АНАЛИЗ МЕТОДОВ ОЦЕНКИ ИНФОРМАТИВНОСТИ БОЛЬШИХ ДАННЫХ

2026

Закрытый доступ Метаданные (CSL-JSON)
DOI 10.15372/aut20260403
Достоверность данных 70 средняя
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

Оценка информативности больших данных является одним из актуальных направлений исследований, связанных с реализацией потенциала технологии больших данных в решении задач автоматизации мониторинга, прогнозирования, принятия решений и машинного обучения в отраслях экономики. Проведён анализ современных подходов и методов, определяющих понятие информативности и позволяющих оценить информативность данных в контексте прагматичности и относительности информации, её ценности и полезности. Рассмотрена специфика обработки распределённых и потоковых больших данных и определения минимального информационного пространства. Подробно рассмотрены оценки информативности больших данных в задачах генерации и отбора признаков, проектирования и управления на основе данных. Assessing the big data informativity is a topical area of research related to realizing the potential of big data technology for solving problems of automated monitoring, forecasting, decision-making, and machine learning in economic sectors. This article analyzes modern approaches and methods defining the concept of informativity and allowing for assessing the informativity in the context of the pragmatic and relativity of information, its value, and usefulness. The specifics of processing distributed and streaming big data and determining the minimum information space are considered. Assessing the big data informativity for problems of feature generation and selection, design, and data-driven management are discussed in detail.