Ростов-на-Дону, Ростовская область, Россия
Россия
Россия
Россия
ВАК 2.3.4 Управление в организационных системах
УДК 004.93 Распознавание и преобразование образов
УДК 622 Горное дело
УДК 004.8 Искусственный интеллект
ГРНТИ 28.23 Искусственный интеллект
ОКСО 09.00.00 Информатика и вычислительная техника
ББК 1 ОБЩЕЕ И МЕЖДИСЦИПЛИНАРНОЕ ЗНАНИЕ
ТБК 51 Информатика. Вычислительная техника
BISAC COM014000 Computer Science
BISAC COM044000 Neural Networks
BISAC COM079000 Social Aspects
В настоящем издании представлены результаты обзора теоретических концепций и практических подходов по проектированию сложных аналитическо-рекомендательных систем на основе алгоритмов искусственного интеллекта (ИИ), использующих биометрические данные и показатели психофизического состояния в качестве надежных предикторов успешности профессиональной деятельности. Актуальность исследования обусловлена необходимостью минимизации кадровых рисков, снижения уровня профессионального выгорания и обеспечения максимальной синергии между когнитивным потенциалом личности и требованиями конкретной профессии. Монография предназначена для научных и педагогических работников, аспирантов, магистрантов и инженеров, специализирующихся в области искусственного интеллекта.
Искуственный интеллект, "цифровой двойник", профессиональная ориентация, нейродинамические свойства нервной системы, психофизический профиль, рынок труда, Индустрия 4.0, человеческий капитал, трудовые ресурсы, цифровая трансформация
1. Barrick, M. R., & Mount, M. K. (1991). The Big Five personality dimensions and job performance: A meta-analysis. [Personnel Psychology]. Мета-анализ корреляции черт личности и профессиональной успешности.
2. Boston Consulting Group (BCG). (2020). Fixing the Global Skills Mis-match. Исследование макроэкономических потерь от неверного распределения кадров.
3. Boyatzis, R. E. (2008). Competencies in the 21st century. [Journal of Management Development]. Современный взгляд на структуру компетенций, необходимых для успеха.
4. Brusilovsky, P. (2001). Adaptive Hypermedia. [User Modeling and User-Adapted Interaction]. Классическая работа по созданию адаптивных систем обучения под нужды пользователя.
5. European Commission. Ethics Guidelines for Trustworthy AI (2019). (Руководство по созданию «доверенного ИИ»).
6. Krumm, A., et al. (2018). Learning Analytics Goes to School: A Collabora-tive Approach to Improving Education. [Routledge]. О внедрении систем анализа данных в реальную школьную практику.
7. Lumsden, J., Edwards, E. A., Lawrence, N. S., et al. (2016). Gamification of Cognitive Assessment and Cognitive Training: A Systematic Review. [JMIR Serious Games]. Обзор эффективности геймификации в психологической диагностике.
8. Marcus, G., & Davis, E. (2019). Rebooting AI: Building Artificial Intelligence We Can Trust. Pantheon. – Критика «черного ящика» и призыв к внедрению знаний о человеческой природе в ИИ.
9. McKinsey Global Institute (2023). Generative AI and the future of work in America. – Анализ влияния генеративного ИИ на производительность и структуру занятости.
10. O*NET OnLine. [U.S. Department of Labor, onetonline.org]. Крупнейшая мировая база данных характеристик профессий и навыков (международный эталон).
11. O’Neil, C. (2016). Weapons of Math Destruction. Crown. – О рисках использования алгоритмов, не имеющих под собой глубокой научной и этической основы.
12. Peters, A. S., et al. (2000). A framework for planning individualized educa-tion. [Academic Medicine]. Методологические основы планирования индивидуального образования.
13. Picard, R. W. (1997). Affective Computing. MIT Press. – Фундаментальная работа по интерпретации биосигналов для ИИ.
14. Scalise, K., & Clarke-Midura, J. (2018). The Practice of Assessment in Games, Simulations and Virtual Worlds. [International Journal of Games-Based Learning]. О методах сбора диагностических данных в симуля-циях.
15. Scientific Articles (Sensors/IEEE): Canarioto, M., et al. (2021). "Stress Detection Using Wearable Sensors and Machine Learning". В статье подробно разбирается, как данные о пульсе и электродермальной активности используются ИИ для классификации состояний стресса. Доступ на MDPI Sensors.
16. Selwyn, N. (2019). What is Digital Sociology? [Polity]. Контекст влияния цифровых технологий на жизнь и профессиональный выбор челове-ка.
17. Shute, V. J. (2011). Stealth assessment in computer-based games to support learning. [Computer Games and Instruction]. Ключевая работа о концеп-ции «скрытого оценивания».
18. Turban, E., Sharda, R., & Delen, D. (2014). Decision Support and Business Intelligence Systems. Pearson Education. – Подробный разбор архитектуры современных интеллектуальных систем.
19. UNESCO (2019). Artificial Intelligence in Education: Challenges and Opportunities for Sustainable Development. Доклад о роли ИИ в персонализации обучения и профориентации.
20. Данилова Н. Н. (2012). Психофизиология: Учебник для вузов. – Базовый источник по теории нейродинамических свойств.
21. Ефремов, И. О., и др. (2022). Цифровой след как инструмент оценки гибких навыков. Информатика и образование. – Пример отечественного исследования в области цифровой профориентации.
