Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Методология и практика планирования эксперимента в России. Монография
.pdf
нил механизм этого кризиса (адаптационное торможение развития
науки в связи с перегруженностью системы информационными потоками) и заметил возникновение новых форм организации науки,
направленных на преодоление кризиса.
Д. Прайс разработал концепцию экспоненциально-логистического
роста науки. Такие характеристики развития науки, как число публикаций, журналов, научных сотрудников в зависимости от времени
(
годы), растут по экспоненте. Параметры экспоненты изменяются в
сравнительно узких пределах так, что за 10–15 лет значения характеристик удваиваются. В какой-то момент при исчерпании ресурсов
экспоненты переходят в логистические (S-образные) кривые. Д.
Прайс назвал именно этот переход переходом от малой науки к
большой науке.
Эта концепция позволила сделать важный вывод
. Изменилась закономерность, по которой развивалась наука за последние несколько
столетий. Она вступила в новую фазу развития. Появились незримые
коллективы – новая форма организации науки, направленная на преодоление адаптационного торможения.
Неформальные (незримые) коллективы – это официально
неоформленные организации, часто международные по составу. Исследователи одновременно работают над одними и теми же
проблемами в разных организациях и странах. Они связаны неформальными
информационными каналами (личные контакты, письма и пр.), что
позволяет решать проблемы без задержек, возникающих при использовании традиционных средств информации. Незримые коллективы
– это формы коллективного разума, созданные в новых условиях развития науки. (Любопытно, что бурно развивающийся сегодня
«краудсорсинг» («мудрость
толпы») можно рассматривать как разви-
тие «незримых» коллективов в новом информационном окружении.
Д. Прайс отметил, что группа стран (Россия, Япония и др.), в которых наука в начале ХХ века находилась на низком уровне, к 1960-м
годам увеличила вклад в мировые информационные потоки с 8 до 47 %.
По его мнению, ускоренное развитие
науки в этих странах началось
почти с нулевого уровня и в них не проявлялся эффект адаптационного торможения. Другой его важный вывод – число научных работников удваивалось каждые 10 лет, а численность научной элиты –
каждые 20 лет. Он построил кривую роста числа открытых химических элементов и аппроксимировал эту кривую последовательностью
логистических кривых
. По оси абсцисс отложены годы, по оси орди-
161
нат – число известных в эти годы химических элементов. Быстрый
рост связан с появлением новых идей и экспериментальных возможностей. Когда возможности новых подходов исчерпываются, скорость роста падает, экспонента переходит в логистическую кривую
[2, 5].
Ю. Гарфилд родился в 1925 г. в Нью-Йорке. В конце 1940-х годов
он получил степень бакалавра химии
и начал работать в одной из
химических фирм США. Магистерскую диссертацию в области библиотечных наук (Library Science) Гарфилд получил в 1954 г. в Колумбийском университете. В 1955 г. в журнале Science он опубликовал статью «Citation Indexing for Science», где обсуждалась идея создания индекса цитирования. Несколько позднее он организовал
фирму Eugene Garfield Associates Information Engineers. С 1958 г.
Гарфилд стал издавать первый в
мире сигнальный источник информации Current Contents, содержащий оглавления многих научных
журналов из разных областей знания. В 1960 г. компания переименовалась в Институт научной информации (Institute for Scientific
Information – ISI), расположенный в г. Филадельфия. В 1961 г. Гарфилд получил степень доктора наук по структурной лингвистике в
Пенсильванском университете [6]. К 1963 г. У Гарфилда сложилась
концепция индексов цитат, и
результаты посыпались как из рога
изобилия.
В 1963 г. был опубликован индекс ссылок по генетике, содержащий около 1,4 млн ссылок из 613 научных журналов, а в следующем
году был издан мультидисциплинарный указатель научных ссылок
Science Citation Index (SCI). Он издавался ежеквартально с кумуляцией всех данных в последнем томе. В 1972 г. появился индекс цитирования по
общественным наукам Social Science Citation Index
(SSCI). В 1975 г. увидел свет Индекс цитирования по гуманитарным
наукам Art & Humanities Citation Index (A&HCI).
Еще одним важным продуктом ISI стал ежегодный выпуск «Указателя цитируемости научных журналов» (Journal Citation Reports).
Первый выпуск указателя содержал сведения о примерно 3000 научных журналов. Позднее появился аналогичный указатель и по общественным наукам.
Бумажные версии SCI c 1988 г. были заменены на диски CD-
ROM.
В 2001 г. Институт научной информации США был приобретен компанией Thomson Reuters, работающей на рынке информационных услуг. Эта компания разработала информационную платфор-
162
му «Паутина науки» (Web of Science). Это интернет-ресурс, включающий все версии индексов цитирования. Это, вероятно, самая полная
база данных по цитированию содержит более 800 млн ссылок из
публикаций с 2001 г. по 2014 г. Эта база данных пополняется еженедельно ссылками из более 12 000 наиболее важных журналов всего
мира [6, 7].
В Советском Союзе в середине 1960-х годов
также стали возникать проблемные группы и секторы. Например, в Институте истории
естествознания и техники АН СССР был открыт отдел науковедения
под руководством чл.-корр. АН СССР С. М. Микулинского. В Киеве
Г. М. Добровым был создан Центр исследования научно-технического
потенциала и истории науки Академии наук Украины. Летом 1966 г.
во
Львове прошел советско-польский симпозиум по общим проблемам
науковедения. На этом симпозиуме проф. В. В. Налимов (1910–1997)
выступил с докладом о математическом моделировании в науке. В
дискуссии, вероятно, впервые он ввел термин «наукометрия»
(Scientometrics) для обозначения научного направления, входящего в
науковедение и использующего количественные методы для изучения процесса развития науки.
Этот термин получил распространение,
так стал называться основанный в конце 1970-х годов международный журнал по наукометрии [8].
В. В. Налимов считал, что науку следует изучать подобно тому, как
изучаются протекающие во времени химические, физические или биологические процессы. Основное внимание следует уделять накоплению результатов наблюдений и их статистической обработке.
«
Феноменологически науку можно рассматривать как процесс получения существенно новой информации. Этот процесс носит последовательный и коллективный характер: всякая научная работа базируется на некотором множестве ранее высказанных идей. Новые
научные работы появляются в результате дальнейшего развития или
переосмысления ранее выполненных работ. Наука – это самоорганизующаяся система, развитие которой управляется
ее информационными потоками. Внешние условия – ассигнования, отпускаемые на
развитие науки, организационные формы, сложившиеся в той или
иной стране, идеологическое давление, секретность – все это лишь
элементы той среды, в которой развивается наука. Среда может быть
благоприятной или неблагоприятной для развития науки, но она не в
силах заставить науку развиваться в
каком-либо органически чуждом
ей направлении» [2, с. 11].
163
В. В. Налимов рекомендовал:
– создать постоянно действующий информационный Центр для
систематического слежения за развитием науки на основании статистического анализа информационных потоков;
– ввести в программы вузовского обучения науковедческие дис-
циплины;
– создать российский индекс научного цитирования, так как в
международные базы данных попадают только около 10% отечественных публикаций;
– основать российский
журнал по наукометрии;
– проводить наукометрические семинары и конференции [9].
Заметное ускорение отечественным наукометрическим исследованиям придало опубликование совместно с З. М. Мульченко в 1969 г. монографии по наукометрии. В аннотации указано, что книга представляет собой первую в мире монографию по количественным методам
изучения развития науки. И далее: «Материал изложен с
единых теоретических позиций – наука рассматривается как информационный
процесс. Дается анализ кривых роста для числа публикаций, количества журналов, числа научных работников и ассигнований на науку.
Обсуждается информационный кризис и самоторможение в развитии
науки, описываются новые организационные формы – незримые
коллективы. Показывается, как можно использовать язык библиографических ссылок для установления
внутренних связей в публикациях. Обсуждается вопрос об оценке эффективности работы научных
коллективов. Оценивается вклад различных стран в мировой информационный поток» [2, c. 2].
В 1987 г. за успехи в области наукометрии редакционноконсультативный совет журнала Scientometrics наградил В. В. Налимова медалью Дерека де Солла Прайса. В 1990-х годах он подал руководству биологического
факультета МГУ докладную записку о важности развития наукометрии. В записке он отметил, что научное управление развитием науки возможно только на основании статистического анализа научных информационных потоков. Так как наука погружена в социальные структуры, на систему библиографических ссылок
оказывают влияние языковые, идеологические и политические факторы, но
они не столь сильны, чтобы разрушить систему внутренних
связей между публикациями. Поэтому наукометрические методы позволяют следить за изменениями фронта научных исследований, оценивать вклады в информационные потоки научных коллективов и
164
научных работников, вести регулярный библиографический поиск по
заданным темам и авторам, следить за откликом на собственные публикации. Как пример в «наукометрических» разделах глав I–III рассмотрена динамика вклада в информационные потоки по планированию эксперимента отечественного незримого коллектива, работавшего
под руководством проф. В. В. Налимова [10].
Здесь весьма важно знать, в какой
степени разделы знаний, разрабатываемые в нашей стране, находятся на переднем фронте развития
мировой науки [11, c. 208–262].
В развитии науковедения и наукометрии как части науковедения в
нашей стране можно выделить несколько этапов:
1. Протонауковедение – с начала ХХ в. до середины 1960-х годов.
Исследования на этом этапе носили преимущественно академический характер и не
были связаны с задачами эффективного управле-
ния наукой.
2. «Развивающий» этап (1960–1980 гг.) отмечен широким интересом отечественных исследователей к проблемам науковедения, созданием организаций (отделы, лаборатории, сектора и пр.), проводящих работу по этой тематике.
3. «Разрушительный» этап (середина 1980 – середина 1990-х годов), отличающийся интенсивным процессом свертывания науковедческих работ.
4. Современный
«восстановительный» этап. Возросло число нау-
коведческих публикаций, возобновились конференции, создан ряд
новых научных учреждений и пр. Например, был образован Центр
информатизации, социально-технологических исследований и науковедческого анализа под руководством профессора А. И. Ракитова.
Увидел свет первый и единственный всероссийский журнал «Науковеление», прошли несколько науковедческих конференций [12].
Особое внимание привлекают
вопросы оценки эффективности научных исследований. Здесь предложено множество подходов, но наукометрические подходы еще не используются в должной степени [13, 14].
В заключение отметим, что В. В. Налимов отстаивал свое мнение:
наукометрия придает управлению финансированием науки серьезную обоснованность и деловитость, которой ей явно не хватает.
Главное – финансирование должно быть гибким и
учитывать тенденции развития науки. Наука – живой организм, уникальный в своем развитии, и никто не знает, что этому организму потребуется завтра [11, c. 246–247].
165
Библиографический список
1. Bernal J. D. The Social Function of Science. London: Routledge &
Kegan Paul, 1939. 482 p.
2. Налимов В. В., Мульченко З. М. Наукометрия. Изучение разви-
тия науки как информационного процесса. М.: Наука, 1969. 192 с.
3. Грановский Ю. В. Наукометрический анализ информационных
потоков в химии. М.: Наука, 1980. 141 с.
4. https://ru.wikipedia.org/wiki/
5. Price D. Little Science, Big Science. N.Y.; L: Columbia Univ.
Press, 1963. 119 p. Перевод (сокращ.) в сб.: Наука о науке. М.: Про-
гресс, 1966. С. 281–384.
6. http://www.garfield.library.upenn.edu
7. Маркусова В. А.
Индекс цитирования публикаций // Поиск. 8 августа 2014 г. № 31–32.
8. Грановский Ю. В. Можно ли измерять науку? Исследования
В. В. Налимова по наукометрии // Науковедение. 2000. № 1. С. 160–183.
9. Грановский Ю. В., Дрогалина Ж. А., Маркова Е. В. В.В. Налимов и
российская наукометрия: история и
метрии: состояние и перспективы развития: Тез. докл. междунар. конф.
М.: Институт проблем развития науки РАН, 2013. С. 64–66.
10. Адлер Ю. П., Грановский Ю. В., Мульченко З. М. Статистиче-
ский анализ публикаций по планированию эксперимента. – В кн.:
Новые идеи в планировании эксперимента / Под ред. В. В. Налимова.
М.: Наука, 1969. С. 315–334.
11. Грановский Ю. В., Дрогалина Ж. А., Маркова Е. В. Я друг сво-
бод… В. В. Налимов: вехи творчества. М.: Водолей-Publishers, 2005.
В 2 т. Т. 1. С. 208–262.
12. Грановский Ю. В. Трудная судьба науковедения в России. На-
уковедческие исследования. 2010: Сб. науч. тр. центра науч.-информ.
исслед. по науке, образованию и технологиям. М.: РАН
2010. С. 110–124.
13. Грановский Ю. В. Об оценке эффективности научных исследо-
ваний. Науковедческие исследования. 2008: Сб. науч. тр. центра
науч.-инф. исслед. по науке, образованию и технологиям. М.: РАН
ИНИОН, 2008. С. 58–71.
14. Наукометрия и экспертиза в управлении наукой: Сб. ст. / Под
ред. Д. А. Новикова, А. И. Орлова, П. Ю. Чеботарева.
2013. 572 с.
166
Полвека назад вышел в свет первый в мире
современность // Проблемы науко-
. ИНИОН,
М.: ИПУ РАН,
Заключение
Теперь мы думаем, что эта работа завершена. Конечно, осталась
еще масса разных вопросов, которые нуждаются в рассмотрении.
Так, мы лишь слегка коснулись проблем развития теории планирования эксперимента в нашей стране. Эта важная тема ждет своего исследователя. Вовсе мы упустили из виду диссертации, ученые звания, награды и прочие знаки
го исследователя или команды. Очень мало внимания мы уделили
региональным процессам. Но мы надеемся, что то, что нам удалось
сделать, принесет пользу тем исследователям, которые продолжат
наше дело, что эта работа поможет студентам и аспирантам разных
специальностей лучше ориентироваться в сложных перипетиях истории и
практики планирования эксперимента. Быть может, она будет
интересна и тем, кто думает о законах развития науки и, вообще, о
том, как устроено человеческое общество и что его ждет.
, отмечающие достижения того или ино-
167
Приложение 1
Модели объектов и модели данных
Встав на путь планирования эксперимента, исследователь оказыва-
ется вынужден рассматривать модели двух разных типов. Это модели
объектов, которые исследуются, и модели данных, которые собираются
в результате проведения экспериментов с объектом. Структура и характер моделей объектов определяются исключительно на основе априорных представлений исследователя, т.е. в рамках существующих теоретических
ющей области исследования. Если не учитывать моделей химической
кинетики и нескольких аналогичных примеров, то приходится констатировать, что современная наука весьма редко способна предложить
содержательные модели, представляющие практический интерес. У этого, на первый взгляд странного феномена, должно быть какое-то разумное
обычно стремится изучать интересные явления в максимально «чистом»
виде, так чтобы никакие побочные или привходящие обстоятельства не
затемняли изучаемую картину. Но когда мы говорим о прикладных исследованиях, в которых используется планирование экспериментов, нас
редко интересуют такие чистые результаты. Объект предстает перед
взором
«упрощенчества» нас не интересуют. А для этого случая теория обычно
мало что может предложить. Может быть, именно здесь проходит граница между чистой и прикладной наукой. Наша вторая гипотеза заключается в том, что прикладные задачи редко формулируются строго в
рамках
ний. Обычно интерес представляют исследования, лежащие либо на
стыках наук, либо в их конгломератах, где трудно рассчитывать на готовые теоретические модели. Вот и получается, что на практике приходится исходить совсем из другой логики выбора модели объекта. Мы
предпочитаем аппроксимировать ее полиномом,
стым – линейным, а затем, последовательно проверяя адекватность систематически усложняющихся полиномов, находим самый простой из
них, не обнаруживающий несоответствия с накопленными экспериментальными данными. И только после этого приходит пора попыток содержательной интерпретации того, что получилось.
представлений, развитых к текущему моменту в соответству-
объяснение. Мы готовы высказать две гипотезы. Научная традиция
исследователя «во всей красе», таким, каков он есть, никакие
какого-то одного конкретного направления научных исследова-
для начала самым про-
168
Что касается моделей данных, то они тесно связаны с самим планированием и определяют многие важные свойства как критериев,
лежащих в основе выбора планов, так и получаемых результатов.
Здесь нет места для подробного обсуждения этого аспекта проблемы.
Заметим только, что модель данных надо либо знать заранее, либо
верить, что она известна
заранее, либо проверять. Ясно, что последнего всегда хочется избежать. Вообще, выход из положения видится
в командной форме работы, когда специалисты в предметных областях работают в одной команде со специалистами по планированию
эксперимента или прикладной статистики.
На первых этапах проведения эксперимента проводится выбор
входных и выходных переменных, области экспериментирования,
математической модели объекта исследования, с помощью которой
будут представляться экспериментальные данные. Входные переменные – факторы определяют состояние объекта. Выходные переменные – отклики, реакции объекта на воздействия входных переменных. Отклик часто обозначается через y, факторы – через x
x
,…, xk. Для получения математической модели используется ре-
2
1
грессионный анализ, позволяющий представить результаты эксперимента в виде функциональной зависимости. При этом минимизируется сумма квадратов отклонений результатов от соответствующих
экспериментальных значений (метод наименьших квадратов – МНК).
Регрессионный анализ допустим при выполнении следующих условий: зависимая переменная – случайная величина с нормальным законом распределения;
дисперсия зависимой переменной не зависит
от абсолютной величины этой переменной; значения факторов – неслучайные величины, т.е. ошибки значений независимых переменных пренебрежимо малы по сравнению с ошибкой зависимой переменной. При выполнении этих условий можно проверять статистические гипотезы об адекватности модели и значимости ее параметров
[71, 151].
Если вид модели неизвестен, то возможно ее представление в виде разложения в степенные ряды. Такое разложение возможно для
всех непрерывных функций. Таким образом, имея экспериментальные данные, нужно получить функцию отклика:
,
1
η = f (x
_____________
1
Здесь и далее см. библиографию на с. 93.
, x2,..., xk).
1
169
Представление этой функции в виде степенного ряда:
x
x
η = β
+ Σβixi + Σβijxixj + Σβ
0
2
... .
ii
ii
По результатам эксперимента можно получить оценки коэффици-
ентов этой модели:
ŷ – значение отклика, предсказанное уравнением регрессии.
где
ŷ = b
+ Σb
0
ixi
+ Σb
ijxixj
+ Σb
ii
2
+ …,
ii
Оценки коэффициентов получают с помощью МНК. При дальнейшем статистическом анализе оцениваются значимость коэффициентов регрессии и адекватность математической модели. Адекватность –
соответствие модели экспериментальным данным по выбранному критерию [71].
При использовании матриц регрессионная модель имеет вид
Y = XB + E, (1)
где Y – вектор-столбец результатов эксперимента
; X – матрица, учи-
тывающая то, как в модель входят независимые переменные; B –
вектор-столбец коэффициентов уравнения регрессии; E – векторстолбец ошибок эксперимента:
yb
111
yb
222
YX BE
2...345
... ... ...
yb
nkn
xx x
xx x
xx x
...
11 1
12
22 2
12
kk k
12
...
n
n
n
Здесь (2) – результаты опытов, (3) – условия проведения опытов,
(4) – коэффициенты уравнения регрессии, (5) – вектор-столбец оши-
бок. Ошибки независимы, распределены по нормальному закону,
имеют постоянную дисперсию и нулевое среднее значение. Элементы матриц упорядочены: Y – по номерам опытов, X – по номерам
опытов и
торые соответствуют номерам факторов. Для получения оценок коэффициентов регрессии используется МНК. Далее: X
B = (X
переменных. Матрица M = X
номерам переменных, B – по номерам коэффициентов, ко-
T
TX)–1XT
Y, где XT – транспонированная матрица независимых
T
X называется матрицей системы нор-
Y = (XTX)B,
мальных уравнений, или информационной матрицей. Обратная к ней
170
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]