Классификация методов представления знаний

Для того чтобы манипулировать всевозможными знаниями из реального мира с помощью компьютера, необходимо осуществить их моделирование, т. е. представление в памяти ЭВМ. При проек­тировании модели представления знаний следует учесть два тре­бования: 1) однородность представления; 2) простота понима­ния. Выполнение этих требований позволяет упростить механизм логического вывода и процессы приобретения знаний и управле­ния ими. Однако, как правило, создателям интеллектуальной си­стемы приходится идти на некоторый компромисс в стремлении обеспечить одинаковое понимание знаний и экспертами, и инже­нерами знаний, и пользователями.

Классификация методов моделирования знаний с точки зре­ния подхода к их представлению в ЭВМ показана на рис. 23.1.

Дадим общую характеристику основных методов представле­ния знаний.

Модели на основе эвристического подхода. Представление зна­ ний тройкой «.объект — атрибут — значение». Это один из первых методов моделирования знаний. Как правило, метод используется для представления фактических знаний в простейших системах, например:

 

Объект	Атрибут	Значение
Студент	Успеваемость	Высокая
Дом	Цвет	Белый
Пациент	Температура	Нормальная

Очевидно, что для моделирования знаний даже об одном объек­те из предметной области (например, о «студенте» или «доме») необходимо хранить значительное число «троек».

Продукционная модель. Это модель правил, модель продукций (от англ. production — изготовление, выработка). В настоящее время она является наиболее проработанной и распространенной моде­лью представления знаний, в частности в экспертных системах. Модель предусматривает разработку системы продукционных пра­вил (правил продукций), имеющих вид:

где Д и Bj — некоторые высказывания, к которым применены логические операции И и ИЛИ. Если высказывания в левой части правила (ее часто называют антецедент — условие, причина) ис­тинно, то истинно и высказывание в правой части (консеквент — следствие).

308

Полнота базы знаний (базы правил) определяет возможности системы по удовлетворению потребностей пользователей. Логи­ческий вывод в продукционных системах основан на построении прямой и обратной цепочек заключений, образуемых в резуль­тате последовательного просмотра левых и правых частей соот­ветствующих правил, вплоть до получения окончательного за­ключения.

Пусть в некоторой области памяти (базе знаний) хранятся сле­дующие правила (суждения):

• правило 1: ЕСЛИ в стране происходит падение курса нацио­нальной валюты, ТО материальное положение населения ухуд­шается;

• правило 2: ЕСЛИ объемы производства в стране падают, ТО курс национальной валюты снижается;

• правило 3: ЕСЛИ материальное положение населения ухуд­шается, ТО уровень смертности в стране возрастает.

Если на вход системы поступит новый факт «В стране высокий уровень падения объемов производства», то из правил можно по­строить цепочку рассуждений и сформулировать два заключения:

факт 1 — правило 2 — правило 1 — заключение 1 — правило 3 — заключение 2,

где заключение 1 (промежуточный вывод) — «Материальное по­ложение населения ухудшается»; заключение 2 (окончательный вывод) — «В стране возрастает уровень смертности».

309

Отметим, что в современных экспертных системах в базе зна­ний могут храниться тысячи правил, а коммерческая стоимость

одного не выводимого из имеющихся (нового, дополнительного) правила весьма высока.

Главными достоинствами продукционных систем являются простота пополнения и изъятия правил, реализации механизма логического вывода и наглядность объяснений результатов рабо­ты системы. Основной недостаток подобных систем — трудность обеспечения непротиворечивости правил при их большом числе, что требует создания специальных правил (так называемых мета­правил) разрешения возникающих в ходе логического вывода противоречий. Кроме того, время формирования итогового за­ключения может быть достаточно большим.

Фреймовая модель. Это сравнительно новая модель представле­ния знаний. Само понятие «фрейм» (от англ. frame — рама, рамка, скелет, сгусток, сруб и т.д.) ввел в 1975 г. М. Мински (М. Minsky).

Фрейм — это минимальная структура информации, необходи­мая для представления знаний о стереотипных классах объектов, явлений, ситуаций, процессов и др. С помощью фреймов можно моделировать знания о самых разнообразных объектах интересу­ющей исследователя предметной области — важно лишь, чтобы эти объекты составляли класс концептуальных (повторяющихся, стереотипных) объектов, процессов и т. п. Примерами стереотип­ных служебных ситуаций могут служить: организация совещания, проведение научной конференции, сдача экзамена, разработка документа управления и др.; примерами стереотипных бытовых ситуаций: отъезд в отпуск, встреча гостей, выбор телевизора, ре­монт и др.; примерами стереотипных понятий: орган управления, алгоритм, действие, методика и др. На рис. 23.2 представлен фрейм технологической операции «соединять» [26]. Данный фрейм опи­сывает ситуацию «Субъект X соединяет объект Y с объектом Z способом W».

Наполняя слоты конкретным содержанием, можно получить фрейм конкретной ситуации, например: «Радиомонтажник соеди­няет микросхему с конденсатором способом пайки». Заполнение слотов значениями шанций называют активизацией фрейма.

Рис. 23.2. Фрейм ситуации «соеди­нять»:

дуги — отношения: —*- «объект»,

----- ». «субъект», «посредством чего?»;

вершины X, Y, Z, W — слоты (состав­ляющие фрейма); D_x, D_Y, D_z, D_w — шанций — области возможных значе­ний соответствующих слотов

310

Рис. 23.3. Фрейм понятия «технологическая операция»

С помощью фреймов можно моделировать как процедураль-ные, так и декларативные знания. На рис. 23.2 показан пример представления процедуральных знаний. На рис. 23.3 приведен при­мер фрейма «технологическая операция», иллюстрирующий пред­ставление декларативных знаний для решения задачи проектиро­вания технологического процесса.

По содержательному смыслу выделяют [26]:

• фреймы-понятия;

• фреймы-меню;

• фреймы с иерархически вложенной структурой. Фрейм-понятие — это фрейм типа И. Например, фрейм

«операция» содержит объединенные связкой И имена слотов «что делать», «что это дает», «как делать», «кто делает», «где делать», а фрейм «предмет» — слоты с именами «назначение», «форма», «масса», «цвет» и т.д.

Ф р е й м-м е н ю — это фрейм типа ИЛИ. Он служит для орга­низации процедурных знаний с помощью оператора «выбрать». Например, фрейм «что делать» может состоять из объединенных связкой ИЛИ слотов «решить уравнение», «подставить данные», «уточнить задачу», причем каждый из этих слотов может иметь несколько значений.

311

Фрейм с иерархически вложенной структурой предполагает, что в нем в качестве значений слотов можно ис­пользовать имена других фреймов, слотов, т. е. использовать иерар­хическую структуру, в которой комбинируются другие виды фрей­мов (в итоге получают так называемые фреймы-сценарии).

Значения слотов могут содержать ссылки на так называемые присоединенные процедуры. Различают два вида присоединенных процедур: процедуры-демоны и процедуры-слуги.

Процедуры-д емоны присоединяются к слоту и активизи­руются при изменении информации в нем (выполняют вспомога­тельные операции, например автоматически корректируют ин­формацию во всех других структурах, в которых используется зна­чение данного слота).

1. Процедура «ЕСЛИ — добавлено» (IF — ADDED) — выпол­няется, когда новая информация помещается в слот.

2. Процедура «ЕСЛИ — удалено» (IF — REMOVED) — выпол­няется, когда информация удаляется из слота.

3. Процедура «ЕСЛИ — нужно» (IF — NEEDED) — выполня­ется, когда запрашивается информация из пустого слота.

Процедуры-слуги активизируются при выполнении не­которых условий относительно содержимого слотов (часто по за­просу). Данные процедуры определяются пользователем при со­здании фрейма. Например, во фрейме «Учебная аудитория» мож­но предусмотреть слоты «Длина» и «Ширина», а по их значениям вычислить значение слота «площадь».

Фреймы позволяют использовать многие свойства знаний и достаточно широко употребляются. Их достоинства и недостатки схожи с достоинствами и недостатками семантических сетей.

Модель семантической сети (модель Куиллиана). Семантиче­ская сеть — это направленный граф с поименованными верши­нами и дугами, причем узлы обозначают конкретные объекты, а дуги — отношения между ними [26]. Как следует из определе­ния, данная модель представления знаний является более общей по отношению к фреймовой модели (иными словами, фреймовая модель — частный случай семантической сети). Семантическую сеть можно построить для любой предметной области и самых разнообразных объектов и отношений.

В семантических сетях используют три типа вершин:

1) вершины-понятия (обычно это существительные);

2) вершины-события (обычно это глаголы);

3) вершины-свойства (прилагательные, наречия, определения). Дуги сети (семантические отношения) делят на четыре класса:

 

1) лингвистические (падежные, глагольные, атрибутивные);

2) логические (И, ИЛИ, НЕ);

3) теоретико-множественные (множество — подмножество, отношения целого и части, родовидовые отношения);

312

Рис. 23.4. Семантическая сеть для предложения

4) квантифицированные (определяемые кванторами общно­сти V и существования 3).

(Кванторы — это логические операторы, переводящие одну высказывательную форму в другую и позволяющие указывать объем тех значений предметных переменных, для которых данная вы-сказывательная форма истинна [62].)

Приведем два примера.

На рис. 23.4 представлена семантическая сеть для предложения (ситуации) «Студент Табуреткин добросовестно изучает учебни­ки и конспект перед сдачей экзамена по бухгалтерскому учету».

На рис. 23.5 показан фрагмент семантической сети для понятия «автомобиль».

Из приведенных примеров понятно, почему многие специали­сты по ИИ считают фрейм частным случаем семантической сети со строго структурированными знаниями.

Рис. 23.5. Фрагмент семантической сети понятия «автомобиль»: IS-A — есть, является; HAS-PART — имеет часть

313

Основным достоинством методов моделирования знаний с помощью семантических сетей и фреймов является универсаль­ность, удобство представления как декларативных, так и проце-

дуральных знаний. Существуют и два недостатка: громоздкость, сложность построения и изменения; потребность в разнообразных процедурах обработки, связанная с разнообразием типов дуг и вершин.

Модели на основе теоретического подхода. В рамках реализации теоретического подхода применяют логические модели, прежде всего использующие представления знаний в системе логики пре­дикатов. Преимущества такого подхода очевидны: единственность теоретического обоснования и возможность реализации системы путем введения формально точных определений и правил полу­чения выводов. Однако в полной мере претворить в жизнь данный подход даже для «простых» задач оказалось весьма сложно. Поэто­му появились попытки перейти от формальной логики к так на­зываемой человеческой логике (модальной, многозначной логике и др.), модели которой в большей или меньшей степени учитыва­ют «человеческий фактор», т. е. являются в определенном смысле компромиссными в плане использования и теоретического, и эв­ристического подходов.

Очень коротко остановимся на ставшей классической преди­катной модели представления знаний. Первые попытки использо­вать такую модель относятся к 1950-м гг. Дадим несколько опреде­лений. Пусть имеется некоторое множество объектов, называемое предметной областью. Выражение Р(х_ь х₂, ..., х_п), где х,-— так называемые предметные переменные (/ = 1, .., я), а Р принимает значения нуль или единица, называется логической функцией или предикатом.

Предикат Р(х_и х₂, ..., х„) задает отношение между элементами х_ь х₂, ..., х_п и обозначает высказывание, что «х_и х₂, ..., х„ нахо­дятся между собой в отношении Р». Например, если А — множе­ство целых чисел, а Р(а) — высказывание «а — положительное число», то Р{а) = 1 при а > 0 и Р(а) = 0 при а < 0. Из подобного рода элементарных высказываний с помощью логических связок образуют более сложные высказывания, которые могут прини­мать те же значения: «истина» и «ложь». В качестве связок исполь­зуются конъюнкция, дизъюнкция, импликация, отрицание, эк­вивалентность.

Предикат от п переменных называют я-местным. Одномест­ные (унарные) предикаты отражают свойства определенного объекта или класса объектов. Многоместные предикаты позволя­ют записывать отношения, которые существуют между группой элементов. Если а — тоже предикат, то Р(а) — предикат 2-го порядка и далее до и-го порядка. Приведем примеры различных предикатов.

1. Унарный предикат (высказывание) «Река впадает в Каспий­ское море» имеет значение единица, если «Река» ~ «Волга», и зна­чение нуль, если «Река» = «Днепр».

314

2. Двухместный предикат щ не меньше х₂» может иметь значе­
ние единица или нуль в зависимости от значений х_х и х₂.

Если значение предиката тождественно равно единице при любых значениях предметных переменных, он называется тавто­логией.

В аппарат исчисления предикатов входят также символы функ­ций (обычно обозначаемые латинскими буквами/, g, h и т.д.), задаваемых на множестве предметных переменных, и кванторы общности V и существования 3.

3. Представление с помощью предиката знаний, заключенных
в теореме Пифагора: P{g [f(x), f(y)], f(z)}, где предикат Р —
«быть равным», функция g(x, у) = х + у («быть суммой»); функция
fix) = х² («быть квадратом»). Иногда используется такая форма
записи:

РАВНЫ [СУММА (КВАДРАТ(х), КВАДРАТ(у)), КВАДРАТ Щ.

Предикат Р равен единице, если х, у, z — соответственно дли­ны катетов и гипотенузы прямоугольного треугольника.

Как уже отмечалось, предикаты удобны для описания декла­ративных знаний (фактов, событий и т.п.). Их главными достоин­ствами являются возможность реализации строгого вывода зна­ний (исчисления предикатов) и сравнительная компактность мо­дели. К сожалению, предикаты мало пригодны для записи проце-дуральных знаний. Кроме того, опыт показал, что человеческое знание по своей структуре много сложнее структуры языков пре­дикатного типа, поэтому требуются специальные навыки «под­гонки» структуры реального знания под структуру модели (как правило, значительно обедняющей исходные знания).

ГЛАВА 24. МЕТОД ЭКСПЕРТНЫХ ОЦЕНОК

24.1. Общая характеристика метода экспертных оценок

Материал данной главы занимает в учебнике особое место. Метод экспертных оценок как таковой не относится к методам ИИ, которым посвящен раздел ГУ. Более того, реализация метода возможна в безмашинном (неавтоматизированном) варианте, а учебник ориентирован на автоматизированные технологии. Вместе с тем результаты экспертной оценки часто служат важным, а подчас и единственным источником информации для принятия управленческих решений. Кроме того, значительная часть работ, составляющих метод (особенно сбор экспертной информации и ее обработка), легко автоматизируется. Наконец, интерпретиро­ванные результаты экспертиз используются для генерации и веде­ния баз знаний в системах, основанных на знаниях (прежде все­го, экспертных системах). Таким образом, можно считать сложив­шейся информационную технологию автоматизированного обес­печения лиц, принимающих решения, экспертной информаци­ей, необходимой для управления организацией.

В настоящее время практически во всех сферах профессиональ­ной деятельности, в частности управленческой, широкое приме­нение нашел метод экспертных оценок, применяемый в случае, когда невозможно провести оценку характеристик объекта управ­ления (организации, экономической системы и т. п.) какими-либо иными методами. Как было отмечено в гл. 2 (см. рис. 2.1), результа­ты экспертизы являются одним из возможных источников получе­ния информации, используемых в управленческой деятельности.

Под методом экспертных оценок понимают комплекс логи­ческих и математических процедур, направленных на получение от специалистов информации, ее анализ и обобщение с целью подготовки и выбора рациональных решений. Сущность этого ме­тода заключается в проведении высококвалифицированными спе­циалистами интуитивно-логического анализа проблемы с каче­ственной или количественной оценкой суждений и формальной обработкой результатов. Комплексное использование интуиции, логического мышления и соответствующего математического ап­парата позволяет получить эффективное решение поставленной проблемы.

316

Метод экспертных оценок отличается от традиционной экс­пертизы научной организацией всех этапов экспертизы и приме­нением математического аппарата как при организации экспер­тизы, так и при обработке и анализе полученной информации. К совету знающих специалистов (экспертов) прибегают в тех слу­чаях, когда задача является нетрадиционной, не допускает про­ведения натурного либо машинного эксперимента, но у лица, принимающего решения, имеется достаточный ресурс времени для обоснования соответствующих вариантов действий. Получен­ная и обработанная экспертная информация используется в даль­нейшем в рамках выбранной процедуры выработки решений.

Метод экспертных оценок как научный инструмент анализа неформализуемых проблем в России и за рубежом широко при­меняется при решении самых различных проблем, связанных с планированием развития экономики страны и отрасли, создани­ем современных информационных технологий, технологий управ­ления и т.д.

Целесообразно выделить два класса проблем, решаемых экс­пертным путем. К первому классу относятся проблемы, для реше­ния которых имеется достаточная информационная база. Поэтому основная трудность в их решении состоит в эффективном исполь­зовании этой базы, т. е. в правильном подборе экспертов, рацио­нальной организации процедуры их опроса и применении опти­мальных математических методов обработки результатов. При этом методы опроса и обработки основываются на том, что эксперт обобщает значительный объем переработанной им информации, а групповое мнение, рассчитанное как некое обобщенное мне­ние, учитывающее мнения отдельных экспертов, близко к «исти­не». Эти допущения позволяют применять для обработки эксперт­ных оценок специальные математические методы.

Ко второму классу относятся проблемы, для решения которых информационная база недостаточна. При анализе таких проблем весьма трудно найти соответствующих экспертов, получить от них информацию в том или ином виде и, особенно, обработать ее с учетом зачастую сильно расходящихся мнений экспертов.

Как следует из рис. 2.1, различают индивидуальную и группо­вую экспертизы.

Простейшим способом получения экспертной информации является учет мнения одного специалиста — индивидуальная экс­пертиза, которая, как правило, используется для решения уни­кальных проблем, относящихся ко второму классу, и реализуется следующими основными методами:

• интервью — опрос эксперта по заранее сформулированным вопросам;

• аналитических докладных записок — самостоятельная работа эксперта над анализом информации по рассматриваемой проблеме;

317

• сценария — установление логической последовательности раз­
вития событий и прогнозирование результатов рассматриваемых
процессов.

Очевидным недостатком индивидуальной экспертизы является присущий ей методический субъективизм и исключительная за­висимость результатов от компетентности единственного эксперта.

При решении проблем первого класса целесообразно привле­кать по возможности не одного, а нескольких специалистов, т. е. организовывать групповую экспертизу. К ее преимуществам следу­ет отнести возможность разностороннего анализа проблемы и ча­стое включение (попадание) в групповое решение «истинной» оценки. Можно считать, что увеличение числа экспертов в опре­деленной степени призвано придать экспертизе более объектив­ный характер, хотя и в этом случае приходится учитывать следу­ющие недостатки:

• сложность процедуры получения информации;

• возможность давления авторитетов в группе;

• сложность формирования обобщенного (группового) мнения;

• возможность проявления эффекта коллективной ответствен­ности, позволяющей экспертам принимать рискованные реше­ния, и др.

В процессе подготовки и проведения групповой экспертизы можно выделить следующие этапы:

1) формулировка цели и постановка задачи исследования;

2) разработка метода получения экспертной информации и способов ее обработки;

3) формирование экспертной группы;

4) проведение экспертизы;

5) сбор, обработка и анализ полученной информации;

6) интерпретация полученных результатов и формирование вариантов рекомендаций.

На рис. 24.1 данные этапы представлены для случая, когда мне­ния экспертов получают в ходе проведения анкетирования.

При решении важных практических задач организация экспер­тизы начинается с подготовки и издания руководящего докумен­та, в котором формулируется цель работы, указываются сроки ее выполнения, задачи и состав группы управления, ее права и обя­занности, устанавливается материальное и финансовое обеспече­ние работ. Для подготовки такого документа и руководства всей работой назначается руководитель экспертизы. Группа управления организует проведение экспертизы, причем результаты ее работы оформляются в виде отчета, который после обсуждения и одобре­ния представляется на утверждение в соответствующие инстан­ции.

На начальном этапе при постановке задачи исследования обо­сновывается целесообразность получения экспертной информа-

318

Рис. 24.1. Основные этапы экспертной оценки

ции и намечаются пути использования ожидаемых результатов. Вопросы выбора методов получения и обработки экспертной ин­формации решаются в соответствии со спецификой поставлен­ной задачи и учетом выделенных ресурсов и времени.

При составлении экспертных групп пользуются соображения­ми здравого смысла, учитывая цели экспертизы, ограниченность ресурсов и требования, обусловленные выбранными методами получения и обработки информации от экспертов. Вначале наме­чаются эксперты, которые по своим профессиональным качествам могут быть привлечены к работе. При их поиске обычно использу­ют общепринятые показатели, отражающие профессиональный уровень специалиста (должность, ученая степень и звание, коли­чество опубликованных научных работ и др.), а также его пре­жнее участие в экспертизах. Характеристика часто дополняется взаимной оценкой экспертов. При этом в число «потенциальных» экспертов включают специалистов, рекомендованных нескольки­ми ранее выявленными экспертами, прежде участвовавшими в экспертизе.

Важно, чтобы кандидат в экспертную группу имел широкий кругозор и эрудицию. Компетентность эксперта — это степень его квалификации в определенной области знаний, которая определя-

319

ется на основе анализа профессиональной деятельности, широты кругозора по перспективам развития рассматриваемой проблемы.

В зависимости от профессиональной подготовки эксперта (дол­жности, ученого звания, степени) ему приписывают определен­ный балл. В табл. 24.1 приведены баллы оценок профессиональных качеств эксперта, работающего в научно-исследовательской орга­низации крупной фирмы. Такая информация позволяет провести предварительный отбор и ранжирование кандидатов по их компе­тентности.

Далее решается вопрос о численном составе экспертной груп­пы. Количество привлекаемых к работе экспертов зависит от их квалификации и не должно превышать предела, диктуемого огра­ничениями финансового, временного и организационного харак­тера. Кроме того, состав группы должен быть таким, чтобы были обеспечены по возможности равное представительство специали­стов различных направлений, существующих в исследуемой обла­сти, и охват всех организаций, имеющих профессиональное от­ношение к рассматриваемой задаче.

Затем формируют группы путем выделения тех экспертов, ко­торые являются наиболее компетентными с точки зрения конк-

Таблица 24.1

Балльные оценки профессиональных качеств экспертов

 

Должность	Специалист без степени	Кандидат наук	Доктор наук	Академик, член-корреспондент
Инженер, старший инженер	1,0	—	—	—
Младший научный со­трудник	1,0	1,5	—	—
Старший научный со­трудник	—	2,25	3,0	—
Заведующий лаборато­рией, сектором, руко­водитель группы	2,0	3,0	4,0	6,0
Заведующий отделом, заместитель заведующего отделом	2,0	3,75	5,0	7,5
Ведущий руководитель комплекса, управления	3,0	4,5	6,0	9,0
Генеральный директор, заместитель генерально­го директора	4,0	6,0	8,0	12,0

320

ретной решаемой задачи. Для предварительной оценки компетент­ности экспертов рассчитывают коэффициент их компетентности, представляющий собой сумму баллов, приписываемых эксперту в зависимости от его документальных показателей и данных само­оценки (касающихся производственного опыта, знания экономи­ческой литературы по решаемому вопросу и др.). Эти баллы берут­ся из специальных таблиц. При другом подходе коэффициенты компетентности вычисляются на основе матрицы, составленной по результатам взаимной оценки экспертов.

В экспертную группу включают тех экспертов, для которых ко­эффициент компетентности составил не ниже некоторого поро­гового значения. Это значение устанавливается таким образом, чтобы набрать группу из числа тех потенциальных экспертов, ко­торые действительно смогут участвовать в ее работе. При проведе­нии экспертиз целесообразно использовать такую обобщенную характеристику эксперта, как достоверность его суждений. Коли­чественно достоверность суждений эксперта оценивают дробью N_u/N, где N_u — число случаев, когда эксперт дал решение, при­емлемость которого подтвердилась практикой; N — общее число случаев участия эксперта в решении задачи.

К сожалению, даже самый квалифицированный эксперт мо­жет проявить некомпетентность при проведении конкретной экс­пертизы как в силу причин неопределенного характера, так и из-за отсутствия стимулов в работе данной группы. Поэтому возника­ет проблема оценки компетентности экспертов на основе анализа информации, полученной от него и других членов экспертной группы в данной экспертизе.

В качестве примера приведем вариант организации экспертизы вариантов масштабных решений (уровня Федеральных целевых программ, Программ развития отрасли и т.п.). При Правитель­стве РФ на постоянной основе работает Экспертный совет. При необходимости проведения экспертизы в состав экспертной груп­пы включаются специалисты из Экспертного совета и, как пра­вило, по одному человеку из нескольких организаций, непосред­ственно не заинтересованных в результате экспертизы. Возглавля­ет экспертную группу в большинстве случаев независимый экс­перт, а организует работу специалист из Экспертного совета. Ана­логично проводятся экспертизы кандидатских и докторских дис­сертаций, материалов для присвоения ряда ученых и почетных званий и т.п.

Экспертная информация собирается и обрабатывается соглас­но разработанным (выбранным) для этих целей методам. Для сбо­ра информации составляются соответствующие документы (на­пример, специальные анкеты), а при ее обработке и анализе в случае необходимости может использоваться персональная ЭВМ. Содержательный анализ и интерпретация обработанных резуль-

321

татов осуществляются с учетом специфики решаемой проблемы в соответствии с задачами, которые ставились перед экспертизой. Выделяют следующие типичные ошибки, приводящие к нека­чественной экспертизе и негативному пониманию результатов экспертных оценок в экономике:

• преувеличение возможностей экспертных оценок;

• нечеткая постановка задачи перед экспертами;

• излишнее стремление оставаться в рамках одной экспертной процедуры и увлечение количественными оценками, а также не­корректные обработка и интерпретация результатов экспертизы;

• недостаточная информированность экспертов о конкретном объекте экспертизы и использование некомпетентных экспертов;

• противоречивость, несогласованность и неточность эксперт­ных оценок при коллективной экспертизе;

• конформизм и конъюнктурность экспертов.

Преодоление негативных тенденций при проведении эксперт­ного оценивания позволит существенным образом улучшить ка­чественный и количественный анализ результатов экспертизы экономических событий, явлений и процессов.

⇐ Предыдущая46474849505152535455Следующая ⇒

Поделиться: