|
DOI: 10.14489/vkit.2026.10.pp.038-046
Коськин А. В., Семин А. Г.
ФОРМАЛИЗАЦИЯ ДАННЫХ ПРОЕКТА ПУТЕМ ЭКСПЕРТНОЙ ОЦЕНКИ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ
(с. 38-46)
Аннотация. Предмет исследования – воспроизводимое снижение неопределенности при отображении разнородных сведений о проекте в единую аналитически пригодную модель при ограниченных ресурсах экспертизы. Предложен гибридный контур: обязательный чек-лист полей паспорта, вероятностные оценки модели машинного обучения, экспертная коррекция и правила агрегирования, допускающие аудит. Выведены доверительные границы для индекса полноты паспорта как доли успеха, сформулирована постановка задачи минимизации суммарного риска ошибки при выборе порога эскалации к эксперту. Приведены схема потоков данных, графики компромисса по весу и зависимости ширины интервала Уилсона от объема выборки. Практическая значимость – сокращение числа итераций согласования при сохранении трассируемости решений.
Ключевые слова: формализация данных проекта; измерительная модель; индекс полноты паспорта; доверительный интервал Уилсона; машинное обучение; калибровка; экспертная оценка; агрегирование оценок.
Koskin A. V., Semin A. G.
FORMALIZATION OF PROJECT DATA THROUGH EXPERT ASSESSMENT BASED ON MACHINE LEARNING
(pp. 38-46)
Abstract. The research objective is to reproducibly reduce uncertainty when mapping disparate project information into a single analytically usable model with limited expert resources. A hybrid framework is proposed: a mandatory checklist of datasheet fields, probabilistic machine learning model estimates, expert correction, and auditable aggregation rules. Confidence limits are derived for the datasheet completeness index as a success rate, and the problem of minimizing the overall risk of error when selecting an escalation threshold to an expert is formulated. Data flow diagrams, weight tradeoff graphs , and the dependence of the Wilson interval width on sample size are provided as illustrations. The practical significance of this approach lies in reducing the number of approval iterations while maintaining traceability of decisions.
Keywords: Project data formalization; Measurement model; Passport completeness index; Wilson confidence interval; Machine learning; Calibration; Expert assessment; Assessment aggregation.
А. В. Коськин, А. Г. Семин (Орловский государственный университет имени И. С. Тургенева, Орел, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
A. V. Koskin, A. G. Semin (Oryol State University named after I. S. Turgenev, Oryol, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
1. PMI. A Guide to the Project Management Body of Knowledge (PMBOK Guide). 7th ed. Newtown Square: PMI, 2021. 370 p.
2. ГОСТ Р ИСО 21500–2023. Управление проектами, программами и портфелями проектов. Контекст и основные понятия. URL: https://pqm-online.com/assets/files/lib/std/gost-r-iso-21500-2023.pdf (дата обращения: 12.04.2026)
3. Воропаев В. И. Управление проектами в России. М.: Омега-Л, 2010. 225 с.
4. Shalev-Shwartz S., Ben-David S. Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press, 2014. 449 p.
5. Евтухов А. Ю. Методика и алгоритм автоматизированной оценки качества источников текстовых сообщений средств массовой коммуникации сети «Интернет» // Информационные системы и технологии. Орел: Орловский государственный университет имени И. С. Тургенева. 2022. № 6(134). С. 30–38.
6. Богатырев П. Ю., Коськин А. В. Систематизация информации при реализации инновационных проектов IT-компаниями // Информационные системы и технологии. Орел: Орловский государственный университет имени И. С. Тургенева. 2016. № 2(94). С. 51–58.
7. Коськин А. В., Митин А. А. К вопросу о функциональных требованиях к комплексной интеллектуальной системе для обработки больших массивов данных // Информационные системы и технологии. Орел: Орловский государственный университет имени И. С. Тургенева. 2019. № 6(116). С. 51–54.
8. Devlin, J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-Training of Deep Bidirectional Transformers for Language Understanding // Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Minneapolis (NAACL-HLT. 2019). 24 May 2019. Minneapolis, MN, USA. Vol. 1 (Long and Short Papers). P. 4171–4186.
9. ISO/IEC 27005:2022. Information security, cybersecurity and privacy protection – Guidance on managing information security risks. 2022. URL: https://github.com/robsann/robsann/blob/main/docs/ISOIEC_27005-2022.pdf (дата обращения: 22.04.2026).
10. Баканова А. П., Шиков А. Н. Управление персоналом на основе учета компетенций в процессе решения служебных задач // Вестник компьютерных и информационных технологий. 2021. № 3. С. 47–55.
11. Филиппов Е. В. Моделирование иррациональных решений, принимаемых при управлении ИТ-проектами // Вестник компьютерных и информационных технологий. 2024, № 9. С. 52–60.
12. Когаловский М. Р. Метаданные и метамодели: для чего они нужны? // Открытые системы. 2002. № 12. С. 34–38.
13. Mitchell T. M. Machine Learning. New York : McGraw-Hill, 1997. 421 p.
14. Hastie T., Tibshirani R., Friedman J. The Ele¬ments of Statistical Learning. 2nd ed. New York: Springer, 2009. 764 p.
15. Коськин А. В., Новиков С. В., Ужаринский А. Ю. Классификация и структура информационно-аналитических ресурсов для управления образовательными комплексами // Научно-технический вестник Поволжья. 2024. № 4. C. 131–137.
1. Project Management Institute. (2021). A guide to the project management body of knowledge (PMBOK guide) (7th ed.). Project Management Institute.
2. Federal Agency on Technical Regulating and Metrology. (2023). GOST R ISO 21500–2023: Project, programme and portfolio management. Context and basic concepts. Retrieved April 12, 2026, from https://pqm-online.com/assets/files/lib/std/gost-r-iso-21500-2023.pdf [in Russian language].
3. Voropaev, V. I. (2010). Project management in Russia. Omega-L. [in Russian language].
4. Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding machine learning: From theory to algorithms. Cambridge University Press.
5. Evtukhov, A. Yu. (2022). Methodology and algorithm for automated quality assessment of sources of text messages of mass communication media on the Internet. Informatsionnye sistemy i tekhnologii, (6), 30–38. [in Russian language].
6. Bogatyrev, P. Yu., & Koskin, A. V. (2016). Systematization of information in the implementation of innovative projects by IT companies. Informatsionnye sistemy i tekhnologii, (2), 51–58. [in Russian language].
7. Koskin, A. V., & Mitin, A. A. (2019). On the issue of functional requirements for an integrated intelligent system for processing large data arrays. Informatsionnye sistemy i tekhnologii, (6), 51–54. [in Russian language].
8. Devlin, J., Chang, M.-W., Lee, K., & Toutano-va, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (Vol. 1, pp. 4171–4186). Association for Computational Linguistics.
9. International Organization for Standardization. (2022). Information security, cybersecurity and privacy protection – Guidance on managing information security risks (ISO/IEC 27005:2022). Retrieved April 22, 2026, from https://github.com/robsann/robsann/blob/main/docs/ISOIEC_27005-2022.pdf
10. Bakanova, A. P., & Shikov, A. N. (2021). Personnel management based on competency accounting in the process of solving official tasks. Vestnik komp'yuternykh i informatsionnykh tekhnologiy, (3), 47–55. [in Russian language].
11. Filippov, E. V. (2024). Modeling of irrational decisions made in IT project management. Vestnik komp'yuternykh i informatsionnykh tekhnologiy, (9), 52–60. [in Russian language].
12. Kogalovsky, M. R. (2002). Metadata and metamodels: What are they for? Otkrytye sistemy, (12), 34–38. [in Russian language].
13. Mitchell, T. M. (1997). Machine learning. McGraw-Hill.
14. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning (2nd ed.). Springer.
15. Koskin, A. V., Novikov, S. V., & Uzharinsky, A. Yu. (2024). Classification and structure of information-analytical resources for managing educational complexes. Nauchno-tekhnicheskii vestnik Povolzh'ya, (4), 131–137. [in Russian language].
|
Current Issue
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»