Вычисления на классификациях. Подбор сотрудников как интерпретация проблемы подбора экспертов
Подбор сотрудников — одна из интерпретаций проблемы подбора экспертов. В основу предлагаемого подхода подбора сотрудников положена модель вычислений на классификациях. Важным аспектом подбора является соответствие уровня знаний и навыков. Подход позволяет уменьшить субъективизм представителя работод...
Gespeichert in:
| Veröffentlicht in: | Электронное моделирование |
|---|---|
| Datum: | 2017 |
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Russian |
| Veröffentlicht: |
Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України
2017
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/127594 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Вычисления на классификациях. Подбор сотрудников как интерпретация проблемы подбора экспертов / Г.А. Кравцов // Электронное моделирование. — 2017. — Т. 39, № 3. — С. 77-87. — Бібліогр.: 6 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-127594 |
|---|---|
| record_format |
dspace |
| spelling |
Кравцов, Г.А. 2017-12-24T09:53:28Z 2017-12-24T09:53:28Z 2017 Вычисления на классификациях. Подбор сотрудников как интерпретация проблемы подбора экспертов / Г.А. Кравцов // Электронное моделирование. — 2017. — Т. 39, № 3. — С. 77-87. — Бібліогр.: 6 назв. — рос. 0204-3572 https://nasplib.isofts.kiev.ua/handle/123456789/127594 004.932 Подбор сотрудников — одна из интерпретаций проблемы подбора экспертов. В основу предлагаемого подхода подбора сотрудников положена модель вычислений на классификациях. Важным аспектом подбора является соответствие уровня знаний и навыков. Подход позволяет уменьшить субъективизм представителя работодателя и дать оценку слабым и сильным сторонам кандидата. К нефункциональным достоинствам подхода можно отнести легкость реализации на любом языке программирования высокого уровня. Підбір співробітників є однією з інтерпретацій проблеми підбору експертів. В основу підходу, що пропонується, закладено модель обчислень на класифікаціях. Важливим аспектом підбору є відповідність за рівнем знань та навиків. Підхід дозволяє зменшити суб’єктивізм представника роботодавця і дати оцінку слабким та сильним сторонам кандидата. Нефункціональними перевагами підходу можна вважати легкість реалізації будь-якою мовою програмування високого рівня. The recruitment is possible interpretation of the expert selection problem. A method of calculus over classification has been used as the mathematical basis. The relevance by knowledge/skill level is very important aspect in recruitment process. The approach permits reducing the subjectivity of recruiter and giving the complete picture of the weak and strong sides of a candidate. Implementation simplicity in any high level programming language belongs to non-functional advantages. ru Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України Электронное моделирование Применение методов и средств моделирования Вычисления на классификациях. Подбор сотрудников как интерпретация проблемы подбора экспертов The calculus over classifications. Selection of personnel as interpretation of the problem of expert selection Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Вычисления на классификациях. Подбор сотрудников как интерпретация проблемы подбора экспертов |
| spellingShingle |
Вычисления на классификациях. Подбор сотрудников как интерпретация проблемы подбора экспертов Кравцов, Г.А. Применение методов и средств моделирования |
| title_short |
Вычисления на классификациях. Подбор сотрудников как интерпретация проблемы подбора экспертов |
| title_full |
Вычисления на классификациях. Подбор сотрудников как интерпретация проблемы подбора экспертов |
| title_fullStr |
Вычисления на классификациях. Подбор сотрудников как интерпретация проблемы подбора экспертов |
| title_full_unstemmed |
Вычисления на классификациях. Подбор сотрудников как интерпретация проблемы подбора экспертов |
| title_sort |
вычисления на классификациях. подбор сотрудников как интерпретация проблемы подбора экспертов |
| author |
Кравцов, Г.А. |
| author_facet |
Кравцов, Г.А. |
| topic |
Применение методов и средств моделирования |
| topic_facet |
Применение методов и средств моделирования |
| publishDate |
2017 |
| language |
Russian |
| container_title |
Электронное моделирование |
| publisher |
Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України |
| format |
Article |
| title_alt |
The calculus over classifications. Selection of personnel as interpretation of the problem of expert selection |
| description |
Подбор сотрудников — одна из интерпретаций проблемы подбора экспертов. В основу предлагаемого подхода подбора сотрудников положена модель вычислений на классификациях. Важным аспектом подбора является соответствие уровня знаний и навыков. Подход позволяет уменьшить субъективизм представителя работодателя и дать оценку слабым и сильным сторонам кандидата. К нефункциональным достоинствам подхода можно отнести легкость реализации на любом языке программирования высокого уровня.
Підбір співробітників є однією з інтерпретацій проблеми підбору експертів. В основу підходу, що пропонується, закладено модель обчислень на класифікаціях. Важливим аспектом підбору є відповідність за рівнем знань та навиків. Підхід дозволяє зменшити суб’єктивізм представника роботодавця і дати оцінку слабким та сильним сторонам кандидата. Нефункціональними перевагами підходу можна вважати легкість реалізації будь-якою мовою програмування високого рівня.
The recruitment is possible interpretation of the expert selection problem. A method of calculus over classification has been used as the mathematical basis. The relevance by knowledge/skill level is very important aspect in recruitment process. The approach permits reducing the subjectivity of recruiter and giving the complete picture of the weak and strong sides of a candidate. Implementation simplicity in any high level programming language belongs to non-functional advantages.
|
| issn |
0204-3572 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/127594 |
| citation_txt |
Вычисления на классификациях. Подбор сотрудников как интерпретация проблемы подбора экспертов / Г.А. Кравцов // Электронное моделирование. — 2017. — Т. 39, № 3. — С. 77-87. — Бібліогр.: 6 назв. — рос. |
| work_keys_str_mv |
AT kravcovga vyčisleniânaklassifikaciâhpodborsotrudnikovkakinterpretaciâproblemypodboraékspertov AT kravcovga thecalculusoverclassificationsselectionofpersonnelasinterpretationoftheproblemofexpertselection |
| first_indexed |
2025-11-27T01:31:21Z |
| last_indexed |
2025-11-27T01:31:21Z |
| _version_ |
1850791083417534464 |
| fulltext |
ÓÄÊ 004.932
Ã.À. Êðàâöîâ, êàíä. òåõí. íàóê
Èí-ò ïðîáëåì ìîäåëèðîâàíèÿ
â ýíåðãåòèêå èì. Ã.Å. Ïóõîâà ÍÀÍ Óêðàèíû
(Óêðàèíà, 03164, Êèåâ, óë. Ãåíåðàëà Íàóìîâà, 15,
e-mail: hryhoriy.kravtsov@gmail.com)
Âû÷èñëåíèÿ íà êëàññèôèêàöèÿõ.
Ïîäáîð ñîòðóäíèêîâ êàê èíòåðïðåòàöèÿ
ïðîáëåìû ïîäáîðà ýêñïåðòîâ
Ïîäáîð ñîòðóäíèêîâ — îäíà èç èíòåðïðåòàöèé ïðîáëåìû ïîäáîðà ýêñïåðòîâ. Â îñíîâó
ïðåäëàãàåìîãî ïîäõîäà ïîäáîðà ñîòðóäíèêîâ ïîëîæåíà ìîäåëü âû÷èñëåíèé íà êëàññèôè-
êàöèÿõ. Âàæíûì àñïåêòîì ïîäáîðà ÿâëÿåòñÿ ñîîòâåòñòâèå óðîâíÿ çíàíèé è íàâûêîâ.
Ïîäõîä ïîçâîëÿåò óìåíüøèòü ñóáúåêòèâèçì ïðåäñòàâèòåëÿ ðàáîòîäàòåëÿ è äàòü îöåíêó
ñëàáûì è ñèëüíûì ñòîðîíàì êàíäèäàòà. Ê íåôóíêöèîíàëüíûì äîñòîèíñòâàì ïîäõîäà
ìîæíî îòíåñòè ëåãêîñòü ðåàëèçàöèè íà ëþáîì ÿçûêå ïðîãðàììèðîâàíèÿ âûñîêîãî óðîâíÿ.
Ê ë þ ÷ å â û å ñ ë î â à: êëàññèôèêàöèÿ, ýêñïåðò, êâàëèôèêàöèÿ, íàâûê, çíàíèå, îöåíêà,
âàêàíñèÿ, ñîîòâåòñòâèå.
ϳäá³ð ñï³âðîá³òíèê³â º îäí³ºþ ç ³íòåðïðåòàö³é ïðîáëåìè ï³äáîðó åêñïåðò³â.  îñíîâó
ï³äõîäó, ùî ïðîïîíóºòüñÿ, çàêëàäåíî ìîäåëü îá÷èñëåíü íà êëàñèô³êàö³ÿõ. Âàæëèâèì
àñïåêòîì ï³äáîðó º â³äïîâ³äí³ñòü çà ð³âíåì çíàíü òà íàâèê³â. ϳäõ³ä äîçâîëÿº çìåíøèòè
ñóá’ºêòèâ³çì ïðåäñòàâíèêà ðîáîòîäàâöÿ ³ äàòè îö³íêó ñëàáêèì òà ñèëüíèì ñòîðîíàì
êàíäèäàòà. Íåôóíêö³îíàëüíèìè ïåðåâàãàìè ï³äõîäó ìîæíà ââàæàòè ëåãê³ñòü ðåàë³çàö³¿
áóäü-ÿêîþ ìîâîþ ïðîãðàìóâàííÿ âèñîêîãî ð³âíÿ.
Ê ë þ ÷ î â ³ ñ ë î â à: êëàñèô³êàö³ÿ, åêñïåðò, êâàë³ô³êàö³ÿ, íàâèê, çíàííÿ, îö³íêà, âàêàíñ³ÿ,
â³äïîâ³äí³ñòü.
Ïîñòàíîâêà çàäà÷è. Ñóòü çàäà÷è ïîäáîðà ýêñïåðòà [1—3] ñëåäóþùàÿ:
åñòü òðåáîâàíèÿ ê êàíäèäàòó è åñòü íåêîòîðîå ìíîæåñòâî êàíäèäàòîâ,
ñðåäè êîòîðûõ íåîáõîäèìî âûáðàòü òàêóþ êàíäèäàòóðó, êîòîðàÿ íàèëó÷-
øèì îáðàçîì óäîâëåòâîðÿåò çàäàííûì òðåáîâàíèÿì.
Äàäèì áîëåå ñòðîãóþ ôîðìóëèðîâêó. Ïóñòü çàäàíà íåêîòîðàÿ êëàññè-
ôèêàöèÿ çíàíèé è íàâûêîâ Ai [4]. Ëþáîé èç íàâûêîâ èëè ëþáîå çíàíèå AI
i
ìîãóò áûòü îöåíåíû â ñîîòâåòñòâèè ñ íåêîòîðîé óïîðÿäî÷åííîé ïî âîçðàñ-
òàíèþ øêàëîé R.
ISSN 0204–3572. Ýëåêòðîí. ìîäåëèðîâàíèå. 2017. Ò. 39. ¹ 3 77
� Ã.À. Êðàâöîâ, 2017
�������������
�
�
��
���
���
�����
�����
Ïóñòü ïðîôèëü èñêîìîãî êàíäèäàòà çàäàí ñîâîêóïíîñòüþ òðîåê
� �A W RI
i
I I, , , ãäå AI
i — êëàññ çíàíèé, êîòîðûé íå ìîæåò áûòü óòî÷íåí
(ëèñò äåðåâà); I — ïóòü óòî÷íåíèÿ êëàññà çíàíèé (íàâûêîâ) â êëàññè-
ôèêàöèè Ai ; WI — âåñîâîé êîýôôèöèåíò âàæíîñòè íàëè÷èÿ ñîîòâåòñò-
âóþùåãî çíàíèÿ (íàâûêà) ó êàíäèäàòà ñ óðîâíåì çíàíèé (íàâûêîâ) RI .
Áóäåì ïîëàãàòü, ÷òî ñîâîêóïíîñòü òðîåêV A W RI
i
I I�� �, , (vacancy) îáëà-
äàåò ìîùíîñòüþ, ðàâíîé ÷èñëó óíèêàëüíûõ êëàññîâ AI
i , ò.å. ñîâîêóïíîñòü
òðîåê íå ñîäåðæèò çàïèñåé, ó êîòîðûõ îäèí è òîò æå êëàññ çíàíèé (íàâû-
êîâ). Ïîòðåáóåì, ÷òîáû äëÿ âåñîâûõ êîýôôèöèåíòîâ âûïîëíÿëîñü óñëîâèå
I
IW� �1, 0 1� �WI .
Ïóñòü ïðîôèëü êàíäèäàòà çàäàí äâîéêîé C A RI
i
I�� �, (candidate), ãäå
AI
i — êëàññ çíàíèé, êîòîðûé íå ìîæåò áûòü óòî÷íåí (ëèñò äåðåâà); I —
ïóòü óòî÷íåíèÿ êëàññà çíàíèé â êëàññèôèêàöèè Ai ; RI — óðîâåíü çíàíèé
(íàâûêîâ) ïî êëàññó AI
i . Ïðèìåì äîïóùåíèå, ÷òî óðîâåíü çíàíèé (íàâûêîâ)
RI ïî êëàññó AI
i åñòü âåëè÷èíà îáúåêòèâíàÿ (îòðàæàþùàÿ ðåàëüíûé óðîâåíü
êâàëèôèêàöèè) áåç íåîáõîäèìîñòè äîêàçàòåëüñòâà. Çàìåòèì, ÷òî ïðè çàäàíèè
ïðîôèëÿ âàêàíñèè è ïðîôèëÿ êàíäèäàòà èñïîëüçóåòñÿ îäíà è òà æå
êëàññèôèêàöèÿ Ai .
Òðåáóåòñÿ îïðåäåëèòü ïîêàçàòåëü ñîîòâåòñòâèÿ S C V( , ) ïðîôèëÿ êàí-
äèäàòà C A RI
i
I�� �, ïðîôèëþ âàêàíñèè V A W RI
i
I I�� �, , òàê, ÷òîáû âû-
ïîëíÿëîñü óñëîâèå 0 1� �S C V( , ) , ãäå S C V( , ) �1 îçíà÷àåò ïîëíîå (íàè-
ëó÷øåå) ñîîòâåòñòâèå ïðîôèëÿ êàíäèäàòà ïðîôèëþ âàêàíñèè.
Äëÿ íåêîòîðîé âàêàíñèè V A W RI
i
I I�� �, , è ìíîæåñòâà êàíäèäàòîâ
C A Rk I
i
I�� �, íåîáõîäèìî íàéòè ðåøåíèå çàäà÷è S C Vk( , ) max� .
Ñîîòâåòñòâèå ïî óðîâíþ çíàíèÿ èëè íàâûêà. Ñîãëàñíî ñòðîãîé
ïîñòàíîâêå çàäà÷è ïðîôèëü âàêàíñèè V A W RI
i
I I�� �, , ñîäåðæèò ïåðå÷åíü
çíàíèé (íàâûêîâ) ñ îæèäàåìûì óðîâíåì RI â ñîîòâåòñòâèè ñ íåêîòîðîé
øêàëîé R. Ïðè ýòîì âûïîëíÿåòñÿ óñëîâèå min ( ) max ( )R R RI� � .
Ðàññìîòðèì âîçìîæíûå âàðèàíòû áëèçîñòè äâóõ óðîâíåé, RI è RY ,
ïðèíàäëåæàùèõ îäíîé è òîé æå øêàëå R, ãäå min ( ) max ( )R R RI� � è
min ( ) max ( )R R RY� � , min ( )R 0.
Íàèïðîñòåéøèì âàðèàíòîì ìîæåò áûòü îòíîøåíèå ðàññòîÿíèÿ ìåæäó
RI è RY ê äëèíå âñåé øêàëû:
S
R R
R R
R
I Y�
1
| |
max ( ) min ( )
. (1)
Î÷åâèäíî, ÷òî ïðè R RI Y� âûðàæåíèå (1) ðàâíî åäèíèöå. Ìèíèìàëüíîå
çíà÷åíèå (1) ïðèíèìàåò, åñëè îòíîøåíèå | |R RI Y
ê max ( ) min ( )R R
ðàâíî
åäèíèöå.  äàííîì ñëó÷àå RI è RY íàõîäÿòñÿ íà êîíöàõ øêàëû R. Íåñìîòðÿ
Ã.À. Êðàâöîâ
78 ISSN 0204–3572. Electronic Modeling. 2017. V. 39. ¹ 3
íà òî, ÷òî âûðàæåíèå (1) îòðàæàåò áëèçîñòü äâóõ îöåíîê â ïðeäåëàõ îäíîé
è òîé æå øêàëû, îíî ìàëîïðèìåíèìî íà ïðàêòèêå. Âûðàæåíèå | |R RI Y
â
÷èñëèòåëå îáåñïå÷èâàåò îäèíàêîâóþ ñòåïåíü ñîîòâåòñòâèÿ, íåñìîòðÿ íà
çíàê ïîä ìîäóëåì, ò.å. ñ ïîìîùüþ (1) íåâîçìîæíî îïðåäåëèòü íåäîñòàòîê
(èçáûòîê) êâàëèôèêàöèè. Ðàññìîòðèì ïðèìåð.
Ïóñòü äëÿ íåêîòîðîãî çíàíèÿ AI
i â ñîîòâåòñòâèè ñî øêàëîé R �{ , , , ,1 2 3 4
5 6 7 8 9, , , , } òðåáóåòñÿ óðîâåíü çíàíèé 6. Íà äàííóþ âàêàíñèþ ïðåòåíäóþò
äâà êàíäèäàòà: ó îäíîãî óðîâåíü êîìïåòåíöèè — 4, ó äðóãîãî — 8. Âîñ-
ïîëüçîâàâøèñü ôîðìóëîé (1), ïîëó÷èì äëÿ ïåðâîãî êàíäèäàòà
S
R R
R R
R
I Y�
�
�
�1 1
6 4
9 1
1
2
8
0 75
| |
max ( ) min ( )
| |
, ,
äëÿ âòîðîãî êàíäèäàòà
S
R R
R R
R
I Y�
�
�
�1 1
6 8
9 1
1
2
8
0 75
| |
max ( ) min ( )
| |
, .
Ïðåäëîæåííàÿ îöåíêà (1) áëèçîñòè óðîâíåé çíàíèé (íàâûêîâ) ÿâëÿåò-
ñÿ íåïðèåìëåìîé. Ïî ýòîé æå ïðè÷èíå ÿâëÿåòñÿ íåïðèåìëåìûì è ìåòîä
ïàðçåíîâñêîãî îêíà [5]. Òàêèì îáðàçîì, î÷åâèäíî, ÷òî ëþáûå ðàñïðåäå-
ëåíèÿ âåëè÷èíû áëèçîñòè îöåíîê, ñèììåòðè÷íûå îòíîñèòåëüíî îæèäàå-
ìîé îöåíêè (ïî âàêàíñèè), áóäóò òàêæå íåïðèåìëåìû.
Êàäðîâîé ïîëèòèêîé ðàáîòîäàòåëÿ ìîæåò áûòü ïðåäóñìîòðåíà ãîòîâ-
íîñòü èíâåñòèðîâàòü â áóäóùåå ðàçâèòèå íàíèìàåìûõ êàíäèäàòîâ íàðÿäó
ñ íåãîòîâíîñòüþ íàíèìàòü êàíäèäàòîâ, èìåþùèõ çíà÷èòåëüíî çàâûøåí-
íûå ïîêàçàòåëè ïî íåêîòîðîìó íàâûêó (çíàíèþ).
Òàêàÿ ïîëèòèêà ìîæåò áûòü åäèíà äëÿ âñåõ âàêàíñèé ðàáîòîäàòåëÿ, íî
íå ñòîèò èñêëþ÷àòü âîçìîæíîñòü îïðåäåëåíèÿ ïîëèòèêè äëÿ êàæäîé âà-
êàíñèè è äàæå äëÿ êàæäîãî çíàíèÿ (íàâûêà) â ïðîôèëå âàêàíñèè. Íà
îñíîâàíèè ýòîãî ïðåäñòàâëåíèå ïîëèòèêè ñðàâíåíèÿ óðîâíÿ çíàíèé (íàâû-
êîâ) äîëæíî áûòü ïðîñòûì è èíòóèòèâíî ïîíÿòíûì.
Ñôîðìèðóåì òðåáîâàíèÿ, êîòîðûì äîëæíà óäîâëåòâîðÿòü ïîëèòèêà
ñîïîñòàâëåíèÿ óðîâíåé çíàíèé.
Òðåáîâàíèå 1. Åñëè óðîâåíü íåêîòîðîãî çíàíèÿ (íàâûêà) ñîãëàñíî òðå-
áîâàíèÿì âàêàíñèè V A W RI
i
I I�� �, , ñîâïàäàåò ñ óðîâíåì ñîîòâåòñòâóþ-
ùåãî çíàíèÿ (íàâûêà) êàíäèäàòà C A RI
i
I�� �, , ò.å. R RI Y� , òî ïîêàçàòåëü
ñîîòâåòñòâèÿ S C V( , ) äîëæåí áûòü ðàâåí åäèíèöå, ò.å. S C V( , ) �1.
Òðåáîâàíèå 2. Åñëè óðîâåíü íåêîòîðîãî çíàíèÿ (íàâûêà) ñîãëàñíî
òðåáîâàíèÿì âàêàíñèè V A W RI
i
I I�� �, , íèæå óðîâíÿ ñîîòâåòñòâóþùåãî
çíàíèÿ (íàâûêà) êàíäèäàòà C A RI
i
I�� �, , ò.å. R RI Y� , òî ïîêàçàòåëü ñîîò-
Âû÷èñëåíèÿ íà êëàññèôèêàöèÿõ. Ïîäáîð ñîòðóäíèêîâ êàê èíòåðïðåòàöèÿ ïðîáëåìû
ISSN 0204–3572. Ýëåêòðîí. ìîäåëèðîâàíèå. 2017. Ò. 39. ¹ 3 79
âåòñòâèÿ S C V( , ) äîëæåí áûòü íåñòðîãî ìåíüøå åäèíèöû, ò.å. S C V( , ) �1,
ïðè óñëîâèè, ÷òî ïðèðàùåíèå S C V( , ) ÿâëÿåòñÿ âåëè÷èíîé íåïîëîæèòåëü-
íîé (îòðèöàòåëüíîé èëè ðàâíîé íóëþ), åñëè R RI Y� .
Òðåáîâàíèå 3. Åñëè óðîâåíü íåêîòîðîãî çíàíèÿ (íàâûêà) ñîãëàñíî
òðåáîâàíèÿì âàêàíñèè V A W RI
i
I I�� �, , âûøå óðîâíÿ ñîîòâåòñòâóþùåãî
çíàíèÿ (íàâûêà) êàíäèäàòà C A RI
i
I�� �, , ò.å. R RI Y� , òî ïîêàçàòåëü ñîîò-
âåòñòâèÿ S C V( , ) äîëæåí áûòü íåñòðîãî ìåíüøå åäèíèöû, ò.å. S C V( , ) �1,
ïðè óñëîâèè, ÷òî ïðèðàùåíèå S C V( , ) ÿâëÿåòñÿ âåëè÷èíîé íåîòðèöàòåëü-
íîé (ïîëîæèòåëüíîé èëè ðàâíîé íóëþ), åñëè R RI Y� .
Òðåáîâàíèå 4. Åñëè øêàëà R ïðåäñòàâèìà ñòðîãî óïîðÿäî÷åííûì íà-
áîðîì èç n îöåíîê, ôóíêöèÿ ñîîòâåòñòâèÿ äîëæíà áûòü ïðåäñòàâèìà â òàá-
ëè÷íîì âèäå, â êîòîðîì ñòàâÿòñÿ â ñîîòâåòñòâèå çíà÷åíèÿ S C V( , ) íà
èíòåðâàëå îò íàèáîëüøåé ïî ìîäóëþ, íî îòðèöàòåëüíîé ïî çíàêó, îøèáêè
äî íàèáîëüøåé ïîëîæèòåëüíîé îøèáêè ìåæäó îæèäàåìûì ñîãëàñíî âà-
êàíñèè óðîâíåì çíàíèé è óðîâíåì çíàíèé êàíäèäàòà ïî âûáðàííîìó çíà-
íèþ (íàâûêó).
Ðàññìîòðèì ïðèìåð. Ïóñòü çàäàíà øêàëà èç øåñòè îöåíîê: Basic, Aver-
age, Intermediate, Advanced, Proficient è Expert . Îæèäàåòñÿ, ÷òî êàíäèäàòû
äîëæíû îáëàäàòü óðîâíåì Advanced. Ñîãëàñíî òðåáîâàíèÿì 1—4 òàáëè÷-
íîå çàäàíèå ôóíêöèè ñîîòâåòñòâèÿ ïðèâåäåíî â òàáë. 1. Ôóíêöèÿ ïðåäñòàâ-
ëåíà â âèäå ãðàôèêà íà ðèñ. 1, ãäå îñü àáñöèññ îòðàæàåò ðàññòîÿíèå îò
óðîâíÿ çíàíèÿ (íàâûêà), ïðåäïèñàííîãî âàêàíñèåé, äî óðîâíÿ ñîîòâåòñò-
Ã.À. Êðàâöîâ
80 ISSN 0204–3572. Electronic Modeling. 2017. V. 39. ¹ 3
Óðîâíü çíàíèÿ
(íàâûêà)
Îòêëîíåíèå
îò îæèäàåìîãî
óðîâíÿ çíàíèé
Ôóíêöèÿ
ñîîòâåñòâèÿ óðîâíÿ
çíàíèé (íàâûêîâ)
Ñîîòâåòñòâèå
çàäàííîé øêàëå
Íèçêèé – 5 0,0
– 4 0,2
– 3 0,3 Basic
– 2 0,8 Average
– 1 0,9 Intermediate
Îæèäàåìûé 0 1,0 Advanced
Çàâûøåííûé 1 1,0 Proficient
2 0,9 Expert
3 0,85
4 0,8
5 0,75
Òàáëèöà 1. Òàáëè÷íîå çàäàíèå ôóíêöèè ñîîòâåòñòâèÿ óðîâíÿ çíàíèÿ
âóþùåãî çíàíèÿ (íàâûêà) èç ïðîôàéëà êàíäèäàòà, ò.å. R RI Y
, ãäå RI —
óðîâåíü çíàíèÿ (íàâûêà), ïðåäïèñàííîãî âàêàíñèåé, RY — óðîâåíü çíàíèÿ
(íàâûêà), óêàçàííûé â ïðîôàéëå êàíäèäàòà; îñü îðäèíàò îòðàæàåò ñòåïåíü
áëèçîñòè îöåíîê óðîâíÿ çíàíèé âàêàíñèè è ïðîôàéëà êàíäèäàòà; ïðÿìî-
óãîëüíèêîì âûäåëåíà çîíà, ïîêðûâàåìàÿ øêàëîé; çàøòðèõîâàííûé ñòîë-
áèê — îæèäàåìûé óðîâåíü çíàíèÿ (íàâûêà) ñîãëàñíî âàêàíñèè.
Âîçíèêàåò âîïðîñ: êàê òðàêòîâàòü ñòåïåíü ñîîòâåòñòâèÿ óðîâíåé çíà-
íèé, ÷òîáû ïðåäñòàâèòåëþ ðàáîòîäàòåëÿ áûëî ëåã÷å ôîðìèðîâàòü ïîëè-
òèêó íàéìà? Ïðåæäå âñåãî, ýòî âåðîÿòíîñòíàÿ èíòåðïðåòàöèÿ: åñëè êàíäè-
äàò âûáèðàåòñÿ òîëüêî ïî îäíîìó çíàíèþ (íàâûêó), òî ôóíêöèÿ ñîîòâåòñò-
âèÿ óðîâíåé óêàçûâàåò íà âåðîÿòíîñòü íàéìà, ò.å. åñëè ó êàíäèäàòà òàêîé
óðîâåíü âûáðàííîãî çíàíèÿ, êàê òðåáóåò âàêàíñèÿ, òî ýòî çíà÷èò, ÷òî îí
ïîäõîäèò äëÿ íàéìà.
Íà ðèñ. 2 ñîãëàñíî òðåáîâàíèÿì 1—4 ïîêàçàíî íåñêîëüêî íåêîððåêòíî
îïðåäåëåííûõ ôóíêöèé ñîîòâåòñòâèÿ ïî óðîâíþ çíàíèÿ (íàâûêà) (áåç
ñîîòíåñåíèÿ ñî øêàëîé).
Ðàññìîòðèì íà ïðèìåðå, êàê ïðåäëîæåííàÿ ôóíêöèÿ ñîîòâåòñòâèÿ
óðîâíÿ çíàíèÿ (íàâûêà) ïðèìåíÿåòñÿ äëÿ íàõîæäåíèÿ ñòåïåíè ñîîòâåòñò-
âèÿ ïðîôèëÿ êàíäèäàòà ïðîôèëþ âàêàíñèè.
Ñîîòâåòñòâèå ïðîôèëÿ êàíäèäàòà ïðîôèëþ âàêàíñèè. Êàê óêàçàíî
âûøå, ïðîôèëü âàêàíñèè çàäàí òðîéêàìè V A W RI
i
I I�� �, , , ãäå AI
i — çíàíèå
(íàâûê) â ñîîòâåòñòâèè ñ êëàññèôèêàöèåé Ai ; RI — óðîâåíü çíàíèÿ (íà-
âûêà) AI
i , ïðåäïèñàííûé âàêàíñèåé (â ñîîòâåòñòâèè ñî øêàëîé R: Basic,
Average, Intermediate, Advanced, Proficient è Expert). Ïðåäñòàâèì ïðîôèëü
âàêàíñèè â âèäå òàáë. 2.
Âû÷èñëåíèÿ íà êëàññèôèêàöèÿõ. Ïîäáîð ñîòðóäíèêîâ êàê èíòåðïðåòàöèÿ ïðîáëåìû
ISSN 0204–3572. Ýëåêòðîí. ìîäåëèðîâàíèå. 2017. Ò. 39. ¹ 3 81
Ðèñ. 1. Ãðàôè÷åñêîå ïðåäñòàâëåíèå ôóíêöèè ñîîòâåòñòâèÿ çíàíèÿ (íàâûêà) ñîãëàñíî òàáë. 1 è
ñîîòíåñåíèå ñ âûáðàííîé øêàëîé
Çàäàäèì ïðîôèëü íåêîòîðîãî êàíäèäàòà. Êàê óêàçàíî âûøå, ïðîôèëü
êàíäèäàòà — ýòî äâîéêà C A RI
i
I�� �, , ãäå AI
i — çíàíèå (íàâûê) â ñîîò-
âåòñòâèè ñ êëàññèôèêàöèåé Ai ; RI — óðîâåíü çíàíèÿ (íàâûêà) AI
i â ñîîò-
âåòñòâèè ñî øêàëîé R: Basic, Average, Intermediate, Advanced, Proficient è
Expert. Ïðåäñòàâèì ïðîôèëü êàíäèäàòà â âèäå òàáë. 3.
Ã.À. Êðàâöîâ
82 ISSN 0204–3572. Electronic Modeling. 2017. V. 39. ¹ 3
Ðèñ. 2. Ïðèìåð íåêîððåêòíî îïðåäåëåííîé ôóíêöèè ñîîòâåòñòâèÿ óðîâíåé çíàíèÿ: à —
ïðîòèâîðå÷èò òðåáîâàíèþ 2 (ñòîëáåö 4 âûøå, ÷åì ñòîëáåö 3); á — ïðîòèâîðå÷èò òðåáî-
âàíèþ 3 (ñòîëáåö –3 âûøå, ÷åì ñòîëáåö –2)
AI
i WI RI
1 0,3 Proficient
2 0,3 Proficient
3 0,25 Intermediate
4 0,15 Average
Òàáëèöà 2. Ïðèìåð òàáëè÷íîãî
çàäàíèÿ ïðîôèëÿ âàêàíñèè
AI
i RI
1 Expert
2 Proficient
3 Average
5 Average
Òàáëèöà 3. Ïðèìåð òàáëè÷íîãî çàäàíèÿ
ïðîôèëÿ êàíäèäàòà
Äëÿ ïîñëåäóþùèõ âû÷èñëåíèé íåîáõîäèìî ïîñòðîèòü ñòðàòåãèþ
ñðàâíåíèÿ óðîâíåé çíàíèé (íàâûêîâ), êîòîðàÿ äîëæíà ó÷èòûâàòü ìåðó
ðàçëè÷èÿ Q A AI
i
Y
i( , ) ìåæäó çíàíèÿìè AI
i â ðàìêàõ êëàññèôèêàöèè Ai [4]. Â
òàáë. 4 ïðèâåäåí ïðèìåð òàáëè÷íîãî ïðåäñòàâëåíèÿ ìåðû îòëè÷èÿ ìåæäó
çíàíèÿìè è íàâûêàìè, êîòîðûå òðåáóþòñÿ âàêàíñèåé, è èìåþùèìèñÿ ó
êàíäèäàòà. Óñå÷åííûì âàðèàíòîì òàáë. 4 ÿâëÿåòñÿ òàáë. 5, ãäå â ñòîëáöàõ
îòðàæåíû çíàíèÿ, êîòîðûìè îáëàäàåò êàíäèäàò, à â ñòðîêàõ — çíàíèÿ,
íåîáõîäèìûå äëÿ âàêàíñèè.
Ñôîðìèðóåì ñòðàòåãèþ ñðàâíåíèÿ ñîãëàñíî ñëåäóþùåìó àëãîðèòìó.
À ë ã î ð è ò ì.
Ø à ã 1. Èçíà÷àëüíî â òàáë. 6 âûäåëèì ñòðîêè è ñòîëáöû, íà ïåðåñå-
÷åíèè êîòîðûõ ñòîèò ìåðà îòëè÷èÿ, ðàâíàÿ íóëþ. Êàê âèäíî èç òàáë. 6,
òîëüêî çíàíèå 4 èç ïðîôèëÿ âàêàíñèè íå ñâÿçàíî íè ñ îäíèì çíàíèåì
(íàâûêîì) èç ïðîôèëÿ êàíäèäàòà. Çíàíèÿ (íàâûêè), ïðèñóòñòâóþùèå è â
ïðîôèëå âàêàíñèè, è â ïðîôèëå êàíäèäàòà, ÿâëÿþòñÿ áåçóñëîâíî ñðàâíè-
ìûìè.  ýòîì ñëó÷àå øàãè 2 è 3 ñëåäóåò ïðîïóñòèòü.
Äëÿ çíàíèé (íàâûêîâ), êîòîðûå íå ÿâëÿþòñÿ áåçóñëîâíî ñðàâíèìûìè,
íåîáõîäèìî âûïîëíèòü ïîèñê «áëèæàéøåãî» çíàíèÿ (íàâûêà), îòðàæàþ-
ùåãî íàèáîëåå ñèëüíóþ ñòîðîíó ñîèñêàòåëÿ. Ýòî çíà÷èò, ÷òî íåîáõîäèìî
âûáðàòü äëÿ ñðàâíåíèÿ òàêîå çíàíèå, êîòîðîå èìååò íàèìåíüøóþ ìåðó
Âû÷èñëåíèÿ íà êëàññèôèêàöèÿõ. Ïîäáîð ñîòðóäíèêîâ êàê èíòåðïðåòàöèÿ ïðîáëåìû
ISSN 0204–3572. Ýëåêòðîí. ìîäåëèðîâàíèå. 2017. Ò. 39. ¹ 3 83
Ïðîôèëü
âàêàíñèè
Ïðîôèëü êàíäèäàòà
Çíàíèå 1 Çíàíèå 2 Çíàíèå 3 Çíàíèå 5
Çíàíèå 1 0 0,25 0,3 0,2
Çíàíèå 2 0,25 0 0,4 0,1
Çíàíèå 3 0,3 0,4 0 0,2
Çíàíèå 4 0,1 0,15 0,1 0,1
Òàáëèöà 5. Òàáëèöà ìåð îòëè÷èÿ, óñå÷åííàÿ â ñîîòâåòñòâèè
ñ ïðîôèëÿìè çíàíèé (íàâûêîâ) âàêàíñèè è êàíäèäàòà
Çíàíèå Çíàíèå 1 Çíàíèå 2 Çíàíèå 3 Çíàíèå 4 Çíàíèå 5
1 0 0,25 0,3 0,1 0,2
2 0,25 0 0,4 0,15 0,1
3 0,3 0,4 0 0,1 0,2
4 0,1 0,15 0,1 0 0,1
5 0,2 0,1 0,2 0,1 0
Òàáëèöà 4. Ïðèìåð òàáëè÷íîãî ïðåäñòàâëåíèÿ ìàòðèöû
ìåðû îòëè÷èÿ ìåæäó çíàíèÿìè (íàâûêàìè)
îòëè÷èÿ. Åñëè íåñêîëüêî çíàíèé (íàâûêîâ) èìåþò îäèíàêîâóþ íàèìåíü-
øóþ ìåðó îòëè÷èÿ îò èñêîìîãî çíàíèÿ (íàâûêà) (êàê â òàáë. 6: çíàíèå 1,
çíàíèå 3, çíàíèå 5 ïî îòíîøåíèþ ê çíàíèþ 4 èìåþò ìåðó îòëè÷èÿ, ðàâíóþ
0,1), òî ïåðåõîäèì ê ñëåäóþùåìó øàãó.
Ø à ã 2. Íà îñíîâàíèè òàáë. 1 ïîñòðîèì òàáëèöó ñîîòâåòñòâèÿ óðîâíåé
çíàíèé (íàâûêîâ) (òàáë. 7). Ó÷òåì ïðè ýòîì, ÷òî âàêàíñèåé ïðåäóñìîòðåí
äëÿ çíàíèÿ 4 óðîâåíü Average (ñì. òàáë. 2).
Ø à ã 3. Ïîñòðîèì ñðàâíèòåëüíóþ òàáëèöó, ãäå â êà÷åñòâå ïðàâèëà
ñðàâíåíèÿ óðîâíåé çíàíèé (íàâûêîâ) âîñïîëüçóåìñÿ òàáë. 7, êàê âîçìîæ-
íûì âàðèàíòîì ôîðìàëèçàöèè ïîëèòèêè íàéìà (òàáë. 8).
Êàê âèäíî èç òàáë. 8, íå èìååò çíà÷åíèÿ, áóäåò âûáðàíî çíàíèå 3 èëè
çíàíèå 5 äëÿ ïîñëåäóþùåãî ðàñ÷åòà ñîîòâåòñòâèÿ ïðîôàéëà êàíäèäàòà
ïðîôàéëó âàêàíñèè, òàê êàê ñêîððåêòèðîâàííîå íà ìåðó îòëè÷èÿ ñîîòâåòñò-
âèå äëÿ óêàçàííûõ çíàíèé ïî îòíîøåíèþ ê çíàíèþ 4 èç âàêàíñèè äëÿ
Ã.À. Êðàâöîâ
84 ISSN 0204–3572. Electronic Modeling. 2017. V. 39. ¹ 3
Ïðîôèëü
âàêàíñèè
Ïðîôèëü êàíäèäàòà
Çíàíèå 1 Çíàíèå 2 Çíàíèå 3 Çíàíèå 5
Çíàíèå 1 0 0,25 0,3 0,2
Çíàíèå 2 0,25 0 0,4 0,1
Çíàíèå 3 0,3 0,4 0 0,2
Çíàíèå 4 0,1 0,15 0,1 0,1
Òàáëèöà 6. Øàã 1 íà óñå÷åííîé òàáëèöå ìåð îòëè÷èÿ
Óðîâåíü çíàíèÿ
(íàâûêà)
Îòêëîíåíèå
îò îæèäàåìîãî óðîâíÿ
çíàíèé
Ôóíêöèÿ ñîîòâåñòâèÿ
óðîâíÿ çíàíèé
Ñîîòâåòñòâèå
çàäàííîé øêàëå
Íèçêèé – 5 0
– 4 0,2
– 3 0,3
– 2 0,8
– 1 0,9 Basic
Îæèäàåìûé 0 1 Average
Çàâûøåííûé 1 1 Intermediate
2 0,9 Advanced
3 0,85 Proficient
4 0,8 Expert
5 0,75
Òàáëèöà 7. Ïðèìåð òàáëè÷íîãî çàäàíèÿ ôóíêöèè ñîîòâåòñòâèÿ óðîâíÿ çíàíèÿ
ñ îæèäàåìûì óðîâíåì Average
îáîèõ ðàâíî 0,9 (ìàêñèìàëüíîå ñêîððåêòèðîâàííîå çíà÷åíèå). Øàãè 2 è 3
ñëåäóåò ïîâòîðèòü äëÿ âñåõ çíàíèé (íàâûêîâ), êîòîðûå ÿâëÿþòñÿ óñëîâíî
ñðàâíèìûìè ïî ðåçóëüòàòàì âûïîëíåíèÿ øàãà 1.
Ø à ã 4. Ñîñòàâèì ñëåäóþùóþ òàáëèöó ðàñ÷åòà ÷àñòíîãî ñîîòâåòñòâèÿ
P êàæäîìó çíàíèþ (íàâûêó) èç ïðîôèëÿ êàíäèäàòà (òàáë. 9). ×àñòíîå ñîîò-
âåòñòâèå çíàíèþ (íàâûêó) îïðåäåëÿåòñÿ ïî ôîðìóëå
P Q A A S R R WI I
i
Y
i
I Y I�
( ( , )) ( , ))1 . (2)
Ø à ã 5. Èíòåãðàëüíàÿ îöåíêà ñîîòâåòñòâèÿ S C V( , ) îïðåäåëÿåòñÿ êàê
ñóììà ÷àñòíûõ ñîîòâåòñòâèé (2) íà âñåì ìíîæåñòâå AI
i :
S C V P
I
I( , ) � � . (3)
Î÷åâèäíî, ÷òî äëÿ (3) âûïîëíÿåòñÿ óñëîâèå S C V W
I
I( , ) � � , S C V( , ) �1.
Òàêèì îáðàçîì, èíòåãðàëüíàÿ îöåíêà ñîîòâåòñòâèÿ ïðîôèëÿ êàíäèäàòà
(ñì. òàáë. 3) ïðîôèëþ âàêàíñèè (ñì. òàáë. 2) ïðè ñòðàòåãèè íàéìà (ñì. òàáë. 1)
áóäåò 0,3 + 0,3 + 0,25 + 0,135 = 0,985. Ïðè íàëè÷èè ìíîæåñòâà êàíäèäàòîâ
êàæäîìó èç íèõ ìîæåò áûòü ïîñòàâëåí ïîêàçàòåëü ñîîòâåòñòâèÿ S C Vi( , ),
ãäå C i — íåêîòîðûé êàíäèäàò èç ìíîæåñòâà ñîèñêàòåëåé. Ýòî ïîçâîëÿåò
Âû÷èñëåíèÿ íà êëàññèôèêàöèÿõ. Ïîäáîð ñîòðóäíèêîâ êàê èíòåðïðåòàöèÿ ïðîáëåìû
ISSN 0204–3572. Ýëåêòðîí. ìîäåëèðîâàíèå. 2017. Ò. 39. ¹ 3 85
AY
i êàíäèäàòà RY êàíäèäàòà
Ïðîôèëü âàêàíñèè AY
i = çíàíèå 4, RI = Average
Q A AI
i
Y
i( , ) S R RI Y( , )
Ñêîððåêòèðîâàííîå ñîîòâåòñòâèå,
( ( , ) ( , )1
Q A A S R RI
i
Y
i
I Y
Çíàíèå 1 Expert 0,1 0,8 (1 – 0,1) 0,8 = 0,72
Çíàíèå 3 Average 0,1 1 (1 – 0,1) 1,0 = 0,9
Çíàíèå 5 Average 0,1 1 (1 – 0,1) 1,0 = 0,9
Òàáëèöà 8. Âûáîð ñîîòâåòñòâèÿ çíàíèé (íàâûêîâ)
AI
i ïî
âàêàíñèè
RI ïî
âàêàíñèè
AY
i
êàíäèäàòà
RY
êàíäèäàòà
Q A AI
i
Y
i( , ) S R RI Y( , ) WI ïî
âàêàíñèè
PI ïî
âàêàíñèè
Çíàíèå 1 Expert Çíàíèå 1 Expert 0 1 0,3 0,3
Çíàíèå 2 Proficient Çíàíèå 2 Proficient 0 1 0,3 0,3
Çíàíèå 3 Average Çíàíèå 3 Average 0 1 0,25 0,25
Çíàíèå 4 Average Çíàíèå 3 Average 0,1 1 0,15 0,135
Òàáëèöà 9. Ðàñ÷åò ÷àñòíîãî ñîîòâåòñòâèÿ P
I
çíàíèé (íàâûêîâ)
óïîðÿäî÷èòü êàíäèäàòîâ ñîãëàñíî ñîîòâåòñòâèþ ïðîôèëåé êàíäèäàòîâ C i
ïðîôèëþ âàêàíñèè V. Â ñèòóàöèè, êîãäà äâà è áîëåå êàíäèäàòîâ (ìíî-
æåñòâî íàèëó÷øåãî âûáîðà) íàáèðàþò îäèíàêîâóþ ìàêñèìàëüíóþ îöåíêó
S C Vi( , ), ñëåäóåò âîñïîëüçîâàòüñÿ ïîäõîäîì, ðàçðåøàþùèì ïðîáëåìó
ïðîêëÿòèÿ ðàçìåðíîñòè [6], à èìåííî èç òàáë. 9 óäàëÿòü ñòðîêè, íà÷èíàÿ ñî
ñòðîê ñ ìàêñèìàëüíîé ìåðîé îòëè÷èÿ êëàññîâ, ïåðåñ÷èòûâàÿ òîëüêî êàí-
äèäàòîâ èç ìíîæåñòâà íàèëó÷øåãî âûáîðà.
Âûâîäû
Ïðåäëîæåííûé ïîäõîä ê ïîèñêó ñîòðóäíèêà ïîçâîëÿåò ñâåñòè óêàçàííóþ
çàäà÷ó ê àääèòèâíîé ôóíêöèè âçâåøåííûõ ñîïîñòàâëåíèé çíàíèé (íàâû-
êîâ). Ïîäõîä ëåãêî ðåàëèçóåòñÿ â âèäå ïðîãðàììû.
ÑÏÈÑÎÊ ËÈÒÅÐÀÒÓÐÛ
1. Gordon Welty. Some Problems of Selecting Delphi Experts for Educational Planning and
Forecasting Exercises // California Journal of Educational Research. — 1973. — Vol. 24,
No. 3. — Ð. 129—134.
2. Fang H., Zhai C. Probabilistic Models for Expert Finding. In: Amati G., Carpineto C.,
Romano G. (eds). Advances in Information Retrieval. ECIR 2007. Lecture Notes in Com-
puter Science. Vol 4425. Springer, Berlin, Heidelberg.
3. Òîöåíêî Â.Ã. Ìåòîäû è ñèñòåìû ïîääåðæêè ïðèíÿòèÿ ðåøåíèé. Àëãîðèòìè÷åñêèé
àñïåêò. — Êèåâ: Íàóê. äóìêà. — 2002. — 382 ñ.
4. Êðàâöîâ Ã. Ìîäåëü âû÷èñëåíèé íà êëàññèôèêàöèÿõ // Ýëåêòðîí. ìîäåëèðîâàíèå.—
2016. — 38, ¹ 1. — Ñ. 73—87.
5. Ôëàõ Ï. Ìàøèííîå îáó÷åíèå. Íàóêà è èñêóññòâî ïîñòðîåíèÿ àëãîðèòìîâ, êîòîðûå
èçâëåêàþò çíàíèÿ èç äàííûõ.— Ì.: ÄÌÊ Ïðåññ. — 2015. — 400 ñ.
6. Warren B. Powell. Approximate Dynamic Programming: Solving the Curses of Dimen-
sionality // Wiley. — 2011. — 656 c.
Ïîñòóïèëà 06.02.17
REFERENCES
1. Gordon, Welty (1973), “Some problems of selecting Delphi experts for educational planning
and forecasting exercises”, California Journal of Educational Research, Vol. 24, no. 3,
pp. 129-134.
2. Fang, H. and Zhai, C. (2007), Probabilistic models for expert finding, eds G. Amati, C. Car-
pineto, G. Romano, Advances in Information Retrieval. ECIR 2007. Lecture Notes in Com-
puter Science, Vol 4425, Springer, Berlin, Heidelberg, Germany.
3. Totsenko, V. (2002), Metody i sistemy podderzhki prinyatiya resheniy. Algoritmicheskiy as-
pect [Methods and systems of decision making support. Algorithmic aspect], Naukova dumka,
Kiev, Ukraine.
4. Kravtsov, H.A. (2016), “Model of computations on classifications”, Elektronnoe modeli-
rovanie, Vol. 38, no. 1, pp. 73-87.
Ã.À. Êðàâöîâ
86 ISSN 0204–3572. Electronic Modeling. 2017. V. 39. ¹ 3
5. Flakh, P. (2015), Mashinnoe obuchenie. Nauka i iskusstvo postroyeniya algoritmov, kotorye
izvlekayut znaniya iz dannykh [Machine learning: The art and science of algorithms that derive
knowledge of data], DMK Press, Moscow, Russia.
6. Warren, B. Powell (2011), Approximate dynamic programming: Solving the curses of dimen-
sionality, Wiley.
Received 06.02.17
H.A. Kravtsov
THE CALCULUS OVER CLASSIFICATIONS. SELECTION OF PERSONNEL
AS INTERPRETATION OF THE PROBLEM OF EXPERT SELECTION
The recruitment is possible interpretation of the expert selection problem. A method of calculus
over classification has been used as the mathematical basis. The relevance by knowledge/skill
level is very important aspect in recruitment process. The approach permits reducing the subjec-
tivity of recruiter and giving the complete picture of the weak and strong sides of a candidate. Im-
plementation simplicity in any high level programming language belongs to non-functional ad-
vantages.
K e y w o r d s: classification, expert, qualification, habit, knowledge, estimation, vacancy, ac-
cordance.
ÊÐÀÂÖÎÂ Ãðèãîðèé Àëåêñååâè÷, êàíä. òåõí. íàóê, äîêòîðàíò Èí-òà ïðîáëåì ìîäåëèðîâàíèÿ â
ýíåðãåòèêå èì. Ã.Å. Ïóõîâà ÍÀÍ Óêðàèíû.  2000 ã. îêîí÷èë Ñåâàñòîïîëüñêèé âîåííî-ìîðñêîé
èí-ò èì. Ï.Ñ. Íàõèìîâà. Îáëàñòü íàó÷íûõ èññëåäîâàíèé — êèáåðáåçîïàñíîñòü ñìàðò-ãðèä,
êðèïòîãðàôèÿ, ïðîãðàììèðîâàíèå, ðàçðàáîòêà ðàñïðåäåëåííûõ ãåòåðîãåííûõ âû÷èñëèòåëü-
íûõ ñèñòåì.
Âû÷èñëåíèÿ íà êëàññèôèêàöèÿõ. Ïîäáîð ñîòðóäíèêîâ êàê èíòåðïðåòàöèÿ ïðîáëåìû
ISSN 0204–3572. Ýëåêòðîí. ìîäåëèðîâàíèå. 2017. Ò. 39. ¹ 3 87
|