К.А. Калугин1

1 Институт проблем управленияим. В.А. Трапезникова РАН (Москва, Россия)

1 netter2@rambler.ru

Постановка проблемы. В условиях экспоненциального роста объёма научных публикаций и усложнения междисциплинарных коллабораций актуализируется задача точной и автоматизированной оценки тематической близости исследователей (научных агентов). Существующие подходы (наукометрические, сетевые, тематические) часто не учитывают динамические терминологические предпочтения учёных, что может приводить к неточностям при формировании исследовательских команд, распределении экспертизы и выявлении дублирующихся работ. Исследуется проблема выработки критерия для оценки тематической схожести научных агентов.

Цель. Разработать и экспериментально апробировать новый гибридный критерий для оценки тематической схожести научных агентов на основе анализа их терминологических профилей, а также проверить альтернативные методы валидации (суперкритерии).

Результаты. Предложен гибридный критерий SPM, интегрирующий ранговую (Спирмена) и линейную (Пирсона) корреляции с механизмом отсечения на основе скалярного произведения векторов частотности терминов. Проведено экспериментальное сравнение с базовыми метриками (Жаккара, Спирмена, Пирсона) на выборке сотрудников ИПУ РАН с привлечением экспертной оценки, показавшее его более высокую точность. Разработаны и апробированы суперкритерии на основе гипотез о соавторстве и кластерной принадлежности, подтвердившие свою эффективность для косвенной оценки качества критериев схожести.

Практическая значимость. Разработанная методика позволяет оптимизировать процессы формирования научных коллективов, а также сократить временные затраты на поиск релевантных экспертов, в том числе из внешних организаций, что способствует минимизации дублирования исследований в смежных областях.

Калугин К.А. Гибридные критерии оценки тематической схожести научных агентов // Системы высокой доступности. 2026. Т. 22. № 1. С. 81−84. DOI: https://doi.org/10.18127/j20729472-202601-16

1. Ahlgren P., Jarneving B., Rousseau R. Requirements for a cocitation similarity measure, with special reference to Pearson's correlation coefficient. Journal of the American Society for Information Science and Technology. 2003. V. 54. № 6. P. 550–560.
2. Šubelj L., Van Eck N.J., Waltman L. Clustering scientific publications based on citation relations: A systematic comparison of different methods. PloS One. 2016. V. 11. № 4. e0154404.
3. Probierz B., Kozak J., Hrabia A. Clustering of scientific articles using natural language processing. Procedia Computer Science. 2022. V. 207. P. 3449–3458.
4. Van Eck N. J., Waltman L. Generalizing the h- and g-indices. Journal of Informetrics. 2008. V. 2. № 4. P. 263–271.
5. Наукометрия и экспертиза в управлении наукой: сборник статей / под ред. Д. Новикова, А. Орлова, П. Чеботарева. М.: ИПУ РАН. 2013. 572 с.
6. Губанов Д.А., Кузнецов О.П., Курако Е.А., Лемтюжникова Д.В., Новиков Д.А., Чхартишвили А.Г. Информационная система анализа научной деятельности (ИСАНД) в области теории управления // Проблемы управления. 2024. № 3. С. 42–65.