Artificial intelligence in the prevention and diagnosis of cardiovascular diseases in Russia (literature review) ; Системы искусственного интеллекта в профилактике и диагностике сердечно-сосудистой патологии в России (систематический обзор)

Συγγραφείς: M. N. Kovelkova, E. G. Iakovleva, М. Н. Ковелькова, Е. Г. Яковлева

Πηγή: Siberian Journal of Clinical and Experimental Medicine; Том 40, № 1 (2025); 28-41 ; Сибирский журнал клинической и экспериментальной медицины; Том 40, № 1 (2025); 28-41 ; 2713-265X ; 2713-2927

Θεματικοί όροι: сердечно-сосудистые заболевания, machine learning, knowledge representation, semantic networks, neural networks, cardiovascular diseases, машинное обучение, представление знаний, семантические сети, нейронные сети

Περιγραφή αρχείου: application/pdf

Relation: https://www.sibjcem.ru/jour/article/view/2630/1045; Кобринский Б.А. Интеллектуальные рекомендательные системы для медицины: особенности и ограничения. Искусственный интеллект и принятие решений. 2022;3:51–62. https://doi.org/10.14357/20718594220304.; Кобринский Б.А. Системы искусственного интеллекта в медицинской практике: состояние и перспективы. Вестник Росздравнадзора. 2020;3:37–43. https://doi.org/10.35576/2070-7940-2020-3-37-43; Acosta-García H., Ferrer-López I., Ruano-Ruiz J., Santos-Ramos B., Molina-López T. Computerized clinical decision support systems for prescribing in primary care: main characteristics and implementation impact – protocol of an evidence and gap map. Syst. Rev. 2022;11(1):283. https://doi.org/10.1186/s13643-022-02161-6; Alowais S.A., Alghamdi S.S., Alsuhebany N., Alqahtani T., Alshaya A.I., Almohareb S.N. et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med. Educ. 2023;23:689. https://doi.org/10.1186/s12909-023-04698-z; Гусев А.В., Гаврилов Д.В., Корсаков И.Н., Серова Л.М., Новицкий Р.Э., Кузнецова Т.Ю. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний. Врач и информационные технологии. 2019;3:41–47. URL: https://www.vit-j.ru/upload/iblock/14f/gfw1lvkmrwgssdxfjcm9c56pdx1h0460/vit_2019_03_05.pdf (07.08.2024).; Гусев А.В, Корсаков И.Н., Гаврилов Д.В., Серова Л.М., Новицкий Р.Э., Кузнецова Т.Ю. и др. WEBIOMED. Модель прогнозирования развития сердечно-сосудистых заболеваний в течение 10 лет. URL: https://webiomed.ru/media/predict_models_pdf_path/WML.CVD.FRS_-Passport_GCJRncw.pdf (08.08.2024).; Гаврилов Д.В., Серова Л.М., Корсаков И.Н., Гусев А.В., Новицкий Р.Э., Кузнецова Т.Ю. и др. Предсказание сердечнососудистых событий при помощи комплексной оценки факторов риска с использованием методов машинного обучения. Врач. 2020;31(5):41–46. https://doi.org/10.29296/25877305-2020-05-08; Пушкин А.С., Шулькин Д., Борисова Л.В., Ахмедов Т.А., Рукавишникова С.А. Алгоритм стратификации риска развития инфаркта миокарда у пациентов с острым коронарным при первичном обследовании. Клиническая лабораторная диагностика. 2020;65(6):394–400. http://dx.doi.org/10.18821/0869-2084-2020-65-6-394-400; Белозерова Е.В., Данилов А.В., Исаенкова Е.А., Калинина Л.Б., Манерова О.А., Усов Ю.И. Прогнозирование развития гипертонической болезни с использованием моделей машинного обучения в подсистеме дистанционного кардиомониторинга. Менеджер здравоохранения. 2022;2:76–84. https://doi.org/10.21045/1811-0185-2022-2-76-84; Богданов Л.А., Комосский Е.А., Воронкова В.В., Толстошеев Д.Е., Марценюк Г.В., Агиенко А.С. и др. Нейросетевые подходы к разработке прогностического модуля для оценки вероятности неблагоприятного сердечно-сосудистого исхода в общей популяции. Фундаментальная и клиническая медицина. 2021;6(4):67–81. https://doi.org/10.23946/2500-0764-2021-6-4-67-81; Болодурина И.П., Назаров А.М., Кича Д.И., Забродина Л.С., Жигалов А.Ю. Разработка модели управления потоком пациентов с сердечно-сосудистыми заболеваниями методами интеллектуального анализа данных. Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2020;20(2):105–115. https://doi.org/10.14529/ctcr200210; Гельцер Б.И., Шахгельдян К.И., Назаров Д.А., Ветрова О.О., Котельников В.Н., Карпов Р.С. Методы машинного обучения в оценке рисков поражения органов-мишеней при «маскированной» артериальной гипертензии. Кардиология. 2020;60(5):107–114. https://doi.org/10.18087/cardio.2020.5.n883; Никонорова М.Л., Алдохина Ю.А., Пичугин Ю.А. Применение методов Data Mining для диагностики артериальной гипертензии в прикладной среде Rapid Miner. Региональная информатика (РИ2020). 2020;2:131–133.; Голухова Е.З., Керен М.А., Завалихина Т.В., Булаева Н.И., Акатов Д.С., Сигаев И.Ю. и др. Возможности методов машинного обучения в стратификации операционного риска у больных ишемической болезнью сердца, направляемых на коронарное шунтирование. Российский кардиологический журнал. 2023;28(2):5211. https://doi.org/10.15829/1560-4071-2023-5211; Горбаченко В.И., Потапов В.В., Зенин О.К., Милтых И.С., Грибков Д.Н. Нейросетевая модель для ранней диагностики хронической сердечной недостаточности. Искусственный интеллект и принятие решений. 2021;3:88–97. https://doi.org/10.14357/20718594220309; Демченко М.В., Фирюлина М.А., Каширина И.Л. Разработка медицинской информационной системы с элементами поддержки принятия решений в кардиологии. Международный научноисследовательский журнал 2021;(8(110)):69–76. https://doi.org/10.23670/IRJ.2021.110.8.010; Дружилов М.А., Кузнецова Т.Ю., Гаврилов Д.В., Гусев А.В. Верификация субклинического каротидного атеросклероза в рамках риск-стратификации при избыточном весе и ожирении: роль методов машинного обучения в формировании диагностического алгоритма. Кардиоваскулярная терапия и профилактика, 2022,21(7):3222. https://doi.org/10.15829/1728-8800-2022-3222; Каширина И.Л., Фирюлина М.А., Бондаренко Ю.В., Десятирикова Е.Н., Ефимова О.Е., Черненькая Л.В. Идентификация факторов риска смертности после инфаркта миокарда с использованием методов машинного обучения. Сборник докладов XXIV Международной конференции по мягким вычислениям и измерениям. 2021:316–320.; Леонов Ю.А., Царева Г.В., Терехов М.В., Гришина В.В. Использование методов интеллектуального анализа данных для выявления ишемической болезни сердца. Системный анализ, управление и обработка информации Известия Тульского государственного университета. Технические науки. 2022;7:171–178. https://doi.org/10.24412/2071-6168-2022-7-171-179; Макарихин А.В., Немков А.Г., Рейтблат О.М., Егоров Д.Б. Разработка прогностической модели наступления инфаркта миокарда на основе технологий машинного обучения. Вестник новых медицинских технологий. 2021;28(4):103–106. https://doi.org/10.24412/1609-2163-2021-4-103-106; Мишкин И.А., Сахаров А.А. Изучение использования алгоритмов машинного обучения в оценке риска развития сердечнососудистых заболеваний. Кардиология. 2021;60(7):15–24. https://doi.org/10.14357/20718594220702; Невзорова В.А., Бродская Т.А., Шахгельдян К.И., Гельцер Б.И., Костерин В.В., Присеко Л.Г. Методы машинного обучения в прогнозировании рисков 5-летней смертности (по данным исследования ЭССЕ-РФ в Приморском крае). Кардиоваскулярная терапия и профилактика. 2022;21(1): 34–42. https://doi.org/10.15829/1728-8800-2022-2908; Невзорова В.А., Плехова Н.Г., Присеко Л.Г., Черненко И.Н., Богданов Д.Ю., Мокшина М.В. и др. Методы машинного обучения в прогнозировании исходов и рисков сердечно-сосудистых заболеваний у пациентов с артериальной гипертензией (по материалам ЭССЕ-РФ в Приморском крае). Российский кардиологический журнал. 2020;25(3);10–16. https://doi.org/10.15829/1560-4071-2020-3-3751; Овчаренко Е.А., Клышников К.Ю., Кутихин А.Г., Фролов А.В. Машинное обучение в задаче прогнозирования неблагоприятных сердечно-сосудистых событий у пациентов после коронарного шунтирования. Клиническая и экспериментальная хирургия. Журнал имени академика Б.В. Петровского. 2023,11(3):16–28. https://doi.org/10.33029/2308-1198-2023-11-3-16-28; Плехова Н.Г., Невзорова В.А., Черненко И.Н., Присеко Л.Г., Степанюгина А.К. Прогнозирование исходов и рисков сердечнососудистых заболеваний с применением машинного обучения. Сборник XXIV Международной конференции по мягким вычислениям и измерениям. 2020:305–309. EDN: PINICI; Рунова К.В., Юрин А.А. Классификация сердечно-сосудистых заболеваний с помощью инструментальных методов обработки информации на основе различных методов машинного обучения. Colloquium-journal. 2019;13-3(37):115–120.; Абдуалимов Т.П., Обрезан А.Г. Выявление поражения коронарных артерий при помощи алгоритмов глубокого обучения. Кардиология: новости, мнения, обучение. 2021,9(2):9–13. https://doi.org/10.33029/2309-1908-2021-9-2-9-13; Kashirina I., Firyulina М. Building models for predicting mortality after myocardial infarction in conditions of unbalanced classes, including the influence of weather conditions. CEUR Workshop Proceedings. 2020;2790:188–197. URL: https://ceur-ws.org/Vol-2790/paper18.pdf (07.08.2024).; Demchenko M.V., Kashirina I.L. The development of the atherosclerosis diagnostic models under conditions of unbalanced classes. Journal of Physics Conference Series. 2020;1479(1):012026. https://doi.org/10.1088/1742-6596/1479/1/012026; Грибова В.В., Окунь Д.Б., Шалфеева Е.А. Семантические модели для оценки влияния комплекса факторов на развитие заболеваний. Онтология проектирования. 2021;11(4):464–477. https://doi.org/10.18287/2223-9537-2021-11-4-464-477; Григорьев О.Г., Кобринский Б.А., Благосклонов Н.А., Гинзбург Б.Г. Рекомендательная интеллектуальная система для управления рисками хронических заболеваний. Информационные технологии и вычислительные системы. 2023;2:27–37. https://doi.org/10.14357/20718632230203; Воробьев А.П., Воробьев П.А., Опарин И.С., Воробьев М.П. Выявление хронических неинфекционных заболеваний у пожилых больных с применением системы искусственного интеллекта MEDICASE. Проблемы стандартизации в здравоохранении. 2019;11– 12:42–49. https://doi.org/10.26347/1607-2502201911-12042-049; Грибова В.В., Гельцер Б.И., Шахгельдян К.И., Петряева М.В., Шалфеева Е.А., Костерин В.В. Гибридная технология оценки рисков и прогнозирования в кардиологии. Врач и информационные технологии. 2022,3:24–35. https://doi.org/10.25881/18110193_2022_3_24; Грибова В.В., Петряева М.В., Шалфеева Е.А. Облачный сервис поддержки принятия решений в кардиологии на основе формализованных знаний Сибирский журнал клинической и экспериментальной медицины, 2020, №35(4), 32-38. DOI:10.29001/2073-8552-2020-35-4-32-38.; Ковелькова М.Н. Интеллектуальная система для мониторинга риска артериальной гипертонии. Вестник новых медицинских технологий. 2020,27(4):92–97. https://doi.org/10.24411/1609-2163-2020-16720; Петряева М.В. Семантическое представление базы знаний о заболеваниях для сервиса поддержки принятия решений в кардиологии. Материалы XIV международной научной конференции «Системный анализ в медицине» (САМ 2020); под общ. ред. В.П. Колосова; Благовещенск, 2020:78–81. https://doi.org/10.12737/conferencearticle_5fe01d9be1fc59.34271723; Кобринский Б.А., Кадыков А.С., Полтавская М.Г., Благосклонов Н.А., Ковелькова М.Н. Принципы функционирования интеллектуальной системы динамического контроля факторов риска и формирования рекомендаций по здоровьесбережению. Профилактическая медицина. 2019;22(5):78–84. https://doi.org/10.17116/profmed20192205178; Гусев А.В., Гаврилов Д.В., Новицкий Р.Э., Кузнецова Т.Ю., Бойцов С.А. Совершенствование возможностей оценки сердечнососудистого риска при помощи методов машинного обучения. Российский кардиологический журнал. 2021;26(12):4618. https://doi.org/10.15829/1560-4071-2021-4618; https://www.sibjcem.ru/jour/article/view/2630

Διαθεσιμότητα: https://www.sibjcem.ru/jour/article/view/2630
https://doi.org/10.29001/2073-8552-2025-40-1-28-41

Большие данные в экономике и управлении. Построение концептуальной базы данных магазина

Συγγραφείς: Eraleva, M., Stolbikova, S., Murzakhmatov, M.

Θεματικοί όροι: SEMANTIC NETWORKS, АВТОМАТИЗАЦИЯ, СЕМАНТИЧЕСКИЕ СЕТИ, АНАЛИЗ ПРОЦЕССОВ, AUTOMATION, КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ, PROCESS ANALYSIS, РЕЛЯЦИОННАЯ МОДЕЛЬ, RELATIONAL MODEL, CONCEPTUAL MODEL

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://elar.urfu.ru/handle/10995/133891

Анализ формальных понятий как средство создания обучающей интеллектуальной системы

Συνεισφορές: Лапенок, М. В.

Θεματικοί όροι: АНАЛИЗ ФОРМАЛЬНЫХ ПОНЯТИЙ, СЕМАНТИЧЕСКИЕ СЕТИ, ЛОГИЧЕСКОЕ ПРОГРАММИРОВАНИЕ, ПРОЛОГ, ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ

Σύνδεσμος πρόσβασης: https://elar.uspu.ru/handle/ru-uspu/63499

ИНТЕГРАЦИЯ ЛЕКСИЧЕСКИХ БАЗ ДАННЫХ ДЛЯ РЕШЕНИЯ ПРОБЛЕМЫ СИНОНИМИИ В ЕСТЕСТВЕННО-ЯЗЫКОВЫХ ИНТЕРФЕЙСАХ

Συγγραφείς: Гойло Артём Андреевич1, Садовский Михаил Ефимович2

Θεματικοί όροι: Обработка данных на естественном языке (Natural Language Processing, NLP), понимание естественного языка (Natural Language Understanding, NLU), онтология, семантическая сеть, Открытая семантическая технология для проектирвоания интеллектуальных систем (Open Semantic Technology for Intelligent Systems, OSTIS), естественно-языковой интерфейс, синонимия, интеллектуальные системы, семантические сети, публикации ученых, естественный язык

Περιγραφή αρχείου: application/pdf

ПРИМЕНЕНИЕ СЕМАНТИЧЕСКИХ СЕТЕЙ ДЛЯ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ВИДЕ ШАБЛОНОВ ВЗАИМОСВЯЗАННЫХ УЗЛОВ И ДУГ

Συγγραφείς: 1К.K.Cеитназаров, 2Б.К.Туремуратова

Θεματικοί όροι: Семантические сети, языки для программирования семантических сетей, виды семантических сетей, история появления первых семантических сетей

Технологический алгоритм для подсистемы САПР детали корпус на основе семантических сетей: выпускная квалификационная работа магистра

Θεματικοί όροι: semantic networks, technological algorithm, семантические сети, технологический алгоритм

СЕМАНТИЧЕСКИЕ СЕТИ КАК СПОСОБ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ

Θεματικοί όροι: семантические сети, представление знаний, графическое представление, категоризация, информационный поиск, искусственный интеллект, обработка естественного языка

СЕМАНТИЧЕСКИЕ СЕТИ КАК СПОСОБ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ

Θεματικοί όροι: семантические сети, представление знаний, графическое представление, категоризация, информационный поиск, искусственный интеллект, обработка естественного языка

О применении метода анализа семантических сетей в определении степени тяжести заболевания

Συγγραφείς: Аксёнов, Сергей Владимирович, Кушеева, М. Н.

Θεματικοί όροι: анализ, семантические сети, визуализация, медицинские данные, текстовые данные, компьютеризация

Περιγραφή αρχείου: application/pdf

Relation: Молодежь и современные информационные технологии : сборник трудов XVIII Международной научно-практической конференции студентов, аспирантов и молодых учёных, 22-26 марта 2021 г., г. Томск; http://earchive.tpu.ru/handle/11683/68023

Διαθεσιμότητα: http://earchive.tpu.ru/handle/11683/68023

О применении метода анализа семантических сетей в определении степени тяжести заболевания

Θεματικοί όροι: анализ, визуализация, семантические сети, текстовые данные, медицинские данные, компьютеризация

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: http://earchive.tpu.ru/handle/11683/68023

Management of an application software package for solving problems of mathematical physics via semantic network ; Управление посредством семантической сети прикладным программным комплексом для решения задач математической физики

Συγγραφείς: L. A. Golubeva, V. S. Gorshunov, V. P. Il’in, Л. А. Голубева, В. С. Горшунов, В. П. Ильин

Πηγή: The Herald of the Siberian State University of Telecommunications and Information Science; № 3 (2019); 55-62 ; Вестник СибГУТИ; № 3 (2019); 55-62 ; 1998-6920

Θεματικοί όροι: базы знаний, geometric data structure, grid data structure, functional data structure, BMS, semantic networks, knowledge bases, геометрическая структура данных, сеточная структура данных, функциональная структура данных, БСМ, семантические сети

Περιγραφή αρχείου: application/pdf

Relation: https://vestnik.sibsutis.ru/jour/article/view/90/95; Загорулько Ю. А., Загорулько Г. Б. Инженерия знаний: учебное пособие. Новосибирск: РИЦНГУ, 2016. 93 с.; Basic Research Needs Workshop for Scientific Machine Learning Core Technologies for Artificial Intelligence // Prepared for Department of Energy Advanced Scientific Computing Research. February 10, 2019.; Ильин В. П., Гладких В. С. Базовая система моделирования (БСМ): концепция, архитектура и методология // Тр. конф. «Современные проблемы математического моделирования, обработки изображений и параллельных вычислений» (СПММОИиПВ), Ростов-на-Дону, ДГТУ, 2017. С. 151–158.; Ильин В. П. Фундаментальные вопросы математического моделирования // Вестник Российской Академии Наук. 2016. Т. 86, № 4. С. 26–36.; Ильин В. П. DELAUNAY: технологическая среда генерации сеток // СибЖИМ. 2013. Т. 16. С. 83–97.; Бутюгин Д. С., Ильин В. П. CHEBYSHEV: принципы автоматизации построения алгоритмов в интегрированной среде для сеточных аппроксимаций начально-краевых задач // Труды Международной конференции ПАВТ’2014, Челябинск, ЮУрГУ, 2014. С. 42–50.; Голубева Л. А., Горшунов В. С., Ильин В. П., Эрдыниев Э. Б. Программный комплекс для решения 3-мерных задач математической физики на основе концепции БСМ // Труды Международной конференции «Вычислительная математика и математическая геофизика» к 90-летию со дня рождения академика А. С. Алексеева, 2018. С. 126–132.; «ГЕРБАРИЙ» [Электронный ресурс]. URL: http://tflex.ru/about/publications/detail/index.php?ID=3846 (дата обращения: 30.06.2019).; Бутюгин Д. С., Гурьева Я. Л., Ильин В. П., Перевозкин Д. В., Петухов А. В., Скопин И. Н. Функциональность и технологии алгебраических решателей в библиотеке Krylov // Вестник ЮУрГУ. Сер. «Вычислительная математика и информатика». 2013. Т. 2, № 3. С. 92–105.; Ильин В. П. Математическое моделирование: Ч. 1: Непрерывные и дискретные модели. Новосибирск: Изд. СО РАН, 2017. 429 с.; Gurieva Ya. L., Il’in V. P. Program package for 3D boundary-value elliptic Problem // Bull. NCC, series: “Num. Anal.”. 2002. Iss. 11. P. 35–52.; NETGEN [Электронный ресурс]. URL: https://ngsolve.org/docu/latest/ (дата обращения: 30.06.2019).; https://vestnik.sibsutis.ru/jour/article/view/90

Διαθεσιμότητα: https://vestnik.sibsutis.ru/jour/article/view/90

Benefits and analysis of semantic information-centric networking

Συγγραφείς: Jaber, G., Patsei, N. V., Navrotsky, Y.

Θεματικοί όροι: модели сетей, information-centric networking, odel of networking, семантические сети, информационно-ориентированные сети, semantic networkings

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: https://elib.belstu.by/handle/123456789/41055

Управление знаниями в процессе управления социально-экономическим развитием муниципальных образований: основные положения

Θεματικοί όροι: semantic networks, municipality, 8. Economic growth, socio-economic development, cognitive maps, семантические сети, муниципальное образование, modeling, моделирование, стратегия, strategy, социально-экономическое развитие, когнитивные карты

ЛОГИКА УСЛОВНО-ЗАВИСИМЫХ ПРЕДИКАТОВ В РЕШАТЕЛЯХ ЗАДАЧ АВТОНОМНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

Θεματικοί όροι: представление знаний, обработка знаний, автономные интеллектуальные системы, нечеткие семантические сети, планирование поведения, проблемная среда, логика условно-зависимых предикатов

Цифровые образовательные технологии на основе адаптивных и семантических сетей при изучении курса «Информатика» в университете ; Tsifrovye obrazovatel'nye tekhnologii na osnove adaptivnykh i semanticheskikh setei pri izuchenii kursa 'Informatika' v universitete

Συγγραφείς: Ермеков Нурмухамет Турлынович, Казахский университет технологии и бизнеса, Nurmukhamet T. Ermekov, Kazakhskii universitet tekhnologii i biznesa, Отарова Айгерим Сакеновна, Aigerim S. Otarova, Тлеубаева Арайлым Орынбаевна, Arailym O. Tleubaeva, Ешпанов Владимир Сарсембаевич, Vladimir S. Eshpanov, Артыкбаев Жолдасбек Серикович, Zholdasbek S. Artykbaev

Πηγή: Digital Transformation of Modern Education; 346-350 ; Цифровая трансформация современного образования; 346-350

Θεματικοί όροι: модели, информационные обучающие системы, адаптивные семантические сети, интеллектуальные адаптивные образовательные системы, гипертекстовая обучающая среда

Περιγραφή αρχείου: text/html

Relation: info:eu-repo/semantics/altIdentifier/isbn/978-5-907313-85-9; https://phsreda.com/e-articles/10230/Action10230-96737.pdf; International Journal of Artificial Intelligence in Education (IJAIED) [Electronic resource]. – Access mode: http://aied.inf.ed.ac.uk/; Международный Форум «Образовательные Технологии и Общество». Восточно-европейская подгруппа [Электронный ресурс]. – Режим доступа: http://ifets.ieee.org/russian/periodical/journal.html; International Workshop In Applications of Semantic Web technologies for E-Learning (SW-EL) [Electronic resource]. – Access mode: http://www.win.tue.nl/SW-EL/; Brusilovsky P., Peylo C. (2003). Adaptive and Intelligent Web-based Educational Systems. International Journal of Artificial Intelligence in Education 13 (2003) 156–169. IOS Press, 2003.; Рассел Стюарт, Норвиг Питер. Искусственный интеллект, современный подход / пер. с англ. – 2-е изд. – М.: Вильямс, 2006. – 1407 с.; Шихнабиева Т.Ш. Об использовании семантических моделей в обучении и контроле знаний по информатике // Материалы XVII Международной конференции «Информационные технологии в образовании» («ИТО-2007»). – М., 2007. – С. 234–236.; https://phsreda.com/files/Books/606c513342c02.jpeg?req=96737; https://phsreda.com/article/96737/discussion_platform

Διαθεσιμότητα: https://phsreda.com/article/96737/discussion_platform
https://phsreda.com/files/Books/606c513342c02.jpeg?req=96737

The Concept “Semantic Invariant' as a Cognitive Term ; Понятие «семантический инвариант» в ряду когнитивных терминов

Συγγραφείς: S. A. Pesina, С. В. Песина

Πηγή: Discourse; Том 6, № 2 (2020); 125-133 ; Дискурс; Том 6, № 2 (2020); 125-133 ; 2658-7777 ; 2412-8562 ; 10.32603/2412-8562-2020-6-2

Θεματικοί όροι: семантические сети, polysemous word, semantics, semantic components, metaphor, meaning, semantic networks, многозначное слово, семантика, семантические компоненты, метафора, значение

Περιγραφή αρχείου: application/pdf

Relation: https://discourse.elpub.ru/jour/article/view/323/331; Foraker S., Murphy G. L. Polysemy in sentence comprehension: effects of meaning dominance // Journal of Memory and Language. 2012. Vol. 67. Iss. 4, pp. 407-425. DOI:10.1016/j.jml.2012.07.010.; Frisson S. Semantic Underspecification in Language Processing // Language and Linguistics Compass. 2009. Vol. 3. Iss. 1. P. 111-127. DOI: https://doi.org/10.1111/j.1749-818X.2008.00104.x; Песина С. А. Разграничение языка и речи в свете прототипической семантики // Вестник ТГУ. 2006. № 291. С. 177-182.; Песина С. А. Прототипический подход к осмыслению структуры словаря // Проблемы истории, филологии, культуры. 2009. № 2 (24), С. 570-574.; Архипов И. К. Коммуникативный цейтнот и прототипическая семантика // Известия РГПУ им. А. И. Герцена. 2004. Т. 4, № 7. С. 75-85.; Песина С. А. Функционирование полисемантов в механизмах речепроизводства // Фразеологические чтения памяти профессора В. А. Лебединской: сб. мат. междунар. науч. конф., Курган, 03-04 марта 2008 г. / Курганского гос. ун-т. Курган, 2008. С. 113-115.; Лурия А. Р. Мозг человека и психические процессы. Нейропсихологический анализ сознательной деятельности. В 2-х т. Т. 1 М.: Изд-во ПЕДАГОГИКА, 1963.; Baars B., Gage N. Cognition, Brain and Consciousness. London: Academic Press, 2nd ed., Academic Press, Elsevier Ltd, 2014.; https://discourse.elpub.ru/jour/article/view/323

Διαθεσιμότητα: https://discourse.elpub.ru/jour/article/view/323
https://doi.org/10.32603/2412-8562-2020-6-2-125-133

Использование инструментария семантических сетей для оценки состояния пациента по данным врачебных осмотров

Συγγραφείς: Кушеева, Мария Николаевна

Συνεισφορές: Аксёнов, Сергей Владимирович

Θεματικοί όροι: семантические сети, оценка степени тяжести, инфекционные заболевания, врачебный осмотр, сравнение семантических сетей, semantic networks, assessment of the severity, infectious diseases, medical examination, comparison of semantic networks, 09.04.02, 004.774.2:311:61

Περιγραφή αρχείου: application/pdf

Relation: Кушеева М. Н. Использование инструментария семантических сетей для оценки состояния пациента по данным врачебных осмотров : магистерская диссертация / М. Н. Кушеева; Национальный исследовательский Томский политехнический университет (ТПУ), Инженерная школа информационных технологий и робототехники (ИШИТР), Отделение информационных технологий (ОИТ); науч. рук. С. В. Аксёнов. — Томск, 2021.; http://earchive.tpu.ru/handle/11683/66487

Διαθεσιμότητα: http://earchive.tpu.ru/handle/11683/66487

Пространственно-имущественная модель совместного домовладения

Θεματικοί όροι: недвижимое имущество, пространственно-имущественные модели, совместное домовладение, домовладение, семантические сети, кадастровые модели

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: https://elib.belstu.by/handle/123456789/35918

Semantic information-centric networking naming schema

Συγγραφείς: Jaber, Ghassan, Patsei, Nataliya Vladimirovna, Rahal, Fatima

Θεματικοί όροι: маршрутизация, routing schema, information-centric networks, семантические сети, semantic address, publisher address, geographical address, информационные системы

Περιγραφή αρχείου: application/pdf

Σύνδεσμος πρόσβασης: https://openrepository.ru/article?id=458211
https://elib.belstu.by/handle/123456789/33422

Языковые средства поддержки политик доступа к семантической сети на основе учёта ситуаций использования ; Language means of support of policy of access to semantic network based on situation of use

Συγγραφείς: Исмаилова, Л. Ю., Косиков, С. В., Вольфенгаген, В. Э.

Θεματικοί όροι: электронные ресурсы, семантические сети, управление, вычислительные модели, языковые средства, апробация, semantics, computational methods

Relation: Информационные технологии в науке, управлении, социальной сфере и медицине : сборник научных трудов IV Международной научной конференции, 5-8 декабря 2017 г., Томск. Ч. 2. — Томск, 2017.; http://earchive.tpu.ru/handle/11683/46964

Διαθεσιμότητα: http://earchive.tpu.ru/handle/11683/46964