METHODOLOGY FOR DETERMINING AND ANALYZING THE TECHNICAL CHARACTERISTICS OF TECHNOLOGICAL TRENDS
Abstract
The rapid growth of scientific knowledge and the ever-increasing volume of scientific publications pose serious challenges to identify new trends and understand the changing research landscape. The formation of technological trends is necessary for the development and construction of development roadmaps at the national, sectoral and corporate levels. The task of identifying technological trends is an important problem in the field of data analysis and machine learning. Well-known methods of analysis, including clustering by time factor, make it possible to form key phrases, but the task of forming trends, studying their characteristics and dynamics of their development does not currently have a satisfactory solution. The solution to this problem involves: – creating a methodology for moving from key phrases to directly naming new technological trends; – determination of the regularity of technology development in a given subject area; – determining the direction of future research. Solving these tasks will create an effective decision support tool, reduce the time to identify a trend, assess the dynamics of its development and build roadmaps. In the presented work, a new approach to the formation of technological trends is proposed. The method is based on machine learning algorithms and natural language processing methods and aims to overcome some of the limitations of traditional methods. In particular, the technique makes it possible to identify complex relationships between various scientific concepts and provides a more accurate and comprehensive way to identify trends. The analysis of methods and methods for identifying trends in scientific and technological development and their development based on keywords identified using a model using time clustering is carried out. An algorithm for identifying trends is proposed
References
1. Белевцев А.М., Дворецкий В.В. Методы мониторинга конкурентного окружения высокотехноло-
гичного предприятия // Наукоемкие технологии. – 2019. – Т. 20, № 3. – С. 17-23.
2. Анферова М.С., Белевцев А.М., Дворецкий В.В. Методика и структурно-функциональная органи-
зация системы мониторинга научно-технической информации для определения направлений
развития высокотехнологичных предприятий // Матер. Всероссийской научно-технической
конференции с международным участием «КомТех-2024». – С. 302-309.
3. Анферова М.С., Белевцев А.М. Поисковые роботы для автоматизированного мониторинга ин-
формации в сетях общего и специального назначения // 18-я Международная научно-
практическая конференция «Управление качеством». – 2019.
4. Анферова М.С., Белевцев А.М. Общая концепция создания технологии интеллектуального поиска
информации в сетях общего и специального назначения // XXV Всероссийская научно-
техническая конференция с международным участием имени профессора О.Н. Пьявченко “Ком-
пьютерные и информационные технологии в науке, инженерии и управлении” «КомТех-2021».
5. Белевцев А.М., Балыбердин В.А., Белевцев А.А. Методика оценки времени и стоимости реализа-
ции технологических трендов в условиях неопределенности и не полноты информации // Нау-
коемкие технологии. – 2019. – № 5.
6. Анферова М.С., Белевцев А.М. Анализ направлений создания алгоритмов эффективного поиска
информации в сетях общего и специального назначения // Матер. III Всероссийской научно-
технической конференции «Актуальные проблемы современной науки и производства». – Ря-
зань: РГРТУ, 2018.
7. Анферова М.С., Белевцев А.М. Анализ направлений развития технологий мониторинга в условиях
большого объёма неструктурированной информации // XXIV Всероссийская научно-техническая
конференция с международным участием имени профессора О.Н. Пьявченко ”Компьютерные и
информационные технологии в науке, инженерии и управлении” «КомТех-2020».
8. Анферова М.С., Белевцев А.М., Белевцев А.А. Методика формирования технологических трендов
на основе обработки разнородных данных в сетях общего назначения // Известия ЮФУ. Техни-
ческие науки. – 2024.
9. Анферова М.С., Белевцев А.М. Анализ требований и разработка алгоритмов интеллектуальных
сервисов мониторинга // Известия ЮФУ. Технические науки. – 2022. – № 3. – С. 119-129.
10. Анферова М.С., Белевцев А.М., Белевцев А.А. Методика анализа развития зарождающихся техно-
логий и технологических фронтов // Известия ЮФУ. Технические науки. – 2023. – № 4. – С. 87-96.
11. Sakshi Patel, Shivani Sihmar, Aman Jatain. A study of hierarchical clustering algorithms // 2015 2nd
International Conference on Computing for Sustainable Global Development (INDIACom). – 2015.
– P. 537-541.
12. Pilehvar Mohammad Taher. WiC: the Word-in-Context Dataset for Evaluating Context Sensitive
Meaning Representations. – 2019.
13. Deng Z., Liu R., Xu P., Choi K., Zhang W., Tian X., Zhang T., Liang L., Qin B., Wang S. Multi-view
clustering with the cooperation of visible and hidden views // IEEE Trans. Knowl. Data Eng. – 2020.
14. Белевцев А.А, Белевцев А.М, Балыбердин В.А. Методика анализа и оценки приоритетов технологических трендов и технологий // Известия ЮФУ. Технические науки. – 2022. – № 6.
15. Tomas Mikolov et al. Efficient Estimation of Word Representations in Vector Space // International
Conference on Learning Representations. – 2013.
16. Белевцев А.М., Садреев Ф.Г., Белевцев А.А., Балыбердин В.А. Разработка интеллектуальных сер-
висов мониторинга технологических трендов в информационно-аналитических комплексах //
Наукоемкие технологии. – 2019. – Т. 20, № 3. – С. 24-29.
17. Анферова М.С., Белевцев А.М. Разработка алгоритма определения опорных тем для решения
задач стратегического анализа // Сб. докладов: Матер. Всероссийской научно-технической
конференции с международным участием «Компьютерные и информационные технологии в
науке, инженерии и управлении» «КомТех- 2022». – 2022. – С. 132-138.
18. Devlin Jacob. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding.
– 2019.
19. Radford Alec., Karthik Narasimhan. Improving Language Understanding by Generative Pre-Training.
– 2018.
20. Sahar Behpour et al. Automatic trend detection: Time-biased document clustering // Knowledge-
Based Systems. – 2021. – 220.
