот. Последующий анализ выполняется с использованием либо подробного описания интересующих последовательностей, которое включает рассмотрение характеристик локальной последовательности, либо набора усредненных по последовательности значений свойств, что включает обсуждение глобальных характеристик последовательности (1, 2).

В предыдущей работе мы рассмотрели различные информационные аспекты взаимосвязи последовательность-структура в белках.Было показано, что существует структурная неопределенность, закодированная как в информации о локальной последовательности (3), так и в глобальных свойствах последовательностей (4). Эти неопределенности представляют собой внутренние ограничения биоинформатики белков, основанной на знаниях. В этой работе мы исследуем ограничения, наложенные исследователем в результате выбора «репрезентативных» наборов физических свойств для характеристики аминокислот. Мы спрашиваем, может ли произвольно выбранный набор физических свойств аминокислот выступать в роли заместителей для других, которые не включены.Мы также спрашиваем, можно ли идентифицировать физические свойства, которые значительно менее важны, чем другие, и, следовательно, являются кандидатами на исключение из основанных на знаниях моделей взаимосвязи последовательность-структура. Показаны следующие результаты.

i ) Можно вычислить теоретико-информационную взаимосвязь между различными физическими свойствами глобальной последовательности.
ii ) Переменные, усредненные по последовательностям, и переменные, специфичные для конкретной последовательности, можно обрабатывать единым образом.
iii ) Когда физические свойства выражаются с использованием исчерпывающего и неизбыточного представления, их распределения в продольной последовательности не связаны между собой информатически. Это наблюдение подразумевает, что использование ограниченного набора предварительно выбранных переменных гарантированно приведет к потере информации.
iv ) Информативный вклад всех переменных оказался одного порядка величины. Этот факт означает, что не существует переменных, которыми можно пренебречь.

Результаты

Наш подход основан на двух инструментах. Первый инструмент — это физическое описание аминокислот с использованием представления фактора свойства, разработанного Kidera et al. (5, 6). Это представление основано на факторном анализе всех доступных физических свойств 20 аминокислот, и было показано, что все эти данные (включая 189 отдельных наборов свойств) могут быть представлены 10 факторами свойств, которые вместе составляют 86%. дисперсии всего набора данных.Следовательно, физические свойства аминокислоты X могут быть представлены численно 10-вектором X : X = (fX (1), fX (2),…., FX (10)), [1] где fX (i) — это фактор свойства i -й аминокислоты X. Центральным моментом в этой работе является то, что по построению факторы свойств являются полными и ортонормированными, и, следовательно, X является превосходным числовым представлением всей совокупности. физических свойств аминокислоты.

Второй инструмент — это представление белковых последовательностей в пространстве Фурье.Мы подробно обсудили детали этого подхода и показали его полезность в биоинформатических исследованиях (4, 7–11). В этом подходе последовательность белка записывается в терминах 10 векторов, воплощенных в формуле. 1 . Этот процесс дает представление остаточной последовательности N в виде числовых строк из 10 N , каждая из которых описывает ход одного фактора свойства от N-конца до C-конца. Каждая из этих строк подвергается преобразованию Фурье, давая набор (синус и косинус) коэффициентов Фурье, которые помечены двумя индексами: k , волновое число, и l , индекс в диапазоне 1 ≤ l. ≤ 10, который идентифицирует преобразованную строку фактора свойства.В этой связи важны несколько фактов.

i ) Каждый коэффициент Фурье содержит информацию из всей последовательности белка.
ii ) Коэффициенты Фурье k = 0 (косинус) являются средними последовательностями 10 факторов свойств и не содержат информации о фактическом продольном расположении аминокислот вдоль цепи.
iii ) Коэффициент Фурье с волновым числом k > 0 кодирует характеристики цепочки, которые возникают в пространственной шкале длины N / k. Следовательно, коэффициенты с низкими значениями k описывают организацию последовательности в относительно длинных масштабах, а коэффициенты с высокими k описывают последовательность с точки зрения локальных характеристик.
iv ) Мы показали (11), что различия в последовательностях между семействами белков разной структуры кодируются ограниченным числом низких коэффициентов Фурье k . Мы обнаружили, что коэффициенты с волновыми числами в диапазоне 0 ≤ k ≤ 7 важны для кодирования информации глобального сворачивания.

Следует подчеркнуть, что, как следствие точек ii и iii , специфическая для последовательности (продольная) и усредненная по последовательности информация о физических свойствах рассматривается в этом подходе на равных условиях и может быть сравнена систематически и неукоснительно.

Таким образом, архитектурно значимый диапазон коэффициентов Фурье включает коэффициенты с 0 ≤ k ≤ 7 для всех значений l , индекса физического свойства. Мы спрашиваем, несет ли какое-либо подмножество этого полного набора коэффициентов Фурье информацию, необходимую для характеристики набора последовательностей.Чтобы эта гипотеза была верной, необходимо показать, что некоторые коэффициенты Фурье кодируют информацию, которая также присутствует в других. Подходящим инструментом для исследования этого вопроса является взаимная информация, теоретико-информационная функция, которая измеряет степень независимости двух случайных величин. Взаимная информация переменных X и Y определяется выражением I (X, Y) = ∑i∑jp (xi) p (yj) log (p (xi, yj) p (xi) p (yj)). [2] Здесь p ( x , y ) — это совместное распределение вероятностей X и Y , а p ( x ) и p ( y ) являются распределения вероятностей отдельных переменных.Можно видеть, что если X и Y независимы, так что p ( x , y ) = p ( x ) p ( y ), то I ( X , Y ) = 0. Обратите внимание, что I ( X , X ) = H ( X ), где H ( X ) — это энтропия случайной величины X .

В данной работе интересующие случайные величины представляют собой центрированные нормированные коэффициенты Фурье (12).Рассчитаем комплект I ( Z _k ^{( l )}, Z _{k ′} ^{( l ′ )}), где Z _k ^{( l )} — это либо синусоидальный, либо косинусный коэффициент Фурье (как определено в методе ). Каждое значение представляет собой взаимную информацию по очень большому набору белковых последовательностей (описанных в Methods ) с низкой парной идентичностью последовательностей.Эти значения можно рассматривать как элементы матрицы. Из предшествующего обсуждения можно видеть, что недиагональные элементы измеряют степень, в которой информация, закодированная в двух разных коэффициентах Фурье, перекрывается. Диагональные элементы дают ширину распределения рассматриваемого коэффициента Фурье. Эта ширина является мерой количества информации, закодированной в этом коэффициенте.

Мы обнаружили, что существует большая разница между величинами диагональных и недиагональных элементов этой матрицы взаимной информации.Недиагональные элементы для 0 ≤ k ≤ 7 и 1 ≤ l ≤ 10, а также синусоидальные или косинусные коэффициенты Фурье имеют значения I <10 ^-1 нат. Напротив, диагональные элементы для k ≠ 0 имеют значения I ≥ 1,95 нат, а для k = 0, I > 1,4 нат. Недиагональные элементы по существу равны нулю, что указывает на то, что никакой коэффициент Фурье не кодирует информацию, которая также закодирована в коэффициенте с разными значениями k или l .

Обсуждение и выводы

Поскольку коэффициенты Фурье кодируют, с хорошим приближением, как полные физические свойства аминокислот, так и подробную информацию о продольной последовательности, которая различает складки, будет видно из пренебрежимо малых значений выкл. -диагональная взаимная информация, что ни физическое свойство, ни соответствующая степень разрешения последовательности не могут быть исключены из вычислений, основанных на знаниях, без ущерба для информации.

Изучение диагональных элементов матрицы взаимной информации (таблицы 1, 2 и 3) дает дополнительное понимание этого явления. Энтропия распределения измеряет ширину этого распределения и количественно определяет неопределенность в значении переменной, которую представляет распределение. Переменная может быть исключена из расчета, основанного на знаниях, только если неопределенность в ее значении достаточно мала, чтобы из-за ее пропуска не было упущено ни одно существенное изменение.Однако энтропии диагональных элементов для k > 0 имеют очень похожие значения (таблицы 1 и 2). Энтропии диагональных элементов k = 0 немного меньше, чем энтропии для k > 0, но все они примерно одинакового размера (Таблица 3). Следовательно, изменение пропущенной переменной будет той же величины, что и вариации включенных переменных. Следовательно, при рассмотрении свойств белковых последовательностей нельзя сделать никаких оснований для упущения какого-либо значения свойства или любой шкалы длины в значительном диапазоне.

Таблица 1.

элементов диагонального синуса (SIN) матрицы взаимной информации

таблица 2.

элементов диагонального косинуса (COS) матрицы взаимной информации

таблица 3.

диагональ k = 0 элементов косинуса матрицы взаимной информации

В отличие от внутренних неопределенностей в белковой информатике, выявленных ранее (3, 4), неопределенностей, зависящих от исследователя, которые мы рассмотрели здесь, можно избежать, используя глобально ориентированные, статистически полные инструменты такого типа, как обсуждалось выше и в Methods .

Методы

Детали подхода Фурье подробно обсуждались в предыдущей работе (7, 8, 11). Здесь мы приводим подробные сведения о расчетах, описанных выше.

Интересующие случайные величины — это центрированные нормированные коэффициенты Фурье для белковой последовательности, заданной формулой Zk (l) = ck (l) — 〈ck (l)〉 Nσ (ck (l)), [3]

, где c _k ^{( l )} — ненормированный (синус или косинус) коэффициент Фурье с волновым числом k , возникающий из фактора свойства l th.Угловые скобки обозначают среднее значение по всем возможным перестановкам исходной, WT N — остатка последовательности, а σ — связанное SD. [Мы показали (8), что последние статистические величины могут быть вычислены аналитически.] Эффект этой нормализации состоит в том, чтобы удалить любую зависимость только от состава последовательности, так что случайная переменная явно кодирует информацию о конкретном линейном расположении аминокислот в последовательность. Коэффициент Фурье k = 0 (косинус) зависит только от состава последовательности, потому что он представляет собой среднее значение -1 -го физического свойства по рассматриваемой последовательности.Это не нормализовано, потому что и среднее значение, и стандартное отклонение по определению равны нулю.

В этой работе мы используем набор данных по белкам, основанный на базе данных последовательностей / структур CATH (ссылка 13; www.cathdb.info). Этот набор данных, который мы использовали в предыдущих исследованиях (4), содержит 12011 доменов, взятых из набора данных CathDomainSeqs.S60.ATOM.v.3.2.0. Последовательности в этом наборе идентичны не более чем на 60%.

Для вычисления взаимной информации (уравнение 2 ) нам нужны индивидуальные распределения всех коэффициентов Фурье [ p ( x )], а также совместные распределения для всех пар коэффициентов [ p ( x , y )].Для этой цели было удобно использовать гистограммы с 21 интервалом [и (21 × 21) интервалом]. Это подразделение обеспечивало разумный компромисс между разрешением и разреженностью. Диапазоны (безразмерных) переменных, наблюдаемых для белков в нашей базе данных, составляли -5,0 < c _k ^{( l )} <5,0 для k ≠ 0 и -1,1 < c ₀ ^{( л )} <1,0 для всех л .

Благодарности

Это исследование было поддержано грантом NIH GM-14312 и грантом Национального научного фонда MCB-10-19767.

Сноски

Вклад авторов: H.A.S. и С. спланированное исследование; S.R. проведенное исследование; S.R. проанализированные данные; и имеет. и С. написал газету.
Рецензенты: R.L.J., Университет штата Айова; и J.S., Georgia Tech.
Авторы заявляют об отсутствии конфликта интересов.

Подходы машинного обучения и информатики материалов для оценки межфазных свойств композитов, армированных волокном

Композиты, армированные волокном, широко использовались в области морского, аэрокосмического, авиационного и гражданского строительства в последние несколько десятилетий. их превосходной жесткости и прочности наряду с легкостью [1], [2], [3].Хорошо известно, что механические характеристики композитов, армированных волокном, в основном определяются их межфазными свойствами [4], [5]. Интерфейс играет роль передачи нагрузки от матрицы к волокнам, что определяет не только прочность композитов, но и характер разрушения композитов [6], [7], [8]. Однако неточности в определении значения прочности на межфазный сдвиг (IFSS) приводят к завышенным коэффициентам надежности по нагрузке и избыточным структурным изменениям, что сводит на нет преимущества армированных волокном полимерных композитов [7], [9].Следовательно, характеристика границы раздела волокно / матрица имеет решающее значение для определения механических свойств композитов. Кроме того, это первый шаг на пути к разработке конструкции из композитных материалов, который помогает повысить безопасность применения армированных волокном полимерных композитов в различных областях промышленного проектирования.

Для оценки межфазных свойств были разработаны и оценены различные экспериментальные методы, например, состоящие из теста выталкивания одиночного волокна [10], [11], теста вытягивания одиночного волокна [12], [13], [14] ], испытание на фрагментацию [15], [16] и испытание на микросвязку [17].Подробное сравнение преимуществ и недостатков этих методов тестирования было кратко резюмировано в [18], [19]. Среди этих исследований испытание на микровыступы было наиболее действенным и простым подходом к пониманию механизма передачи сдвига в композитах, армированных волокном [20], [21]. До настоящего времени было проведено значительное количество тестов на микровыступы, чтобы охарактеризовать межфазные свойства композитов, армированных волокном. Результаты исследований относительно наиболее преобладающих факторов, таких как свойства волокон и матрицы, диаметр волокна, среда подготовки образца и процедура испытания (скорость испытания, температура испытания, длина заделки и т. Д.) по максимальной силе (F _max) и IFSS.

Среди этих работ Yang et al. [17] оценили IFSS композитов стекловолокно / полипропилен как с помощью методов вытягивания волокна, так и с помощью методов микробондинга, и продемонстрировали тесную связь между этими двумя методами. Основываясь на широком диапазоне испытаний микровыступов и исследований с помощью моделирования, был сделан вывод, что диаметр волокна оказывает наиболее заметное влияние на IFSS, за ним следуют объемная доля и размер частиц микрошарика [22].Влияние скорости испытаний на IFSS армированного углеродным волокном полифениленсульфидного композита исследовали Liu et al. [23]. Рекомендовано проводить испытание на микрозажим при скорости нагружения 0,02–0,04 мм / с. Это связано с тем, что IFSS был постоянным при скорости нагружения от 0,02 мм / с до 0,04 мм / с, но увеличивался с увеличением длины заделки волокна при более высоких или более низких скоростях нагружения. Чтобы понять влияние размера на IFSS, Ли и др. [24] выполнили многочисленные тесты на микробонд, чтобы исследовать влияние различной длины заделки стеклянных и углеродных волокон.Было обнаружено, что IFSS композитов, армированных стекловолокном и углеродным волокном, монотонно снижается с увеличением длины заделки и впоследствии достигает регулярного значения.

В дополнение к этим исследованиям, посвященным измерению IFSS при комнатной температуре, также изучалось влияние других температур испытаний на IFSS. Sato et al. [25] провели испытание микровзаимосвязи с контролируемой температурой от комнатной температуры до 100 ° C, и не было выявлено явной температурной зависимости для межфазной прочности.Было оценено влияние температуры формования, варьирующейся от 20 ° C до 370 ° C, и результаты показали, что несоответствие между температурой формования и температурой испытания положительно сказалось на IFSS [20]. Thomason et al. [26] оценили межфазные свойства с помощью теста на микрозвязывание при высокой температуре и обнаружили, что кажущееся IFSS отрицательно связано с комнатной температурой. Ли и др. [27] проанализировали влияние температуры на межфазные термомеханические свойства и поведение стекловолокна / эпоксидного композита при контролируемых температурах в диапазоне 25.6 ° С и 120,0 ° С. Было обнаружено, что IFSS была почти постоянной, когда температура испытания была ниже 40 ° C, в то время как она незначительно уменьшалась с увеличением или уменьшением длины заделки, когда температура испытания была выше 40 ° C. Ян и др. [28] исследовали влияние межфазной прочности на механические характеристики композитов, армированных углеродным волокном, при криогенной температуре (-196 ° C), и было обнаружено, что увеличение IFSS на 16,1% может быть достигнуто по сравнению с таковым при комнатной температуре. .Влияние термических остаточных напряжений на IFSS углеродного волокна / полифениленсульфида было исследовано Wang et al. [29]. Они сообщили, что как остаточные термические напряжения в осевом, так и в радиальном направлениях волокна постепенно уменьшались ниже 120 ° C, но при температурах выше 120 ° C их можно не учитывать.

Несмотря на ценную информацию, полученную с помощью вышеупомянутых результатов, они ограничены конкретными свойствами материала и условиями эксперимента и не могут полностью описать вклад различных факторов.Более того, экспериментальные исследования различных факторов, влияющих на IFSS, обычно утомительны и менее эффективны. Чтобы сократить время и трудозатраты, а также охватить максимальное количество параметров, были проведены численные исследования для моделирования повреждений и разрушения композитов, армированных волокном. В последние годы были исследованы многочисленные методологии моделирования методом конечных элементов для изучения физически наблюдаемых механизмов на основе метода испытаний микрокапель [28], [30], [31], [32], [33], [34], [35]. ].Эти режимы эффективны в некоторых конкретных случаях; тем не менее, к их недостаткам относятся большая погрешность в данных, вариативность условий тестирования, а также описание геометрии волокна и длины заделки. Следовательно, очевидно, что необходимы более адекватные усилия по компьютерному моделированию для количественной корреляции влияния этих факторов на IFSS.

Методы машинного обучения (ML) позволяют отображать представления признаков на механические свойства композитов [36], [37], [38], [39], [40], [41], [42].Однако обзор литературы показывает, что было сделано мало попыток разработать комплексный метод прогнозирования для характеристики межфазных свойств. Сопротивление сдвигу балок из стального фибробетона (SFRC) было оценено Sarveghadi et al. в [43] с использованием ML. Они представили новое уравнение дизайна, которое, как было продемонстрировано, превосходит другие традиционные уравнения регрессии. Чаабене и др. [44] предложили новую структуру, основанную на молекулярной динамике, которая объединила алгоритм оптимизации метаэвристического поиска атомов и искусственную нейронную сеть (ИНС) для одновременного прогнозирования прочности на сдвиг и процесса разрушения балок SFRC.Su et al. [45] реализовали различные подходы ML для прогнозирования прочности межфазного сцепления между бетоном и армированными волокнами полимерами. Хуанг и др. [46] были первыми, кто разработал и предоставил эффективную и точную технику ML для исследования механических свойств цементирующих композитов, армированных углеродными нанотрубками. Омар и др. [47] использовали методы ML для изучения прочности на сдвиг и сдвига железобетонных балок, соединенных с внешними связанными листами из армированного волокном полимера.Они пришли к выводу, что использование упругой нейронной сети с обратным распространением с рекурсивным алгоритмом исключения признаков и диаграммой нейронной интерпретации было подходящим методом для оценки прочности и поведения балок, усиленных сдвигом. Gowtham et al. [48] предложили модель ML для прогнозирования силы отрыва УНТ на основе данных моделирования молекулярной динамики. Bheemreddy et al. [49] интегрированное моделирование методом конечных элементов с помощью технологии ИНС для изучения отклика на вырыв композитов карбид кремния волокно / матрица карбида кремния.Однако до сих пор ML не использовался для прогнозирования межфазных свойств полимерных композитов, армированных волокном, на основе классических тестов микровыделения.

Основная цель этой работы — представить структуру прогнозирования с помощью ML, чтобы впервые отобразить взаимосвязь между двумя граничными свойствами и различными влияющими факторами. Рабочий процесс прогнозирования межфазных свойств армированного волокном полимерного композита с помощью ML в данной работе показан на рис.1. Собрав данные и изучив взаимосвязи из ранее опубликованных экспериментальных результатов, мы установили взаимосвязь между механическими свойствами армированных волокном композитов и контролирующими параметрами с помощью моделей с использованием машинного обучения. Было проведено всестороннее исследование 11 контролирующих параметров, включая механические свойства и геометрию волокон и матрицы, среду подготовки образцов и процедуру испытаний. Прогностические характеристики обученных моделей машинного обучения затем оценивались с помощью наборов тестовых данных.

Остальная часть этого документа организована следующим образом. В Разделе 2 кратко освещаются несколько методов машинного обучения вместе с некоторыми основными концепциями.

1. Информация. Свойства информации. — Методическая копилка учителя информатики

Свойства информации | Кабинет информатики

1. Понятие информации и ее основные свойства

Свойства информации | Информатика

Основные свойства информации — Информатика, информационные технологии

Статьи к прочтению:

Свойства информации

Похожие статьи:

Какими свойствами обладает информация? — Информатика

Основные определения информатики. Свойства и единицы измерения информации.

Произошла ошибка при настройке пользовательского файла cookie

Настройка вашего браузера для приема файлов cookie

Почему этому сайту требуются файлы cookie?

Что сохраняется в файле cookie?

Психометрические свойства шкалы самооценки компетенций сестринского информатика

Sunmoo YOON

Сюзанна БАККЕН

Abstract

1. Введение

2. Цель

3. Методы

3.1. Выборка / настройка

3.2. Этапы психометрического анализа

4. Результаты

4.1. Образец

Таблица 1

4.2 Психометрический анализ

Таблица 2

5. Обсуждение

6. Выводы

Благодарности

Ссылки

Обеспечение более глубокого изучения больших данных для приложений в области информатики материалов

(PDF) Психометрические свойства шкалы самооценки сестринской информатики

В чем разница между химической информатикой и информатикой материалов?

Определения в Википедии:

ЛЮКС ОПРЕДЕЛЕНИЯ:

Разница:

почему путаница:

Глобальная информатика и выбор физических свойств в белковых последовательностях

Значимость

Abstract

Результаты

Обсуждение и выводы

Методы

Благодарности

Сноски

Подходы машинного обучения и информатики материалов для оценки межфазных свойств композитов, армированных волокном

Author: alexxlab

Добавить комментарий Отменить ответ

Рубрики