Povratne informacije(povratne informacije) - informacije koje zaposlenik prima o tome kako menad?er percipira i ocjenjuje njegove postupke.

Za?to su potrebne povratne informacije:

1. Uz njegovu pomo?, menad?er upravlja aktivnostima svojih podre?enih, odnosno podsti?e ?eljeno pona?anje i ograni?ava ne?eljeno. Pohvaliv?i zaposlenog, on time potvr?uje ispravnost svojih postupaka, uskla?enost sa planom i idejama menad?era. Ako je potrebno promijeniti radnje podre?enog, menad?er daje korektivne povratne informacije. Time se posti?e glavna stvar - osiguravanje djelotvornosti radnji podre?enih.
2. Povratna informacija obavlja nastavnu funkciju. Omogu?ava zaposleniku da sazna ?ta se od njega o?ekuje, koji su kriterijumi za vrednovanje njegovog rada i koliko njegovi postupci odgovaraju ispravnoj tehnologiji obavljanja posla.
3. Obavlja motiviraju?u funkciju. Menad?er hvali, ohrabruje zaposlenog i priznaje njegova postignu?a, stvaraju?i time motivaciju za dalji rad. Uz pomo? korektivnih povratnih informacija, menad?er stvara ?elju da ispravi situaciju.
4. Pru?anje detaljne povratne informacije je manifestacija pa?nje prema zaposleniku od strane menad?era, ?to blagotvorno uti?e na odnos ljudi koji rade zajedno.

Dakle, povratna informacija je najva?nija komponenta takvih procesa upravljanja kao ?to su kontrola, mentorstvo, motivacija i ima najmo?niji potencijal kao oru?e menad?erskog uticaja. Da bi se ovaj potencijal ostvario, moraju biti ispunjeni sljede?i uslovi. Povratna informacija bi trebala biti:

1. Specifi?no. Menad?er ne treba da generalizuje i donosi globalne zaklju?ke kao ?to su: "Uvek kasni? na posao", bolje re?i . U povratnoj informaciji potrebno je operirati konkretnim ?injenicama, a ne op?im sudovima.
2. O akcijama, ne o li?nosti. Prihvatljiva izjava "Kasni? 15 minuta danas", ali ne "ti si nedisciplinirana osoba". Radnja se mo?e ispraviti, ali se lik ne mo?e ispraviti. Dakle, osoba je spremna da prihvati informaciju o akciji, ali nije spremna da se slo?i da je neka druga osoba, te ?e se braniti i raspravljati.
3. Pravovremeno. Povratnu informaciju treba dati odmah nakon pona?anja koje ?elite ohrabriti ili promijeniti. Ovo se jo? naziva i "pravilo vru?e pe?i" (ako ga dodirnete, opekotina se javlja odmah, a ne kasnije).
4. Razvojni. Jedan od zadataka povratne sprege je razvijanje sposobnosti zaposlenika da se samoanalizira, samostalno isti?e svoje uspjehe i nedostatke i ispravno traga za njihovim uzrocima. Da bi to u?inio, menad?er koristi otvorene, poma?u?i samom podre?enom da formulira ispravne zaklju?ke o svom radu. Zaklju?ci koji se donose samostalno se prihvataju i pamte mnogo bolje od onih koje je izgovorila druga osoba.
5. Prilago?eno. Svi ljudi se razlikuju po stepenu osjetljivosti na kritiku i spremnosti za samorazvoj. Menad?er treba da prilagodi svoju povratnu informaciju nivou razumijevanja svojih podre?enih: nemojte davati puno korektivnih informacija odjednom ako je osoba u stanju razumjeti i implementirati samo dio.

Postoji nekoliko modela za strukturiranje povratnih informacija, od kojih su naj?e??e kori?teni sljede?i:

1. "Pravilo sendvi?a" Povratne informacije se pru?aju u skladu sa strukturom “Pozitivno – Korektivno – Pozitivno”. Takva struktura je neophodna za one zaposlenike koji mo?da nisu emocionalno spremni da prihvate potrebu da prilagode svoje postupke. Kako bi se sprije?ilo da zaposlenik zauzme defanzivnu poziciju u komunikaciji s menad?erom, povratna informacija po?inje i zavr?ava pozitivnim aspektima u njegovim aktivnostima (postignu?a, uspjesi, prednosti).

...U jednoj od kompanija supervizor je imao te?ak, nepristrasan razgovor sa prodajnim predstavnikom o neuvjerljivoj dinamici ispunjavanja planiranih zadataka. Na kraju razgovora, iznenada se sjetiv?i „pravila sendvi?a“, supervizor je spustio glas i rekao: „Pa, generalno, super ste, kupci u maloprodajnim objektima govore dobro o vama. I?i na posao". Na ?ta je prodajni predstavnik, odlaze?i, ?alosno primijetio: „Ujka Fjodore, sendvi? ti nekako nije u redu...“

1. BOFF model (Pona?anje – Ishod – Osje?aji – Budu?nost), u ruskoj verziji BCBB-a (Pona?anje – Rezultat – Osje?aji – Budu?nost). Prvo, menad?er opisuje pona?anje zaposlenog i rezultat do kojeg je to pona?anje dovelo. Nadalje, on poja?ava emocionalni utjecaj spominjanjem osje?aja koje on (ili kolege zaposlenika, sam zaposlenik, druge osobe) osje?aju u vezi s tim. Povratna informacija zavr?ava opisom ?eljenog pona?anja koje zaposlenik mora pokazati u budu?nosti. Model se koristi ako menad?er sumnja da ?e redovna povratna informacija biti efikasna za odre?enog zaposlenog.
2. SOR model (Standard – Opservacija – Rezultat, Standard – Opservacija – Rezultat). Dizajniran da usmjeri zaposlenika na ispravnu tehnologiju djelovanja. Menad?er prvo podsje?a zaposlenog na postoje?e radnje u kompaniji, zatim sa zaposlenim razgovara o njegovim zapa?anjima o njegovom pona?anju, dolazi do razumijevanja zaposlenika o rezultatima do kojih njegovo pona?anje mo?e dovesti, te posti?e spremnost zaposlenika da se pridr?ava u budu?nosti. .

Osim sposobnosti da date povratnu informaciju, morate i sami nau?iti i nau?iti svoje podre?ene da je ispravno prihvate. Da biste to u?inili, va?no je slijediti nekoliko pravila:

1. Kada primate povratnu informaciju, nemojte se pravdati i izbjegavajte da se branite.
2. Postavljajte pitanja radi jasno?e, tra?ite primjere pona?anja, sumirajte primljene informacije i dobijte potvrdu da ste ih ispravno razumjeli.
3. Hvala vam za va?e povratne informacije.
4. Napravite akcioni plan ?ta i kako mo?ete pobolj?ati.

U oblasti robe ?iroke potro?nje, tradicionalno se velika pa?nja posve?uje po?tovanju pravila od strane menad?era za davanje i primanje povratnih informacija, ?to se mo?e ugraditi u niz drugih procesa. Na primjer, jedna od funkcija sastanka je sumiranje, tj. pru?anje povratnih informacija timu, koje tako?er treba provesti uzimaju?i u obzir gore opisana pravila. To zna?i da tokom sastanka mora operisati konkretnim, relevantnim brojkama i ?injenicama (pravila „specifi?nosti“, „pravovremenosti“), po?eti od pozitivnih stvari i postignu?a tima (pravilo „sendvi?a“) i fokusirati se na ono ?to treba pobolj?ati danas (pravilo „prilagodljivosti“). Istovremeno, nikada ne treba da „kritizira” pojedine podre?ene u prisustvu drugih, odnosno mora hvaliti u javnosti i kritikovati jednog po jednog.

Nazad napred

Pa?nja! Pregledi slajdova slu?e samo u informativne svrhe i mo?da ne predstavljaju sve karakteristike prezentacije. Ako ste zainteresovani za ovaj rad, preuzmite punu verziju.

Ciljevi ?asa: po?etno upoznavanje, razvoj i osvje?tavanje teorijskih modela i koncepata, identifikacija i analiza zna?ajnih i stabilnih veza i odnosa izme?u objekata i procesa, analiziranje sistema odnosa u ?ivoj prirodi i tehni?kim sistemima iz perspektive upravljanja, identifikovanje direktnih i povratnih informacija mehanizama u jednostavnim situacijama.

Tokom nastave

Prezentacija

Ra?unarstvo je polje ljudske aktivnosti povezano sa procesima pretvaranja informacija pomo?u ra?unara i njihovom interakcijom sa okru?enjem aplikacije.

?esto postoji zabuna izme?u pojmova „ra?unarske nauke“ i „kibernetike“. Poku?ajmo objasniti njihove sli?nosti i razlike.

Glavni koncept koji je postavio N. Wiener u kibernetici povezan je sa razvojem teorije upravljanja slo?enim dinami?kim sistemima u razli?itim oblastima ljudske aktivnosti. Kibernetika postoji bez obzira na prisustvo ili odsustvo kompjutera.

Kibernetika je nauka o op?tim principima upravljanja u razli?itim sistemima: tehni?kim, biolo?kim, dru?tvenim itd.

Ra?unarstvo se bavi prou?avanjem procesa transformacije i stvaranja novih informacija ?ire, prakti?no bez rje?avanja problema upravljanja raznim objektima, poput kibernetike. Stoga se mo?e ste?i utisak da je informatika ve?a disciplina od kibernetike. Me?utim, s druge strane, informatika se ne bavi rje?avanjem problema koji nisu vezani uz kori?tenje kompjuterske tehnologije, ?to nesumnjivo su?ava njenu naizgled op?tu prirodu. Nije mogu?e povu?i jasnu granicu izme?u ove dvije discipline zbog njene nejasno?e i neizvjesnosti, iako je prili?no ra?ireno mi?ljenje da je informatika jedna od oblasti kibernetike.

Informatika je nastala zahvaljuju?i razvoju ra?unarske tehnologije, zasnovana je na njoj i potpuno je nezamisliva bez nje. S druge strane, kibernetika se razvija sama, grade?i razli?ite modele upravljanja objektima, iako vrlo aktivno koristi sva dostignu?a kompjuterske tehnologije. Kibernetika i ra?unarstvo, spolja vrlo sli?ne discipline, najvjerovatnije se razlikuju po svom naglasku:

• u ra?unarstvu – o svojstvima informacija i hardvera i softvera za njihovu obradu;
• u kibernetici - o razvoju koncepata i konstrukciji modela objekata koriste?i, posebno, informacioni pristup.

Vitalna aktivnost bilo kojeg organizma ili normalno funkcioniranje tehni?kog ure?aja povezana je s procesima upravljanja. Procesi upravljanja uklju?uju primanje, pohranjivanje, transformaciju i prijenos informacija.

U svakodnevnom ?ivotu se vrlo ?esto susre?emo sa procesima upravljanja:

• pilot upravlja avionom, a u tome mu poma?e automatski ure?aj – autopilot;
• direktor i njegovi zamjenici rukovode proizvodnjom, a nastavnik obrazovanjem u?enika;
• procesor osigurava sinhroni rad svih ra?unarskih ?vorova, svaki od njegovih vanjskih ure?aja kontrolira poseban kontroler;
• Bez dirigenta, veliki orkestar ne mo?e skladno izvesti muzi?ko djelo
• Hokeja?ki ili ko?arka?ki tim mora imati jednog ili vi?e trenera koji organizuju pripreme sportista za takmi?enja.

Upravljanje je svrsishodna interakcija objekata, od kojih su neki menad?eri, a drugima se upravlja. Modeli koji opisuju procese upravljanja informacijama u slo?enim sistemima nazivaju se informacionim modelima procesa upravljanja. U svakom upravlja?kom procesu uvijek postoji interakcija izme?u dva objekta – menad?erskog i kontroliranog, koji su povezani direktnim (slika 1) i povratnim kanalima (slika 2). Upravlja?ki signali se prenose direktnim komunikacijskim kanalom, a informacije o stanju kontroliranog objekta prenose se putem povratnog kanala.

Sistemi koji se prou?avaju u kibernetici mogu biti veoma slo?eni, uklju?uju?i mnoge objekte koji me?usobno djeluju. Me?utim, da biste razumjeli osnovne koncepte teorije, mo?ete se sna?i s najjednostavnijim takvim sistemom, koji sadr?i samo dva objekta - menad?era i izvr?nog (upravljanog). Primjer bi bio, na primjer, sistem koji se sastoji od semafora i automobila (otvorena petlja), policajca i automobila (zatvorena petlja).

U najjednostavnijem slu?aju, kontrolni objekat ?alje svoje komande izvr?nom objektu, ne uzimaju?i u obzir njegovo stanje. U ovom slu?aju, udari se prenose samo u jednom smjeru, takav sistem se naziva otvoren.

Sistemi otvorene petlje su sve vrste informativnih plo?a na ?eljezni?kim stanicama i aerodromima koje kontroliraju kretanje putnika. Moderni programabilni ku?ni aparati tako?e se mogu uvrstiti u klasu sistema koji se razmatraju.

U pravilu, opisana shema upravljanja nije vrlo efikasna i radi normalno samo dok se ne pojave ekstremni uvjeti. Tako kod velikih tokova saobra?aja nastaju gu?ve, na aerodromima i ?eljezni?kim stanicama moraju se otvarati dodatne infopulte, mo?e do?i do pregrijavanja u mikrovalnoj pe?nici ako je program neispravan, itd. itd.

Napredniji sistemi upravljanja prate performanse upravljanog sistema. U takvim sistemima se dodatno pojavljuje jo? jedan tok informacija - od kontrolnog objekta do upravlja?kog sistema; obi?no se zove povratna informacija. Kroz kanal povratne sprege se prenose informacije o stanju objekta i stepenu ostvarenja (ili, obrnuto, nepostizanja) cilja kontrole.

U slu?aju kada kontrolni objekat putem povratnog kanala prima informacije o stvarnom polo?aju kontrolisanog objekta i vr?i potrebna kretanja putem direktnog upravlja?kog kanala, sistem upravljanja se naziva zatvoreno.

Glavni princip upravljanja u zatvorenom sistemu je izdavanje upravlja?kih komandi u zavisnosti od primljenih povratnih signala. U takvom sistemu, objekat upravljanja nastoji da nadoknadi svako odstupanje kontrolisanog objekta od stanja predvi?enog ciljevima upravljanja.

Povratna informacija, u kojoj kontrolni signal nastoji smanjiti (kompenzirati) odstupanje od odre?ene odr?avane vrijednosti, obi?no se naziva negativnom, ako je pove?ana, naziva se pozitivnom.

U zavisnosti od stepena ljudskog u?e??a u procesu upravljanja, kontrolni sistemi se dele u tri klase:

• automatski,
• neautomatski,
• automatizovano.

U sistemima automatskog upravljanja svi procesi povezani sa dobijanjem informacija o stanju kontrolisanog objekta, obradom ovih informacija, generisanjem kontrolnih signala itd., odvijaju se automatski u skladu sa zatvorenim upravlja?kim krugom prikazanim na slici 2. Takvi sistemi ne zahtijevaju direktno ljudsko u?e??e. Sistemi automatskog upravljanja koriste se na svemirskim satelitima, u industrijama opasnim po zdravlje ljudi, u tkala?koj i ljevaonici, u pekarama, u kontinuiranoj proizvodnji, na primjer, u proizvodnji mikro krugova itd.

U neautomatskim sistemima upravljanja, osoba sama procjenjuje stanje kontrolnog objekta i na osnovu te procjene djeluje na njega. S takvim sistemima se stalno susre?ete u ?koli i kod ku?e. Dirigent upravlja orkestrom koji izvodi muzi?ko djelo. Nastavnik na ?asu upravlja razredom tokom procesa u?enja.

U automatizovanim sistemima upravljanja, prikupljanje i obrada informacija potrebnih za razvoj kontrolnih radnji vr?i se automatski, uz pomo? opreme i ra?unarske tehnologije, a kontrolne odluke donosi osoba. Na primjer, radnik na ma?ini za rezanje metala instalira je i uklju?uje, ostali procesi se obavljaju automatski. Automatski sistem za prodaju ?eljezni?kih ili avio karata, metro karata s popustom radi pod kontrolom osobe koja tra?i potrebne informacije sa ra?unara i na osnovu njih donosi odluku o prodaji.

Tematski diktat.

1. Ko je, gdje i kada proglasio ro?enje nove nauke vezane za razvoj teorije menad?menta?
2. ?ta je menad?ment?
3. Nacrtajte dijagram procesa upravljanja bez povratne informacije, navedite primjere.
4. Nacrtajte dijagram procesa upravljanja povratnom spregom i navedite primjere.
5. ?ta je povratna informacija?
6. Vrste povratnih informacija.
7. Navedite tri klase procesa upravljanja.

Doma?i zadatak: ?itanka za 9. razred. Ra?unarstvo i IKT (osnovni kurs). Autor Semakin I.G. § 25, 26.

TEMA 2.2: OSNOVE MATEMATI?KOG MODELIRANJA SISTEMA

2.1. Mjesto matemati?kog modeliranja u sistemskim istra?ivanjima........................................................ .......1

............................................................................... 5

1. Dinami?ki modeli.................................................. ................................................................ ............ 5

2. modeli sa povratnom informacijom.................................................. ........................................................ ... 6

3. Optimizacijski modeli.................................................. ........................................................ 6

4.Modeli makrokinetike transformacije supstanci i energetskih tokova.................................. 7

5. Statisti?ki modeli.................................................................. ........................................................ ... 7

7. simulacijsko modeliranje.................................................. ................................................... 8

2.3. Proces konstruisanja matemati?kog modela........................................................ ........................ ...................10

Faza 2. Konceptualna formulacija.................................................. ........................................ 13

Faza 3. Kvalitativna analiza.................................................. ........................................................ 13

Faza 4. Konstrukcija matemati?kog modela ........................................ ........................ 13

Faza 5. Razvoj kompjuterskih programa.................................................. ........................ 15

Faza 6. Analiza i interpretacija rezultata simulacije......................................... 15

2.4. Struktura modeliranja incidenata u tehnosferi........................................................ ......... ...16

2.4.2. Konceptualni prikaz problema ................................................. ........................ 16

2.4.3. Verifikacija i kvalitativna analiza semanti?kog modela ................................. 17

2.4.4. Matemati?ka formulacija i izbor metode za rje?avanje zadatka 17

2.1. Mjesto matemati?kog modeliranja u sistemskim istra?ivanjima

Iz onoga ?to smo ranije govorili, trebalo bi nam biti jasno da analiza sistema nije posebna metoda. To je strategija nau?nog istra?ivanja koja koristi matemati?ke koncepte i matemati?ki aparat u okviru sistematskog nau?nog pristupa rje?avanju slo?enih problema. U ovom slu?aju, na ovaj ili onaj na?in, identifikuje se niz uzastopnih, me?usobno povezanih faza (slika 1. Razmatranje samog sistema (tj. fenomena, procesa, objekta) i modela je uvek povezano sa pojednostavljenjem. Glavni problem ovdje je identifikacija onih karakteristika koje su bitne za potrebe razmatranja. Do danas su razvijeni mnogi uspje?ni modeli, na primjer:

Model kona?nih elemenata za rje?avanje razli?itih primijenjenih problema (statika, dinamika, ?vrsto?a konstrukcije, dinamika ljuske itd.);

Genetski kod;

Prethodno smo identificirali dvije glavne vrste modela: materijalni (modeli, fizi?ki modeli, skalirani modeli, itd.) i idealni (verbalni, simboli?ki).

Prilikom izgradnje modela procesa u tehnosferi mora se pribje?i i tzv intuitivno (“nenau?ne”) modele, i to semanti?ki (semanti?ki).

Ispod intuitivno modeliranje podrazumijevaju modeliranje kori?tenjem reprezentacije objekta koja nije opravdana sa stanovi?ta formalne logike. Ova ideja mo?da ne?e biti podlo?na, te?ko je formalizirati, ili mo?da uop?e nije potrebna. Osoba provodi takvo modeliranje u svom umu u obliku misaonih eksperimenata, scenarija i situacija u igri kako bi se pripremila za nadolaze?e prakti?ne akcije. Osnova za takve modele je iskustvo – znanje i vje?tine ljudi, kao i svako empirijsko znanje dobijeno eksperimentom ili procesom posmatranja bez obja?njenja uzroka i mehanizma posmatranog fenomena.

Semanti?ko modeliranje , za razliku od intuitivnog, logi?ki se opravdava odre?enim brojem po?etnih pretpostavki. Ove pretpostavke ?esto imaju oblik hipoteza. Semanti?ko modeliranje pretpostavlja poznavanje unutra?njih mehanizama neke pojave. Metode semanti?kog modeliranja uklju?uju verbalno (verbalno) i grafi?ko modeliranje (vidi sliku 2).

Semioti?ko ili znakovno modeliranje je, za razliku od semanti?kog, najformalizovaniji, jer koristi ne samo rije?i prirodnog jezika i slike, ve? i razne simbole - slova, brojeve, hijeroglife, note. Nakon toga, svi se kombinuju koriste?i posebna pravila. Ova vrsta modeliranja uklju?uje matemati?ko modeliranje.

Ikoni?ni modeli uklju?uju hemijske i nuklearne formule, grafikone, dijagrame, grafikone, crte?e, topografske karte itd. Me?u ikoni?kim modelima izdvaja se njihova najvi?a klasa – matemati?ki modeli, tj. modeli koji su opisani jezikom matematike.

Matemati?ki model (MM) je opis toka procesa, opis stanja ili promjene stanja sistema na jeziku algoritamskih radnji s matemati?kim formulama i logi?kim prijelazima.

Osim toga, MM omogu?ava rad sa tabelama, grafikonima, nomogramima i biranje iz skupa procedura i elemenata (potonji podrazumijeva kori?tenje operacija preferencije, djelomi?nog reda, uklju?ivanja, utvr?ivanja pripadnosti itd.).

Razli?ita matemati?ka pravila za manipulisanje vezama sistema omogu?avaju predvi?anje promena koje se mogu desiti u sistemima koji se prou?avaju kada se promene njihove komponente.

Slo?enost formiranja matemati?kog modela povezana je sa potrebom ovladavanja matemati?kim metodama i predmetnim znanjima, tj. znanja iz oblasti za koju se model kreira. U stvarnosti, specijalistu iz ove prakti?ne oblasti ?esto nedostaju matemati?ko znanje, informacije o modeliranju uop?te, a za slo?ene probleme i znanje o sistemskoj analizi. S druge strane, primijenjenom matemati?aru je te?ko da dobro razumije predmetnu oblast.

Treba napomenuti da je podjela modela na verbalne i ?ivotne simboli?ke u odre?enoj mjeri proizvoljna. Dakle, postoje mje?oviti tipovi modela, recimo, koji koriste i verbalne i simboli?ke konstrukcije. Mo?e se ?ak tvrditi da nema modela znaka bez popratnog deskriptivnog – uostalom, svi znakovi i simboli moraju biti obja?njeni rije?ima. ?esto, dodeljivanje modela bilo kojoj vrsti nije trivijalno.

Op?i i specifi?ni modeli. Sve vrste modela moraju biti popunjene informacijama koje odgovaraju kori?tenim silama, rasporedima i op?im konceptima prije nego ?to se primjene na odre?eni sistem. Punjenje informacijama je u ve?oj mjeri karakteristi?no za ikoni?ke modele, au manjoj mjeri za one u punoj mjeri. Dakle, za matemati?ki model, to su istaknute (umjesto slova) vrijednosti fizi?kih veli?ina koeficijenata i parametara; specifi?ne vrste funkcija, odre?ene sekvence akcija, strukturni grafovi. Model ispunjen informacijama obi?no se naziva konkretnim, smislenim.

Model bez punjenja informacijama do nivoa korespondencije sa jednim realnim sistemom naziva se op?ti (teorijski apstraktan, sistemski).

Dakle, u procesu dekompozicije koristimo koncept formalnog modela. Ovo se odnosi na sve vrste modela, uklju?uju?i i matemati?ke.

Da bismo razumeli mesto matemati?kog modela, razmotrimo sam proces formiranja nau?nog znanja. Uobi?ajeno je da se nauke podele u dve grupe.

a) ta?an – (radije, termin „ta?an“ je zasnovan na uverenju da su obrasci koji se otkrivaju apsolutno ta?ni);

b) deskriptivna.

Egzaktne nauke– imaju sredstva da sa prakti?ki dovoljnom ta?no??u predvide razvoj procesa koje neka nauka prou?ava tokom dovoljno dugog (opet iz prakti?nih razloga) vremenskog perioda, ili da sasvim ta?no predvide svojstva i odnose objekata koji se prou?avaju na osnovu nekih djelimi?ne informacije o njima.

Deskriptivne nauke- u su?tini spisak ?injenica o objektima i procesima koje prou?avaju, ponekad nepovezanih, ponekad povezanih od strane nekih visoka kvaliteta odnosa, kao i ponekad rasutih kvantitativnih (obi?no empirijskih veza). Egzaktne nauke uklju?uju matematiku i fizi?ke nauke. Ostale nauke su, u ve?oj ili manjoj mjeri, deskriptivne.

Me?utim, u starom Egiptu ?ak se ni matematika nije mogla u potpunosti klasificirati kao egzaktna znanost (dakle, geometrija je predstavljena kao "zbirka recepata", na primjer, izra?unavanje povr?ine kruga kao 3/4 povr?ine opisani kvadrat).

Razvoj nauke ide paralelnim putevima (“kanalima”). Razli?iti kanali po?inju u razli?ito vrijeme, ali kada po?nu, nastavljaju se.

1) akumulacija informacija o objektima prou?avanja; (nau?na akumulacija informacija se razlikuje od spontane akumulacije svrhovitosti);

2) proces organizovanja informacija – klasifikacija objekata (razlika od „naivne“, „potro?a?ke“ klasifikacije – cilj: dati analizu, dakle manje subjektivnosti) -> su u stalnom odnosu (proces identifikacije), tj. svaki novi objekat se analizira: da li pripada ve? uspostavljenim klasifikacionim grupama, ili ukazuje na potrebu da se ponovo izgradi klasifikacioni sistem;

3) uspostavljanje veza i odnosa (kvalitativnih ili kvantitativnih) izme?u objekata. Ove veze se otkrivaju kao rezultat stalne analize akumuliranih i organizovanih informacija.

Ova tri kanala karakteri?u „deskriptivni“ period razvoja nauke , koji mo?e trajati veoma dugo. Primjer je razvoj mehanike i geometrije.

Prelazak na egzaktnu nauku zna?i poku?aje konstruisanja matemati?kog modeliranja procesa. Ali matemati?ki model se mo?e izgraditi na nekim kvantitativno striktno definiranim vrijednostima. Dakle, postoje dvije neophodne faze matemati?kog modeliranja:

4) utvr?ivanje vrednosti;

5) uspostavljanje veze.

Mo?e se navesti sljede?i primjer: zakone statike formulirao je Arhimed, Aristotel je uveo pojam sile, brzine, puta. Ali za to je trebalo oko 2000 godina (!) uspostaviti odnose izme?u koli?ina. Pojava mehanike kao egzaktne nauke postala je mogu?a kada je Njutn shvatio da silu treba povezati sa ubrzanjem, a ne brzinom, kao ?to su ranije poku?avali.

Problemi matemati?kog modeliranja sami po sebi imaju svoju slo?enu strukturu. Model koji opisuje ?iroku klasu pojava (na primjer, matemati?ki model mehani?kih kretanja - Newtonovi zakoni) podijeljen je na odre?ene klase matemati?kih modela: mehanika ta?ke, sistem materijalnih ta?aka, neprekidni medij, ?vrsto tijelo -> jo? konkretniji modeli, na primjer, elasti?no tijelo, itd. na najni?em nivou – MM specifi?nih procesa.

Obi?no se proces izgradnje modela ?esto provodi ne deduktivno, ve? odozdo prema gore.

2.2. Vrste i vrste matemati?kih modela

U okviru ovog predmeta nemogu?e je razmotriti sve vrste matemati?kih modela. Pogledajmo neke od njih.

1. Dinami?ki modeli.

Dinami?ki modeli su po?eli da se razvijaju u velikoj meri zahvaljuju?i razvoju ra?unarske tehnologije, jer su povezani sa potrebom re?avanja velikog broja (stotine) nivoa u kratkom vremenskom periodu. Ove jedna?ine su manje-vi?e slo?eni matemati?ki opisi na?ina na koji prou?avani sistem funkcioni?e i date su u obliku izraza za „nivoe“ razli?itih tipova, ?ija je „brzina“ promene regulisana kontrolnim funkcijama. Jedna?ine za nivoe opisuju akumulaciju u sistemu, na primjer, koli?ina kao ?to su te?ina, koli?ina energije, broj organizama, a jedna?ine za stope kontroliraju promjenu ovih nivoa tokom vremena. Kontrolne funkcije odra?avaju pravila koja reguli?u funkcionisanje sistema. ?esto se koriste dinami?ki modeli jedna?ine kontinuiteta - odnos izme?u protoka varijable u i iz nekog dijela sistema sa stopom promjene ove varijable.

Balans modeli predstavljaju simulirani objekat kao skup odre?enih tokova materije i energije, ?ija se ravnote?a izra?unava u svakom koraku modeliranja. Oni su vrsta dinami?kih modela. Trenutno su ovi modeli postali vrlo ra?ireni zbog svoje jasno?e i relativno jednostavne implementacije. Me?utim, njihova upotreba je mogu?a samo pri rje?avanju op?ih metodolo?kih pitanja: ravnote?u kojih supstanci je najva?nije uzeti u obzir; koliko je izvodljivo detaljno pratiti tokove date supstance; kako izraziti promjenu re?ima, transformaciju supstanci, itd.

Ptra?i ravnote?u. Ovaj pristup se zasniva na postulatu da svaki veliki sistem mo?e imati stanje ravnote?e. Na primjer, u ekonomskim sistemima jeste balans izme?u ponude i potra?nje (prema N.D. Kondratievu - ovo je ravnote?a "1. reda"), ravnote?a u strukturi cijena (ravnote?a 2. reda), ravnote?a osnovnih kapitalnih dobara” - industrijski proizvodi, strukture, stru?na radna snaga, tehnologije, energenti itd. (ravnote?a 3. reda).

U ekologiji se mo?e smatrati ravnote?om izme?u odre?enog broja grabe?ljivaca i njihovog plijena, izme?u zaga?enja okoli?a i njegove sposobnosti samoizlje?enja.

Pronala?enje ravnote?e je veoma va?no za prou?avanje ekonomskih i ekolo?kih sistema. U ovom slu?aju potrebno je razlikovati dinami?ku i stati?ku ravnote?u.

Dinami?ka („pokretna”) ravnote?a uklju?uje kontinuiranu razmjenu materije i energije izme?u sistema materije i energija koju sistem apsorbuje i osloba?a su iste.

U dinami?koj ravnote?i odr?ava se korespondencija izme?u dijelova sistema ?ije se sve dimenzije istovremeno mijenjaju.

Stati?ka ravnote?a zna?i odr?avanje iste uskla?enosti sa nepromijenjenim veli?inama (vrijednostima) dijelova sistema i sistema u cjelini.

Tra?enje ravnote?e mo?e se ilustrovati na primjeru odre?ivanja stanja zasi?enosti tr?i?ta. U tu svrhu predlo?ena je jedna?ina

Gdje X- koli?ina robe, t - vrijeme, A, P– konstante.

Ova funkcija je opisana "krivuljom raspadanja". Pokazalo se da opisuje niz dru?tvenih i ekonomskih procesa, na primjer, zasi?enje tr?i?ta knjigama iz posebnih disciplina i sl., ako su uvjeti kao npr.

Neophodnost robe,

Konzistentnost cijena;

Nema ?pekulativne preprodaje;

Svaki kupac kupuje jednaku koli?inu;

Nema ponovne kupovine proizvoda.

Naravno, ovo je prili?no primitivna jednad?ba koja ne odgovara mobilnoj i dinami?koj ravnote?i. Da bi se izgradili adekvatniji modeli sa ravnote?om, potrebno je koristiti povratne informacije.

2. mobu?en sa povratnim informacijama.

Ako pri sastavljanju modela poku?amo da uzmemo u obzir unutra?nju strukturu i odmaknemo se od modela “crne kutije” i neke parametre („inpute”) u?inimo zavisnim od drugih („izlazi”), dobijamo model sa povratnom spregom. :

Ako je rezultat manji od standardnog, tada se zbog regulacije ?alje signal koji pove?ava intenzitet ulaza. Ako je ve?i od standardnog, ?alje se signal koji smanjuje ulazni intenzitet. Povratna informacija je pozitivna ako sve ve?i rezultati pove?avaju intenzitet inputa i negativna ako pove?anje rezultata slabi intenzitet ulaza.

U slo?enim sistemima mo?e se identifikovati nekoliko povratnih petlji povezanih serijski i paralelno, tj. slo?eni sistemi su vi?estruki.

3. Optimizacijski modeli

Optimizacijski modeli pokrivaju modele ?iji ?e matemati?ki aparat omogu?iti rje?avanje problema optimalnog upravljanja modeliranim objektom. Koriste se za rje?avanje ekonomskih, tehni?kih problema, problema interakcije prirode i dru?tva. Njihova konstrukcija se zasniva na upotrebi metoda matemati?kog programiranja (linearnog, nelinearnog i dinami?kog programiranja) u prou?avanju sistema opisanih diferencijalnim jedna?inama. Drugi primjer optimizacijskih modela su modeli izgra?eni kori?tenjem teorije igara. U op?tem slu?aju, oni tako?e ne isklju?uju probabilisti?ki pristup.

4. Modeli makrokinetike transformacije supstanci i energetskih tokova.

Ovi modeli uklju?uju modele za predvi?anje zona nekontrolisanog ?irenja energetskih tokova i ?tetnih materija, predvi?anje koncentracije ?tetnih materija u tehnosferi. Sli?ni modeli se tako?er koriste za modeliranje vodenih ekosistema i distribucije zaga?iva?a zraka. Radi se o modelima ?iji su matemati?ki aparat difuzijske jedna?ine. Upotreba ovih modela ograni?ena je, prije svega, potrebom da se prilikom njihove konstruisanja napravi niz pretpostavki, koje su uglavnom neta?ne u realnim situacijama (npr. pretpostavka da nema utjecaja ne?isto?a na brzinu protoka vode, iako je u realnim uslovima u rijekama i jezerima kretanje vode ?esto uzrokovano, naime, razlikama u zamu?enosti), Drugo, postoje ?isto matemati?ke pote?ko?e u rje?avanju sistema parcijalnih diferencijalnih jedna?ina, kao ?to su jedna?ine difuzije. Na primjer, te?ak problem izbora koraka modeliranja (integracije) sa zna?ajno razli?itim karakteristi?nim vremenima promjene parametara sistema.

5. Statisti?ki modeli

Statisti?ki modeli zna?e da je proces koji se prou?ava slu?ajan i da se prou?ava statisti?kim metodama, posebno takozvanim Monte Carlo metodama. Potonji se najuspje?nije koriste kada su informacije o odgovaraju?im objektima nepotpune. Postoji mi?ljenje da su statisti?ki modeli efikasni upravo u ovim uslovima. Ovdje se postavlja pitanje koliko detaljnih informacija o objektu treba uzeti u obzir u modelu i u kojoj situaciji mo?emo govoriti o nedostatku informacija. Prilikom konstruisanja i kori??enja statisti?kih modela javljaju se slede?i problemi: prvo, potreban je obiman ?injeni?ni prirodni materijal da bi se omogu?ila njegova ispravna statisti?ka obrada; drugo, uspostavljene zavisnosti; istina za jedan sistem ne?e uvijek biti istinita za drugi Na primjer, u ekologiji, promjena jednog ekosistema* u drugi (na primjer, promjena sukcesije) ne mo?e uvijek biti prenesena prethodnim modelom.

Prilikom modeliranja procesa u tehnosferi potrebno je ne samo utvrditi koli?inu ?tete i zahva?ena podru?ja, ve? i vjerovatno?u odre?ene ?tete. To se mo?e vidjeti iz same strukture formule rizika:

(Rizik) = (vjerovatno?a doga?aja)? (zna?aj doga?aja).

Pored toga, utvr?ivanje same prirode opasnog dejstva ?tetnih materija ili destruktivnog dejstva energetskih tokova povezano je sa potrebom da se uzme u obzir veliki broj faktora i parametara, neki od njih treba da odra?avaju specifi?nosti ?tetnih emisija, drugi - sastav i karakteristike ljudskih, materijalnih i prirodnih resursa koji odre?uju njihovu postojanost u odnosu na odgovaraju?e uticaje. ?tavi?e, broj tako zna?ajnih faktora je velik, oni imaju razli?ite smjerove i nedeterministi?ke su prirode. Ovdje je, dakle, potrebno koristiti do sada prikupljene statisti?ke podatke.

Ovi modeli se koriste, kao ?to naziv implicira, za prou?avanje posebnih slu?ajeva interakcije izme?u populacija nekoliko vrsta. Koriste?i ove modele, koji koriste i jedna?ine kontinuiteta, do?lo se do niza zanimljivih zaklju?aka. Me?utim, interakcija dva, tri ili ?ak vi?e tipova koji se implementiraju u takve modele ne iscrpljuje dinamiku objekata okoli?a, stoga takvi modeli imaju prakti?ni zna?aj i nisu univerzalni.

Prilikom modeliranja slo?enih sistema, oni se dijele na podsisteme i stoga se njihov matemati?ki model pojavljuje kao odre?eni kompleks podmodela; Za svaku od njih mo?e se koristiti druga?iji matemati?ki aparat. U ovom slu?aju nastaju problemi u povezivanju takvih podmodela. Iako su to prili?no slo?ena pitanja, ona se uspje?no rje?avaju.

7. simulacijsko modeliranje.

Po?nimo gledati simulacijsko modeliranje s jednostavnim primjerom. Neka je model neka diferencijalna jednad?ba. Hajde da to rije?imo na dva na?ina.

U prvom ?emo dobiti analiti?ko rje?enje, programirati prona?eni skup formula i izra?unati na ra?unaru niz opcija koje nas zanimaju.

U drugom ?emo koristiti jednu od metoda numeri?kog rje?enja i za iste opcije pratit ?emo promjene u sistemu od po?etne do zadate krajnje ta?ke.

Koja je metoda bolja i sa kojih pozicija? Ako je pisanje analiti?kog rje?enja slo?eno i uklju?uje operacije izra?unavanja integrala, onda ?e slo?enost obje metode biti prili?no uporediva. Postoji li fundamentalna razlika izme?u ove dvije metode? ?ini se da 1. metoda ima odre?ene prednosti ?ak i kod glomaznog analiti?kog rje?enja (preciznost, lako?a programiranja). Ali obratimo pa?nju na ?injenicu da je u prvoj metodi rje?enje na krajnjoj to?ki je dato kao funkcija ishodi?ta i konstantnih koeficijenata diferencijalne jednad?be. U drugom, morate ga prona?i ponovite put kojim sistem ide od po?etne do krajnje ta?ke. Ra?unar reprodukuje i simulira napredak procesa, omogu?avaju?i vam da u bilo kom trenutku saznate i, ako je potrebno, snimite njegove trenutne karakteristike, kao ?to su integralna kriva i derivati.

Do?li smo do koncepta simulacijsko modeliranje . Ali da bismo bolje razumjeli zna?enje ovog pojma, razmotrimo ga u odnosu na podru?je u kojem je nastao – u sistemima sa slu?ajnim utjecajima i procesima. Za ovakve sisteme u ….-X godine, po?eli su da simuliraju na kompjuteru korak po korak tok procesa tokom vremena uz unos nasumi?nih radnji u pravom trenutku. Istovremeno, reprodukcija toka takvog procesa u sistemu nekada je u?inila malo. Ali ponovljeno ponavljanje sa razli?itim uticajima ve? je dalo istra?iva?u dobru orijentaciju u ukupnoj slici, omogu?ilo mu da izvu?e zaklju?ke i da preporuke za pobolj?anje sistema.

Metoda se po?ela ?iriti na klase sistema, gdje je potrebno uzeti u obzir najve?u mogu?u raznolikost po?etnih podataka, promjenu vrijednosti unutra?njih parametara sistema, multivarijantne re?ime rada, izbor upravljanja u odsustvu jasnog cilja itd. Uobi?ajena je posebna organizacija simulacije pona?anja sistema i ponovljeno obnavljanje procesa prema modifikovanim scenarijima.

Sada definirajmo simulacijsko modeliranje.

Svrha ovog tipa modeliranja je da se dobije predstava o mogu?im granicama ili tipovima pona?anja sistema, uticaju kontrola, slu?ajnih uticaja, promena u strukturi i drugih faktora na njega.

Va?na karakteristika simulacionog modeliranja je pogodno uklju?ivanje osobe, njenog znanja, iskustva i intuicije u proceduru istra?ivanja modela. Ovo se radi izme?u pojedina?nih simulacija pona?anja sistema ili serije simulacija. ?ovek vara scenario imitacija , ?to je va?na karika u ovoj vrsti modeliranja. Istra?iva? je taj koji na osnovu rezultata simulacija formira slede?e tipove, interpretira primljene informacije, efikasno razume sistem i kre?e se u njegovom prou?avanju ka postavljenom cilju. Istina, treba napomenuti da kompjuter mo?e kontrolisati i postupak vi?estruke intuicije. Me?utim, njen najkorisniji primjer je i dalje u kombinaciji s operativnim stru?nim pregledom i evaluacijom pojedina?nih simulacija.

Zna?ajna uloga ?ovjeka u simulacijskom modeliranju ?ak nam omogu?ava da govorimo o odre?enoj suprotnosti izme?u metoda ?isto matemati?kog modeliranja i simulacije. Objasnimo ovo primjerima. Hajde da imamo problem optimizacije koji re?avamo na ra?unaru koriste?i neki programirani algoritam. U brojnim slo?enim situacijama, algoritam se mo?e zaustaviti ili zaglaviti daleko od optimalnog rje?enja. Ako uzmemo u obzir cijeli put rje?enja, korak po korak, njime ?e upravljati istra?iva?, to ?e omogu?iti da se ispravljanjem i ponovnim radom algoritma postigne zadovoljavaju?e rje?enje. Uzmimo drugi primjer iz oblasti sistema sa slu?ajnim utjecajima. Potonji mogu imati tako „lo?a“ vjerovatno?a svojstva da je matemati?ka procjena njihovog uticaja na sistem prakti?no nemogu?a. Zatim istra?iva? zapo?inje ma?inske eksperimente sa razli?itim tipovima ovih radnji i postepeno dobija barem neku sliku o njihovim efektima na sistem.

Me?utim, bilo bi metodolo?ki neto?no suprotstaviti simulacijsko modeliranje i matemati?ko modeliranje op?enito. Ispravnije je postaviti pitanje njihove uspje?ne kombinacije. Stoga je rigorozno rje?avanje matemati?kih problema, po pravilu, sastavni dio simulacionog modela. S druge strane, istra?ivanje je izuzetno rijetko zadovoljno jednokratnim rje?enjem datog matemati?kog problema. Obi?no nastoji rije?iti najbli?e probleme kako bi odredio “osjetljivost” rje?enja, jednad?be sa alternativnim opcijama za specificiranje po?etnih podataka, a to nije ni?ta drugo do elementi simulacije.

Postoji jo? jedan dobar razlog za ?iroku upotrebu simulacijskih modela.

Prednost prethodno navedenih matemati?kih modela (optimizacijski, balansni, statisti?ki itd.) je postojanje razvijenog matemati?kog aparata, a problemi i pote?ko?e le?e u ispunjavanju pretpostavki koje name?e kori?tenje ovog aparata prilikom formalizacije dostupnih informacija. Drugi problem treba smatrati nedostatkom informacija. S tim u vezi, treba napomenuti da je postoje?i matemati?ki aparat uglavnom stvoren za rje?avanje specifi?nih problema klasi?ne fizike 19. i po?etka 20. stolje?a. Brzi razvoj prirodnih nauka u 20. veku. predstavio niz novih zahtjeva, koji su doveli do stvaranja modernih grana matematike, grupisanih oko kibernetike.

Shodno tome, glavni problemi kori??enja pomenutih metoda modeliranja u istra?ivanju bezbednosti i ekologiji povezani su sa nepripremljeno??u matemati?kog aparata za prou?avanje novih sistema. Stoga, kada se razvija novi aparat i u matematici, ponekad se ide od predmeta ka teoriji, a ne obrnuto. Metoda upravo odgovara ovom pristupu simulacijsko matemati?ko modeliranje. Ovdje mo?emo dati jo? jednu definiciju simulacijskog modeliranja, karakteriziraju?i ga s druge strane:

Odnosno, simulacijski model je potpuni formalizirani opis u kompjuteru fenomena koji se prou?ava na rubu na?eg razumijevanja. Rije?i “na rubu na?eg razumijevanja” zna?e da se u procesu simulacije uzro?no-posljedi?ne veze ne moraju pratiti “do posljednjeg eksera”. Da bi se napravio model, dovoljno je poznavati samo vanjsku stranu bilo koje veze poput: „ako je A, onda IN". Za izgradnju modela nije toliko va?no za?to se doga?aj dogodio U: bilo kao rezultat nekih promjena u ravnote?i tvari, ili iz drugih razloga. Zna?ajno je da se to dogodilo nakon doga?aja L. To omogu?ava efikasnije kori?tenje tradicionalnih znanja o Zemlji, ?to je bilo nemogu?e kada se poku?avaju uzeti u obzir sve uzro?no-posljedi?ne veze.

U procesu simulacijskog modeliranja, u nedostatku informacija o funkcionalnim vezama elemenata sistema, potrebno je ?iru upotrebu prekida?i stanja logi?kog modela , koji u odre?enoj mjeri odra?avaju ove veze. Osim toga, preporu?ljivo je podijeliti model u zasebne blokove, koji sami po sebi mogu biti nezavisni modeli, a principi konstrukcije i matemati?ki aparat u svakom bloku mogu biti razli?iti. Na primjer, jedan blok je probabilisti?ki model, drugi je balansni model.

U ovim uslovima, matemati?ki aparat igra podre?enu ulogu. Zahteva mnogo vi?e pa?nje sadr?aj modeliranja, preliminarna tipizacija, strukturiranje prou?avanih objekata .

Opravdanje za izvo?enje simulacijskog modeliranja je masovnost i stohasti?nost rezultata funkcionisanja sistema koji se prou?ava. U vezi sa modeliranjem procesa u tehnosferi mo?emo re?i sljede?e:

1) zgodno je posmatrati izvo?enje ve?ine tehnolo?kih operacija u vidu procesa funkcionisanja sistema ?ovek-ma?ina; u ovom slu?aju, uspje?an ili neuspje?an zavr?etak bilo kojeg od njih treba smatrati slu?ajnim ishodom;

2) kada se posmatra konkretan proizvodni zahvat, koji se vi?e puta izvodi na razli?itim industrijskim, energetskim i transportnim objektima, mo?e se konstatovati masovnost ovih radova.

Dakle, kada se analizira sigurnost tehnosfere, simulacijsko modeliranje je opravdano i prikladno.

Mo?e se re?i i to simulacijsko modeliranje je jedan od oblika dijaloga izme?u osobe i kompjutera i dramati?no pove?ava efikasnost prou?avanja sistema. Posebno je neophodan kada je nemogu?a striktna formulacija matemati?kog problema (korisno je isprobati razli?ite formulacije), ne postoji matemati?ka metoda za rje?avanje problema (mo?ete koristiti simulaciju za ciljano nabrajanje), a postoji zna?ajna slo?enost samog problema. kompletan model (treba opona?ati pona?anje dekompozicionih dijelova). Kona?no, simulacija se koristi i u slu?ajevima kada je nemogu?e implementirati matemati?ki model zbog nedostatka kvalifikacija istra?iva?a.

Pored termina “simulacijsko modeliranje”, u literaturi se koristi izraz “ma?insko modeliranje”. Ima veoma ?iroko zna?enje - od sinonima za imitaciju do indikacije da se ra?unar koristi u istra?ivanju u neke svrhe. Me?utim, neki autori primje?uju na?e mi?ljenje da je najlogi?nija upotreba ovog koncepta u slu?ajevima kada se manipulacije modelom u cijelosti ili gotovo u potpunosti obavljaju kompjuterskom tehnologijom i ne zahtijevaju ljudsko sudjelovanje.

2.3. Pproces konstruisanja matemati?kog modela

Proces izgradnje matemati?kog modela nije strogo formaliziran (zavisi od istra?iva?a, njegovog iskustva, talenta, baziran je na odre?enom eksperimentalnom materijalu (fenomenolo?ka osnova modeliranja, sadr?i pretpostavke, a odlu?uju?u ulogu ima i intuicija).

Postoje tri glavne faze u razvoju modela:

Izgradnja modela;

Probni rad sa modelom;

Prilago?avanje i modifikacija modela na osnovu rezultata probnog rada.

Savremeno matemati?ko modeliranje nezamislivo je bez upotrebe kompjuterske tehnologije (numeri?ko modeliranje, numeri?ki eksperiment).

?ematski, proces kreiranja matemati?kog modela mo?e se podijeliti u sljede?e faze, koje odra?avaju stepen interakcije izme?u ?ovjeka i kompjutera:

1) uspostavljanje mogu?ih oblika veza (osoba);

2) izrada varijante matemati?kog modeliranja (ljudskog):

Definicija ulaznih i izlaznih varijabli;

Uvo?enje pretpostavki;

Postavljanje granica;

Formiranje matemati?kih zavisnosti;

3) rje?avanje problema modela (ma?ina);

4) pore?enje rezultata re?enja sa akumuliranim informacijama, identifikacija nedoslednosti (ma?ina, osoba);

5) analizu mogu?ih uzroka neusagla?enosti (lice);

6) izrada nove verzije modela (osoba).

Prilikom modeliranja procesa u tehnosferi, kako tokom normalnog funkcionisanja ?ovjek-ma?inskih sistema, tako iu vanrednim situacijama, mora se suo?iti s njihovom velikom raznoliko??u i velikom slo?eno??u, ?to zahtijeva poznavanje ne samo najop?tijih zakona, ve? i posebnih obrazaca.

Najop?tiji zakoni tehnosfere uklju?uju jednad?be ravnote?e mase, zakone odr?anja centra mase, koli?ine gibanja, ugaonog momenta, energije, koji vrijede pod odre?enim uvjetima za bilo koja materijalna tijela i tehnolo?ke procese, bez obzira na njihovu strukturu, stanje i hemijski sastav. Ove jedna?ine su potvr?ene velikim brojem eksperimenata.

Konkretniji odnosi u fizici i mehanici posebno se nazivaju fizi?ke jedna?ine ili jedna?ine stanja. Na primjer, Hookeov zakon, koji uspostavlja vezu izme?u mehani?kog naprezanja i deformacije elasti?nih tijela, ili Clapeyron-Mendeleev jednad?ba.

Objektivna slo?enost procesa u tehnosferi onemogu?ava njihovo prou?avanje kori?tenjem modela bilo koje vrste. Modeliranje ovakvih procesa uklju?uje njihovo predstavljanje kao sistema heterogenih komponenti koje me?usobno djeluju. Dakle, model takvih procesa mo?e sadr?avati nekoliko heterogenih podmodela. To ostavlja traga na samom modeliranju, koje je zgodno predstavljeno u vidu odre?enih faza u kojima se pojavljuju karakteristike procesa u sistemima ?ovjek-ma?ina (HMS). Glavne faze modeliranja tehnosferskih procesa prikazane su na Sl. 5.

Faza 1.Smislena produkcija

Potreba za novim modelima javlja se prilikom izvo?enja projektantskih i in?enjerskih poslova, kreiranja sistema upravljanja i upravljanja, kao i izvo?enja radova na raskrsnici razli?itih industrija. U ovom slu?aju, prvo biste trebali utvrditi postoje li jednostavnija rje?enja za problem: mogu?nost kori?tenja postoje?ih modela njihovim modificiranjem.

Kona?ni cilj faze 1 je razvoj tehni?kih specifikacija. Za postizanje ovog cilja potrebno je rije?iti sljede?e zadatke:

1) ispita modelirani objekat ili proces u cilju identifikacije njegovih glavnih svojstava, parametara i faktora;

2) prikuplja i verifikuje dostupne eksperimentalne podatke o analognim objektima;

3) analiziraju knji?evne izvore i upore?uju ranije izgra?ene modele datog objekta ili sli?nih;

4) sistematizuje i sumira prethodno nagomilani materijal;

5) izraditi op?ti plan za izradu i kori??enje seta modela.

U ovoj fazi se stoga provodi smislena formulacija problema modeliranja. Va?no je pravilno postaviti pitanja na koja model treba da odgovori. Za to su potrebni stru?njaci koji dobro poznaju predmetnu oblast i istovremeno imaju dovoljno ?irok nau?ni horizont da komuniciraju sa stru?njacima u razli?itim oblastima znanja, a posebno sa kupcem modela. Ovo je uslov za uspje?no formulisanje ovakvih zahtjeva za kreirani model, koji ?e, s jedne strane, zadovoljiti kupca, as druge strane, zadovoljiti ograni?enja u vremenu i resursima koji se izdvajaju za kreiranje i implementaciju model. Generalno, zavr?etak ove faze mo?e potrajati do 30% vremena predvi?enog za razvoj modela, a uzimaju?i u obzir mogu?a poja?njenja, ?ak i vi?e.

Faza 2.Konceptualna inscenacija

Za razliku od prve faze, fazu semanti?kog modeliranja izvodi radna grupa bez uklju?ivanja kupca. Po?etne informacije ovdje su informacije dobijene u 1. fazi o objektu koji se modelira i specificiranim zahtjevima za budu?i model.

Prilikom formulisanja hipoteza koje treba da ?ine osnovu konceptualnog modela, neophodno je prevazi?i kontradikcije u idejama o procesima i incidentima u sistemima ?ovek-ma?ina. To se odnosi na uzroke gre?aka, kvarova i nepredvi?enih vanjskih utjecaja koji mogu dovesti do nesre?e, katastrofe ili nesre?e. ?esto razli?iti stru?njaci iznose razli?ite verzije razvoja takvih situacija. Prilikom modeliranja nesre?a i ozljeda, semanti?ki model fenomena koji se prou?ava mo?e se predstaviti u obliku fenomena razlo?enog na tokove slu?ajnih doga?aja - nezgoda i nezgoda. ?tavi?e, svaki od njih se smatra rezultatom niza drugih doga?aja koji ?ine uzro?no-posljedi?ni lanac. Nadalje, fenomen se mo?e predstaviti u obliku dijagrama i grafikona. Prezentacija rezultata modeliranja u obliku dijagrama uzroka i posljedica kasnije ?e biti izvorni materijal za naknadno pra?enje i analizu.

Faza 3.Kvalitativna analiza

Formulacija problema modeliranja treba da bude predmet sveobuhvatne provere, a zatim preliminarne kvalitativne analize. Svrha ove faze je provjera valjanosti konceptualne formulacije problema i korekcija. Ovo se tako?e sprovodi sa ?lanovima radne grupe, ponekad uz u?e??e eksperata izvan radne grupe.

Sve prethodno prihva?ene hipoteze podlije?u provjeri, a zatim preliminarnoj (kvalitativnoj) analizi. Identificirane su mogu?e gre?ke. Na primjer, u dijagramima uzroka i posljedica naj?e??e gre?ke su suvi?ni elementi ili elementi koji nedostaju, kao i pretjerano proizvoljno tuma?enje uzetih u obzir doga?aja i veza izme?u njih.

Ponekad se u ovoj fazi modeliranja ve? mogu dobiti dodatne informacije o originalnom objektu radi kojeg se modelira. To je posebno ?esto mogu?e u?initi kao rezultat kvalitativne analize dijagrama uzroka i posljedica, koji omogu?avaju uzimanje u obzir toliko zna?ajnih faktora kojima se ne mo?e istovremeno mentalno manipulirati. Me?u ovim brojnim faktorima (na primjer, onima koji utje?u na vjerovatno?u nesre?e ili ozljede), njihove kombinacije se ne mogu identificirati, uklju?uju?i mali broj faktora, ?ija je pojava i/ili odsustvo nu?na i dovoljna za nastanak ili prevenciju konkretan nepo?eljan doga?aj.

Faza 4.Izgradnja matemati?kog modela

Nakon zavr?ene verifikacije konceptualne formulacije problema i preliminarne analize odgovaraju?eg semanti?kog modela, radna grupa po?inje da gradi matemati?ki model, a zatim bira najprikladniji metod za njegovo prou?avanje. Najpo?eljnijim se smatra analiti?ka formulacija i isto rje?enje simuliranog problema, jer se u ovom slu?aju koristi arsenal matemati?ke analize, uklju?uju?i optimizaciju. Naj?e??e su to sistemi algebarskih jedna?ina, za dobijanje kojih se koriste razli?ite metode aproksimacije u dostupnim statisti?kim podacima.

Posebna vrijednost analiti?kog modeliranja le?i u sposobnosti preciznog rje?avanja zadanog problema, uklju?uju?i pronala?enje optimalnih rezultata. Istovremeno, obim upotrebe analiti?kih metoda ograni?en je dimenzijom faktora koji se uzimaju u obzir i zavisi od stepena razvijenosti relevantnih grana matematike. Stoga su za kreiranje matemati?kih modela slo?enih sistema i procesa (kao u tehnosferi, na primjer), potrebni algoritamski (numeri?ki) modeli koji mogu dati samo pribli?na rje?enja.

Stupanj aproksimacije rezultata, na primjer, numeri?kog i simulacijskog modeliranja ovisi o gre?kama uzrokovanim transformacijom izvornih matemati?kih relacija u numeri?ke ili simulacijske algoritme, kao i o gre?kama zaokru?ivanja koje nastaju prilikom izvo?enja bilo kakvih prora?una na ra?unalu. zbog kona?ne ta?nosti reprezentacije brojeva u njegovoj memoriji. Zato je glavni zahtjev za svaki takav algoritam potreba da se dobije rje?enje originalnog problema u kona?nom broju koraka sa zadatom ta?no??u.

U slu?aju primjene numeri?ke metode, skup originalnih matemati?kih relacija zamjenjuje se kona?nodimenzionalnim analogom, koji se obi?no dobiva zamjenom funkcija kontinuiranih argumenata funkcijama diskretnih parametara. Nakon takve diskretizacije kompilira se ra?unski algoritam, koji je niz aritmeti?kih i logi?kih operacija koji omogu?ava da se dobije rje?enje diskretnog problema u kona?nom broju koraka.

U simulacijskom modeliranju nisu predmet diskretizacije matemati?ki odnosi, kao u prethodnom slu?aju, ve? sam predmet prou?avanja koji se razla?e na pojedina?ne komponente. Osim toga, ovdje nije zapisan skup matemati?kih odnosa koji opisuju pona?anje cijelog originalnog objekta. Umjesto toga, obi?no se sastavlja algoritam koji modelira funkcioniranje objekta koji se modelira kori?tenjem analiti?kih ili algoritamskih modela.

Treba napomenuti da je upotreba matemati?kog modela konstruiranog algoritamskim metodama sli?na provo?enju eksperimenata s objektom, samo ?to se umjesto eksperimenta s objektom u punoj mjeri izvodi takozvani ma?inski (ra?unarski) eksperiment s njegovim modelom. van.

Kontrola ispravnosti matemati?kog modela. Ispravnost matemati?kih odnosa se provjerava pomo?u sljede?ih radnji:

kontrolu dimenzija, uklju?uju?i i pravilo prema kojem se mogu izjedna?avati, sabirati, mno?iti i dijeliti samo koli?ine iste dimenzije. Prilikom prelaska na prora?une, dodaje se dodatni zahtjev za pridr?avanje istog sistema jedinica za vrijednosti svih parametara;

provjera naloga, koja se sastoji od pore?enja redoslijeda dodatih ili oduzetih koli?ina i isklju?ivanja bezna?ajnih parametara iz matemati?kih odnosa;

kontrola prirode zavisnosti, sugeriraju?i da smjer i brzina promjene izlaznih parametara modela moraju odgovarati fizi?kom zna?enju procesa koji se prou?avaju;

testiranje ekstremnih situacija, koje se sastoji od pra?enja izlaznih rezultata modela kada se vrijednosti njegovih parametara pribli?avaju maksimalno dopu?tenim. ?esto to ?ini matemati?ke odnose jednostavnijim i jasnijim (na primjer, kada je neka koli?ina jednaka nuli);

kontrola fizi?kog zna?enja, povezana sa utvr?ivanjem fizi?kog zna?enja rezultata i provjerom njegove nepromjenjivosti pri variranju parametara modela od po?etnih do srednjih i grani?nih vrijednosti;

verifikacija matemati?ke zatvorenosti, koja se sastoji u identifikovanju fundamentalne mogu?nosti re?avanja sistema matemati?kih odnosa i dobijanju jedinstveno interpretabilnog rezultata na njegovoj osnovi.

Matemati?ki zatvorenim ili „ispravno formuliranim” problemom smatra se problem u kojem male promjene u kontinuirano promjenjivim po?etnim parametrima odgovaraju istim bezna?ajnim promjenama njegovih izlaznih rezultata.

Ako ovaj uslov nije zadovoljen, numeri?ki algoritmi se ne mogu primijeniti.

Faza 5.Razvoj kompjuterskih programa

Upotreba elektronske ra?unarske tehnologije, koja zahteva dostupnost odgovaraju?ih algoritama i kompjuterskih programa. Uprkos trenutnoj dostupnosti bogatog arsenala matemati?kih algoritama i aplikativnih programa, ?esto postoji potreba za samostalnim razvojem novih programa. Proces kreiranja kompjuterskih programa, pak, mo?e se podijeliti na uzastopne faze: razvoj tehni?kih specifikacija (TOR), dizajn strukture programa, samo programiranje (kodiranje algoritma), testiranje i otklanjanje gre?aka u programima.

Sama tehni?ka specifikacija ima sljede?u strukturu:

1) naziv zadatka – naziv programa (kompjuterski kod), sistem programiranja (jezik), hardverski zahtevi;

2) opis – smislena i matemati?ka formulacija problema, na?in diskretizacije ili obrade ulaznih podataka;

3) upravljanje re?imom – interfejs „korisnik-ra?unar”;

4) ulazni podaci – sadr?aj parametara, granice njihove promene;

5) izlazni podaci – sadr?aj, obim, ta?nost i oblik prezentacije;

6) gre?ke - mogu?i spisak, metode identifikacije i za?tite;

7) test zadaci - primeri namenjeni testiranju i otklanjanju gre?aka u programskom paketu.

Op?ta struktura kompjuterskog koda obi?no sadr?i tri dela: pretprocesor (priprema i provera izvornih podataka), procesor (izvr?avanje prora?una) i postprocesor (prikazivanje rezultata.

Faza 6.Analiza i interpretacija rezultata simulacije

Sistematsko istra?ivanje uklju?uje kvalitativnu i kvantitativnu analizu modela i dobijenih rezultata. Kvalitativna analiza dizajniran za identifikaciju op?ih obrazaca povezanih s funkcioniranjem objekta koji se prou?ava, a provodi radna grupa, ponekad uz uklju?ivanje predstavnika kupca. Target kvantitativna analiza posti?e se rje?avanjem dva problema: 1) predvi?anjem karakteristika modeliranog objekta; 2) apriornu procenu efektivnosti razli?itih strategija za njeno unapre?enje.

Postupak kvantitativne analize zavisi od vrste dobijenih matemati?kih odnosa. Za relativno jednostavne analiti?ke izraze, mo?e se izvesti uglavnom ru?no, koriste?i alate za matemati?ku analizu i dono?enje odluka. Analiza slo?enih, glomaznih modela se implementira na ra?unaru pomo?u numeri?kih i simulacionih metoda.

Provjera adekvatnosti modela. Ova verifikacija se vr?i uspostavljanjem korespondencije izme?u rezultata simulacije i svih drugih podataka koji su direktno povezani sa problemom koji se re?ava. Obi?no se koriste empirijski podaci (rezultati terenskih eksperimenata, statistika) ili sli?ni rezultati dobijeni u toku rje?avanja tzv. test zadatak koriste?i druge modele.

Postoje kvalitativno i kvantitativno slaganje izme?u rezultata pore?enja. Kvalitativno slaganje podrazumijeva podudarnost nekih karakteristi?nih karakteristika u distribuciji procijenjenih parametara, na primjer, njihovih znakova, trendova promjena, prisutnosti ekstremnih ta?aka, itd.

Ako se postigne kvalitativni dogovor, slaganje se ocjenjuje na kvantitativnom nivou. ?tavi?e, za modele sa funkcijama evaluacije mo?e se procijeniti na odstupanje od 10-15%, a za one koji se koriste u sistemima kontrole i nadzora - na 1-2% ili manje.

Razlozi za neadekvatnost modela mogu biti sljede?i:

1) vrednosti parametara modela ne odgovaraju oblasti definisanoj usvojenim sistemom hipoteza;

2) konstante i parametri u konstitutivnim odnosima koji se koriste u modelu nisu precizno utvr?eni;

3) ceo po?etni skup prihva?enih hipoteza nije primenljiv na predmet koji se prou?ava ili uslove njegovog funkcionisanja.

Da bi se eliminisali ovi razlozi, potrebna su dodatna istra?ivanja i na modelu i na originalnom objektu. Ako je model neadekvatan, potrebno je promijeniti vrijednosti konstanti i po?etnih parametara. Ako se ne postigne pozitivan rezultat, prihva?ene hipoteze se moraju promijeniti (na primjer, o prirodi utjecaja jednog parametra na drugi, uzimaju?i u obzir nove faktore itd.).

Stoga je posljednja faza u razvoju matemati?kog modela izuzetno va?na, a njeno zanemarivanje mo?e ko?tati ogromne tro?kove u budu?nosti. Zaista, uvjerljiv rezultat ne ukazuje uvijek na adekvatnost modela, au drugim slu?ajevima ?e dati kvalitativno neta?na rje?enja.

2.4. Struktura za modeliranje incidenata u tehnosferi

2.4.1.1 Razviti skup semanti?kih i simboli?kih modela koji ?e nam omogu?iti da ustanovimo osnovne obrasce nastanka incidenata koje je napravio ?ovjek i kvantifikujemo opseg mogu?nosti njihovog nastanka.

2.4.1.2. Modeli moraju: a) identifikovati uslove za nastanak i prevenciju incidenata; b) izra?unati vjerovatno?u njihovog pojavljivanja.

2.4.1.3. Po?etni podaci: parametri proizvodnog objekta H (osoba), M (ma?ina) i S (okru?enje), tehnolo?ki procesi T koji se na njemu odvijaju, kao i statisti?ki podaci o stanju ovih komponenti i njihovih analoga - Q ( t ) .

2.4.2. Konceptualni prikaz problema

2.4.2.1. Po?etne hipoteze i premise u vezi sa modeliranim fenomenom:

a) nezgode i povrede na radu mogu se opisati u skladu sa kanonima teorije slu?ajnih procesa u slo?enim sistemima;

b) predmet modeliranja treba da bude slu?ajni proces koji se odvija u proizvodnom pogonu i zavr?ava se nastankom incidenata (akcidenata ili nezgoda);

d) svaki incident mo?e nastati u toku izvo?enja odre?enih tehnolo?kih operacija, zbog slu?ajnih gre?aka osoblja, kvarova opreme i nepredvi?enih vanjskih utjecaja.

2.4.2.2. Uzimaju?i u obzir gore navedeno, konceptualnu formulaciju problema modeliranja mo?emo formulirati na sljede?i na?in:

a) predstaviti nesre?e i povrede kao proces probiranja kroz tok aplikacija w ( t ) za specifi?ne tehnolo?ke operacije u izlaznom toku slu?ajnih incidenata sa vjerovatno?om Q ( t ) njihov izgled u datom trenutku t ;

b) prikazati ovaj proces u obliku tokova (grafikon koji tuma?i pojavu uzro?nog lanca incidenata iz pojedina?nih preduslova.

2.4.3. Verifikacija i kvalitativna analiza semanti?kog modela

2.4.3.1. Provjerite valjanost hipoteza o prirodi tokova simuliranih doga?aja i potrebi da se uzmu u obzir faktori okoline:

a) mogu?nost predstavljanja, u jednostavnom toku, ulaznog toka zahtjeva za izvo?enje tehnolo?kih operacija;

b) valjanost pretpostavke da su preduslovi za incident izazvan nepovoljnim spoljnim uticajima bezna?ajni;

2.4.3.2. Izvr?ite kvalitativnu analizu dijagrama toka kako biste odgovorili na sljede?a pitanja:

a) koji se proizvodni procesi mogu smatrati relativno „sigurnim“?

b) koju tehnolo?ku i proizvodnu opremu treba smatrati „sigurnijom“ u radu.

2.4.4. Matemati?ka formulacija i izbor metode za rje?avanje problema

2.4.4.1. Formulirajte problem modeliranja u obliku sistema algebarskih jednad?bi i provjerite ispravnost matemati?kih odnosa dobijenih na neki na?in:

a) uzimaju?i u obzir hipotezu o najjednostavnijoj prirodi toka zahtjeva za izvo?enje tehnolo?kih operacija, koristiti svojstvo njegove nepromjenjivosti nakon razrje?ivanja eliminacijom doga?aja kako bi se dobile zavisnosti Q ( t ) = f (Ch, M, S, T, t ) ;

2.4.4.2. Razviti proceduru za apriornu procjenu svakog od parametara analiti?kog modela i provjeriti ispravnost svih dobijenih matemati?kih odnosa koriste?i sva relevantna pravila.

Prakti?na implementacija pristupa koji se ovdje razmatra mo?e pomo?i u pobolj?anju sigurnosti tehnosfere u cjelini.

Belov P.G. Analiza sistema i modeliranje procesa u tehnosferi. – M.: Academia, 2003, str. 48-59.

„U svim sistemima pokretne ravnote?e dolazi do dvostruke unutra?nje regulacije - ovo je jo? jedna formulacija principa Le Chatelier.

Za ozna?avanje samoreguliraju?ih sistema Bogdanov(1927a, str. 129) uveo koncept "biregulator" odnosno dupli regulator. U biregulaciji, dva sistema ili dva podsistema jednog sistema me?usobno se reguli?u. Drugim rije?ima, biregulator je sistem za koji Ne potreban vam je regulator izvana, jer se on sam reguli?e. Kao jedan primjer Bogdanov pokre?e parnu ma?inu. U parnoj ma?ini se mo?e urediti tako da se brzina i pritisak pare me?usobno reguli?u: ako pritisak poraste iznad odgovaraju?eg nivoa, tada se pove?ava i brzina, a mehanizam koji o njoj zavisi tada smanjuje pritisak, i obrnuto.

U javnim organizacijama biregulator je veoma ?est u vidu sistema „me?usobne kontrole“ pojedinaca ili institucija. Mehanizam dvostruke me?usobne regulacije vrlo je ?est kako u prirodi tako i u ljudskoj praksi. Gdje god posmatramo stabilne sisteme pokretne ravnote?e, postoji i biregulator.

Biregulacija je zapravo sistem regulacije zatvorene petlje, odnosno ekvivalentna je „povratnoj vezi“ u kibernetici. Princip „povratne informacije“ je uveden u tehnologiju jo? od Christian Huygens. U satu sa klatnom koji je kreirao postoji ova vrsta veze izme?u kontrolisanog i upravlja?kog dela, koja obezbe?uje povratnu vezu kontrolnom telu naizmeni?nog uticaja iz kontrolisanog sistema. Ova vrsta veze E. Rumer 1906. nazvala je „povratna informacija“. Godine 1911., ideju o povratnoj informaciji nazvanoj "paralelno unakrsno djelovanje" tako?er je iznio fiziolog N.A. Belov, koji je ovaj uticaj smatrao manifestacijom op?teg zakona koji je va?an ne samo u biologiji, ve? iu fizici, hemiji itd. (Belov, 1911; vidi i: Malinovsky, 1960; Pegru?enko, 1968).

Wiener(Wiener, 1961; Wiener, 1983) defini?e povratnu informaciju na sljede?i na?in: „Kada ?elimo da neki ure?aj izvr?i odre?eno kretanje, razlika izme?u navedenog i stvarnog kretanja se koristi kao novi ulazni signal, uzrokuju?i da kontrolirani dio ure?aja pomaknite se tako da je stvarno kretanje ure?aja sve bli?e i bli?e meti.” Lako je uo?iti da se ova definicija povratne sprege u su?tini odnosi samo na automatski kontrolisane tehni?ke ure?aje i biolo?ke sisteme. Vrlo dobar primjer povratne sprege u u?em smislu je jedan od najstarijih sistema automatskog upravljanja - ure?aj na vjetrenja?ama koji je omogu?avao da krila uvijek dr?e protiv vjetra. Ovaj ure?aj se sastojao od minijaturne vjetrenja?e koja je mogla okretati glavni mlin u ?eljenom smjeru. Krila manjeg mlina bila su pod pravim uglom u odnosu na krila glavnog mlina. U onim slu?ajevima kada je potonji stajao pod premalim uglom u odnosu na vjetar, krila manjeg mlina su po?ela da se okre?u, ?to je okretalo krila glavnog, stavljaju?i ih u radni polo?aj (Tustin, 1961, str. 43) . Povratna informacija provedena u takvoj vjetrenja?i u potpunosti odgovara definiciji Wiener. Drugi primjer je biohemijski proces koji dovodi do stvaranja enzima, ?ije prisustvo stimulira samu proizvodnju. Kibernetika u takvim slu?ajevima govori o pozitivnoj povratnoj sprezi. Autokataliti?ki procesi sa slo?enim procesima me?usobne katalize ?ine samu osnovu ?ivota, a rasprostranjeni su i u dru?tvenim pojavama.

Nalazimo veoma ?iroko razumijevanje povratnih informacija me?u Ashby(Ashby, 1958; Ashby, 1959). On smatra da ako je djelovanje izme?u dijelova dinami?kog sistema kru?no po prirodi, kada oba dijela uti?u jedan na drugog, onda ka?emo da u njemu postoji povratna sprega. Drugim rije?ima, povratna informacija je svaka zatvorena kontrolna petlja. Povratne informacije, u razumijevanju Ashby, potpuno se poklapa sa Bogdanovljevim konceptom bioregulacije.

Svaki donekle slo?en sistem pokretne ravnote?e je cikli?ki zatvorena mre?a povratnih petlji u interakciji. U ovoj cikli?noj mre?i nema po?etne ta?ke, kao ?to nema po?etne ta?ke u krugu. To je neka vrsta "hiperpetlje" kako se zove Eigen(vidi: Eigen, 1973; Eigen, Winkler, 1973; Eigen, Schuster, 1979; Eigcin, 1992). U takvom cikli?nom sistemu procesi koji su u uzro?no-posledi?noj vezi povezani su i povratnom spregom. Stoga, kako primje?uju Eigen i Winkler, ?kolsko pitanje „?ta je bilo prije, koko?ka ili jaje?“ svodi do apsurda.

Ni?ta manje apsurdne nisu ni osnovne dogme istorijskog materijalizma, prema kojima “dru?tveno bi?e odre?uje dru?tvenu svijest”, a “baza odre?uje nadgradnju”. Prema poznatom stavu Marx, proizvodni odnosi, koji odgovaraju odre?enom stupnju razvoja materijalnih proizvodnih snaga i zajedno ?ine ekonomsku strukturu dru?tva, predstavljaju stvarnu osnovu na kojoj se uzdi?e pravna i politi?ka nadgradnja i kojoj odgovaraju odre?eni oblici dru?tvene svijesti. Prema ovom stavu, sama promjena ekonomske strukture uzrokovana je i odre?ena promjenom prirode materijalnih proizvodnih snaga dru?tva. Iako pristalice istorijskog materijalizma prepoznaju obrnuti uticaj nadgradnje na bazu, po njihovom mi?ljenju, baza na kraju igra odlu?uju?u ulogu u ovoj interakciji.

U stvarnosti, nijedan od elemenata slo?enog dru?tvenog hiperciklusa nije odlu?uju?i. ?tavi?e, u odre?enim momentima istorije neke ideje mogu imati ve?i, a ponekad ?ak i znatno ve?i zna?aj od ?itavog kompleksa materijalnih proizvodnih snaga.

Zamislimo da su materijalne proizvodne snage, kao i ?itav ekonomski sistem, potpuno uni?tene, ali su tehni?ko i nau?no znanje sa?uvano. U tom slu?aju, ekonomija se mo?e oporaviti za kratko vrijeme. Ali zamislimo da svo znanje nestaje, ali je materijalna baza o?uvana. O?igledno, to bi dovelo do potpunog kolapsa privrede. […]

... grandiozne promjene uzrokovane ideolo?kim faktorima nimalo ne naru?avaju cikli?nost dru?tvenog razvoja. Nedosljednost “centralne dogme” marksizma je dobro pokazano Pitirim Sorokin(1922) u svojoj recenziji knjige Nikolaj Buharin"Teorija istorijskog materijalizma". “Izme?u bi?a i svijesti, “baze” i “nadstrukture”, ne postoji jednosmjerna uzro?no-posledi?na veza, ve? odnos dvosmjerne me?uzavisnosti. Veza izme?u "bi?a" i "svesti" nije uzro?no-posledi?na (nepovratno jednostrana), ve? funkcionalna (reverzibilno-dvostrana)", pi?e Sorokin. Smatrao je historijski materijalizam „zastarjelim monizmom“, me?utim, uprkos svojoj zastarjelosti, on jo? uvijek ima mnogo pristalica.

Takhtadzhyan A.L., Na putu ka univerzalnoj evolucijskoj nauci / Faceti evolucije. ?lanci o teoriji evolucije 1943-2006, Sankt Peterburg, “Nauka”, 2007, str. 258-260.

Objavljeno 27.10.2017

Konstruktivne povratne informacije- oblik analize pona?anja u kojem se najprije analiziraju konkretne efektivne radnje u smislu postizanja ?eljenog cilja, nakon ?ega se pretpostavlja da se moglo u?initi vi?e ili druga?ije.

Razmotrimo komponente definicije odvojeno:

Konstruktivna povratna informacija je zasnovana na principu “plus/delta”: u svom prvom dijelu sadr?i informacije o tome ?ta je bilo uspje?no i djelotvorno u ljudskim postupcima. Nakon toga razgovaramo o tome ?ta se moglo u?initi vi?e ili druga?ije da njegovo pona?anje bude efikasnije. Ovaj oblik analize pona?anja motivira odrasle, omogu?avaju?i im ne samo da steknu nove vje?tine, ve? i da analiziraju postoje?e iskustvo i nastave razvijati svoje snage.

Konstruktivna povratna informacija uklju?uje analizu konkretnih akcija. Razgovarajte o specifi?nim postupcima ili pona?anju neke osobe, ali ne i o njenoj li?nosti. Va?no je izbjegavati bilo kakve ocjene, uklju?uju?i i one pozitivne, poput „super si“.

Kako se formuli?e "plus"? U konstruktivnim povratnim informacijama nema mjesta la?iranju, izjavama koje izbjegavaju ili generaliziranim komentarima poput „sve je bilo u redu“. Recite nam ?ta je konkretno dobro ura?eno. Komentirajte uo?eno pona?anje na osnovu konkretnih ?injenica i primjera.

Kako se formuli?e "delta"? Ovaj dio povratnih informacija sadr?i prijedloge za alternativna u?inkovita pona?anja. Preokrenite povratne informacije sa negativnih sugestija („nemojte to vi?e raditi“) na pozitivne („po mom mi?ljenju bilo bi efikasnije da to u?inite na ovaj na?in“). Izbjegavajte generalizirane definicije koje tvrde da su bezuvjetno istinite („uvijek ovo treba raditi...” ili „dobar menad?er u svakom slu?aju mora…”). Svaka povratna informacija je va?e li?no mi?ljenje. Po?nite frazom “Mislim...” ili “Po mom mi?ljenju...”, “Imam osje?aj...”.

Zapamtite da druga osoba mo?e ili ne mora prihvatiti va?e povratne informacije. Ne mo?ete zahtijevati da se osoba promijeni. Kompetentna povratna informacija nudi osobi informacije o sebi koje mo?e prihvatiti i koristiti za razvoj. Samo osoba sama mo?e donijeti kona?nu odluku ?ta ?e promijeniti (a ?ta ne promijeniti u svom pona?anju). Imajte na umu da se ni?ta ne?e promijeniti kao rezultat va?ih povratnih informacija.

svi ?lanci

U prethodnom ?lanku govorio sam o sedam va?nih pravila koja uspje?ni menad?eri koriste kada daju povratne informacije zaposlenima. U ovom materijalu ?emo pogledati nekoliko modela koji vam omogu?avaju da efikasno izgradite takav razgovor. Radi prakti?nosti, koristit ?emo primjere.

"Sendvi?" povratnih informacija

Najpoznatiji model - i ?iroko kori?ten. Jednostavan za razumijevanje, lako za pam?enje, jednostavan za kori?tenje.

Opis: razvojni blok povratne sprege nalazi se izme?u dva bloka pozitivne povratne sprege. Otuda i naziv "sendvi?". Koristi se u razgovorima o postavljanju ciljeva, prilago?avanju rezultata i razvoju zaposlenih. Obi?no se ne koristi za disciplinske razgovore, situacije koje uklju?uju prekr?aje, neispunjavanje du?nosti, gdje je potrebno prilago?avanje pona?anja zaposlenika.

Situacija: Sergej, zaposlenik odjela prodaje, ispunio je plan prema dva pokazatelja (obim prodaje i broj aktivnih klijenata). Me?utim, cilj za prodaju novog proizvoda je ostvaren samo 50%.

primjer:

1. Po?nite s pozitivnom ocjenom.

“Sergey, lijepo je primijetiti da si ovog mjeseca uvr?ten u grupu najprodavanijih koji su ispunili plan obima prodaje za 100%. Vidim da ste se morali potruditi i uspostaviti odnose sa mnogim klijentima – tako?e ste lider po broju aktivnih klijenata.” Nakon ovakvih rije?i ohrabrenja, zaposlenik ?e biti spreman da razgovara o podru?jima rada koja zahtijevaju pobolj?anje.

2. Razgovarajte o tome ?ta treba pobolj?ati i promijeniti, dogovoriti akcioni plan.

„Istovremeno, jo? ima prostora za rast. Obratite pa?nju na prodaju novog brenda. Ovog mjeseca ste ostvarili samo polovinu onoga ?to ste planirali. Sada je va?no da kompanija iznese ovaj proizvod na tr?i?te. Hajde da razgovaramo o tome ?ta mo?ete u?initi da pobolj?ate ovaj indikator slede?eg meseca.” Imajte na umu da nema kritike. Postoji dijalog i konstruktivna diskusija.

3. Zavr?ite razgovor pozitivno.

“Super, plan je usagla?en, sad idemo u akciju. Siguran sam da se sa svojom sposobno??u rada sa klijentima mo?ete nositi sa ovim zadatkom. Zapamtite: ako pove?ate prodaju novog brenda, mo?ete u?i u tri najbolja pobjednika u natjecanju koje je trenutno u tijeku. Ako ti treba pomo?, u?i."

B.O.F.F.

Opis: skra?enica po?etnih slova engleskog naziva ?etiri faze modela. Pona?anje (Pona?anje) - Rezultat (Ishod) - Osje?aji (Osje?aji) - Budu?nost (Budu?nost).

Situacija: nova uposlenica odjela za korisni?ku podr?ku, Irina, redovno kr?i standarde kvaliteta usluge, odnosno: ne pozdravlja klijente, nepristojna je, ignorira zahtjeve klijenata, ne odgovara na telefonske pozive i kasni u pauzama za ru?ak.

primjer:

1. Pona?anje. Reci Irini svoja zapa?anja o njenom radu. Konkretno, jezikom ?injenica, po mogu?nosti sa detaljima, datumima zapa?anja.

   Razgovarajte o razlozima. Ponekad se desi da zaposleni nije u potpunosti svjestan ?ta se od njega o?ekuje.

2. Ishod. Razgovarajte sa Irinom kako njeno pona?anje (iritacija i nepristojnost u radu sa klijentima, ignorisanje zahteva, dugo odsustvovanje sa posla posle pauze) uti?e na poslovne rezultate, broj pritu?bi klijenata i broj uslu?enih klijenata.
3. Osjecanja. Razgovarajte o tome kako se osje?ate znaju?i da Irina radi na ovaj na?in. Uznemireni ste, tu?ni, niste ba? sre?ni, to vam je neprijatno da shvatite. Razgovarajte o tome kako se drugi zaposleni osje?aju kada je Irina dugo odsutna s posla i moraju raditi s dodatnim optere?enjem. Time ?ete pomo?i Irini da shvati da je njeno pona?anje neprihvatljivo.
4. Budu?nost. Razgovarajte sa Irinom o tome ?ta ona mo?e u?initi u budu?nosti da elimini?e ovo pona?anje. Najbolje je postavljati pitanja i dobiti odgovore od zaposlenika. To ?e joj omogu?iti da preuzme odgovornost za odluke i postupke u budu?nosti. Na kraju razgovora dogovorite se o konkretnim radnjama i rokovima - zacrtajte akcioni plan za budu?nost. I vrlo je preporu?ljivo zakazati termin sastanka na kojem ?ete sumirati rad na sebi koji ?e Irina obaviti.

Opis: Standard - Opservacija - Rezultat.

Situacija: Andrej, zaposlenik centra za tehni?ku podr?ku, nije odgovorio na zahtjev odjela za razvoj poslovanja za rje?avanje problema.

1. Standard. Podsjetite na standarde koji su postavljeni. “Ve? drugu godinu na? odjel ima standard brzog odgovora - na svaki zahtjev mora se odgovoriti u roku od 15 minuta. To ne zna?i da ?e kvar nu?no biti otklonjen u ovih 30 minuta, ali ?e na? kupac dobiti odgovor da je prijava prihva?ena i da smo po?eli s radom.”
2. Zapa?anje - Navedite ?injenice i zapa?anja. “Na prijavu koju ste ju?er u 10:25 zaprimili od odjela za razvoj poslovanja, korisnik nije dobio odgovor do po?etka dana?njeg dana. Problem nije rije?en: jo? uvijek nema pristupa sistemu.”
3. Rezultat.

   Razgovarajte o uticaju pona?anja na posao, tim, klijente, zaposlene. “Kao rezultat toga, odjel za poslovni razvoj ju?er je bio primoran da odgodi pregovore sa glavnim klijentom, nisu mogli dobiti informacije potrebne za pripremu. Ovo je va?an klijent za kompaniju i nemamo garancije da ne?e zapo?eti pregovore sa konkurencijom zbog na?e tromosti.”

   Logi?no je da bi sljede?i korak bio da se zaposlenik obave?e na promjenu vlastitog pona?anja.

   Opis: Uspjesi - Lekcije (u?ite) - Promjena. Ovaj model povratnih informacija dobro se uklapa u timski rad: rad projektnih grupa pri sumiranju kona?nih ili me?urezultata, sastanci tima.

   Situacija: Projektni tim je zavr?io prvu fazu razvoja novog sistema.

   Zamolite svakog ?lana projektnog tima da navede 2 najva?nija li?na postignu?a koja su postigli tokom projekta, 1 najva?niju lekciju koju su nau?ili i 1 promjenu koju su trebali napraviti u drugoj fazi projekta. Onda neka svako ka?e svoje. Napravite liste i odaberite 5 najva?nijih postignu?a, 2 lekcije i 1 najva?niju promjenu. Broj stavki na listi mo?e varirati ovisno o situaciji i veli?ini projektnog tima.

   Naravno, postoji mnogo drugih na?ina za strukturiranje razgovora sa zaposlenim. Ovaj ?lanak daje pregled najpoznatijih i uspje?no kori?tenih modela povratnih informacija u praksi.

   Poslovna korespondencija za lutke ili koje fraze se mogu koristiti u poslovnim pismima

   Pi?ete li poslovna pisma na engleskom svaki dan? Ili samo u?ite osnove slu?benog dopisivanja na kursevima poslovnog engleskog? Na? izbor korisnih fraza i izraza nau?it ?e vas kako da pi?ete ispravna poslovna pisma na engleskom i pomo?i ?e vam da diverzificirate svoj govor.
   
   

   Zahvaljuju?i poslovnom bontonu, op?te je poznato da klijente treba pozdraviti na po?etku pisma i pozdraviti se na kraju. Po?inju li problemi pri sastavljanju tijela pisma? Kako, na primjer, mo?ete re?i kupcima da teret kasni, ili kako mo?ete nagovijestiti da bi bilo lijepo dobiti novac za pru?ene usluge? Sve se to mo?e kompetentno objasniti ako koristite prave „praznine“ za razli?ite situacije. Sa takvim „prazninama“ pisanje slova ?e biti jednostavan i ugodan zadatak.

   Zapo?injanje pisma ili kako zapo?eti prepisku na engleskom

   Na po?etku svakog poslovnog pisma, odmah nakon pozdrava, potrebno je objasniti za?to sve ovo pi?ete. Mo?da ?elite ne?to pojasniti, dobiti dodatne informacije ili, na primjer, ponuditi svoje usluge. Sljede?e fraze ?e pomo?i u svemu:

   • Pi?emo - pi?emo…

   Za potvrdu... - potvrdite...
   - tra?iti... – tra?iti...
   - da vas obavestim da... – da vas obavestim da...
   - raspitati se o... - saznati o...

   • Javljam Vam se iz slede?eg razloga... - Pi?em Vam sa slede?om svrhom / Pi?em Vam kako bih...
   • Bio bih zainteresiran za (primanje/dobivanje informacija) - Zainteresirao bih se za (pribavljanje/primanje informacija)

   Uspostavljanje kontakata ili kako sagovorniku re?i kako znate za njega

   Ponekad je vrijedno podsjetiti svog poslovnog partnera kada i kako ste se posljednji put vidjeli ili razgovarali o saradnji.

   PRAVILA ZA EFIKASNE POVRATNE INFORMACIJE

   Mo?da ste prije nekoliko mjeseci ve? napisali poslovno pismo na ovu temu, ili ste se mo?da sreli na konferenciji prije tjedan dana i tada po?eli pregovarati.

   • Hvala vam na pismu u vezi… – Hvala vam na pismu na temu….
   • Hvala na pismu od 30. maja. – Hvala na pismu od 30. maja.
   • Kao odgovor na Va? zahtjev, ... - Kao odgovor na Va? zahtjev..
   • Hvala ?to ste nas kontaktirali. – Hvala ?to ste nam pisali.
   • Povodom na?eg razgovora u utorak... - Vezano za na? razgovor u utorak...
   • U vezi sa va?im nedavnim pismom - U vezi sa pismom koje ste nedavno primili...
   • Bilo mi je zadovoljstvo upoznati vas u New-Yorku pro?le sedmice. – Bilo mi je veoma drago upoznati vas u Njujorku pro?le nedelje.
   • ?eleo bih samo da potvrdim glavne ta?ke o kojima smo ju?e razgovarali – ?eleo bih da potvrdim glavne ta?ke o kojima smo razgovarali ju?e.

   Izra?avanje zahtjeva ili kako takti?no pitati sagovornika na engleskom

   U poslovnim pismima ponekad morate ne?to tra?iti od partnera. Ponekad vam je potrebna odgoda, a ponekad su vam potrebni dodatni uzorci materijala. Da bi sve ovo izrazio, poslovni engleski ima svoje ustaljene fraze.

   • Bili bismo vam zahvalni ako biste... - Bili bismo veoma zahvalni ako...
   • Mo?ete li mi, molim vas, poslati / re?i nam / dozvoliti nam... – Mo?ete li mi poslati / re?i nam / dozvoliti
   • Bilo bi od pomo?i kada biste nam poslali... - Mnogo bi nam pomoglo da nam po?aljete...
   • Cijenio bih va?u trenutnu pa?nju ovom pitanju. “Cijenio bih va?u trenutnu pa?nju po ovom pitanju.”
   • Bili bismo zahvalni ako biste mogli... - Bili bismo zahvalni kada biste mogli...

   ?alba na engleskom ili kako da jasno ka?ete da niste zadovoljni

   Na?alost, ?esto se de?ava da nam se ne?to ne svi?a. Ali kada pi?emo poslovna pisma, ne mo?emo dati slobodu svojim osje?ajima i direktnim testom re?i ?ta mislimo o kompaniji i njenim uslugama. Neophodno je koristiti poslovni engleski i pa?ljivo izraziti svoje nezadovoljstvo. Na taj na?in mo?emo zadr?ati na?eg poslovnog partnera i pustiti malo pare. Standardne fraze poslovne korespondencije koje ?e vam pomo?i u tome:

   • Pi?em da se ?alim na ... - Pi?em da se ?alim na ...
   • Pi?em da bih izrazio svoje nezadovoljstvo sa... Pi?em da bih izrazio svoje nezadovoljstvo sa...
   • Bojim se da mo?e do?i do nesporazuma... - Bojim se da je do?lo do nesporazuma...
   • Razumem da nije tvoja krivica, ali... - Razumem da nije tvoja krivica, ali...
   • ?elimo da Vam skrenemo pa?nju na…. – Skre?emo vam pa?nju

   

   Kako poslovnim pismima na engleskom prenijeti lo?e ili dobre vijesti

   U poslovnoj korespondenciji ?esto se de?ava da moramo uznemiriti klijente. Vrijedi to u?initi graciozno kako ne biste jo? vi?e naljutili partnera.

   Lo?e vijesti

   • Bojim se da vas moram obavijestiti da ... - Bojim se da vas moramo obavijestiti da ...
   • Na?alost ne mo?emo / nismo u mogu?nosti ... - Na?alost, ne mo?emo / ne mo?emo
   • Sa ?aljenjem vas obave?tavamo da... - Sa ?aljenjem vas obave?tavamo da...
   • Bojim se da ne bi bilo mogu?e... - Bojim se da ?e biti nemogu?e...
   • Nakon ozbiljnog razmatranja odlu?ili smo da... - Nakon ozbiljnog razmatranja, odlu?ili smo da...

   Dobre vijesti

   Sre?om, ponekad sve dobro pro?e i mo?emo obradovati na?e klijente dobrim vijestima

   • Zadovoljstvo nam je objaviti da... - Zadovoljstvo nam je objaviti da...
   • Zadovoljstvo nam je objaviti da... - Zadovoljstvo nam je objaviti da...
   • Sa zadovoljstvom vas mogu obavestiti da .. – Drago mi je da vas obavestim...
   • Bi?e vam drago da nau?ite da... - Bi?e vam drago kada nau?ite da...

   

   Izvinjenja ili kako ne naljutiti klijenta jo? vi?e

   Naravno, u poslovanju ?esto postoje problemi. I vi ste ti koji se morate izviniti za njih. Budite ljubazni, stavite se u poziciju svog sagovornika. Zapamtite da je bolje nekoliko puta se izviniti nego izgubiti vrijednog klijenta.

   • ?ao mi je zbog svih neugodnosti uzrokovanih... ?ao nam je zbog svih neugodnosti uzrokovanih...
   • Molimo Vas da prihvatite na?e iskreno izvinjenje. – Molimo prihvatite na?e iskreno izvinjenje.
   • ?elim da se izvinim zbog ka?njenja/neprilike... - ?elim da se izvinim zbog ka?njenja/neprilike
   • Jo? jednom, prihvatite moje izvinjenje za... - Jo? jednom, prihvatite moje izvinjenje za...

   Novac ili kako da poka?ete partneru da je vrijeme za pla?anje

   Ponekad ?elite da napi?ete u ?istom tekstu da je vrijeme za pla?anje. Ali to ne mo?ete u?initi u poslovnoj korespondenciji. Umjesto toga, moramo koristiti mek?e konstrukcije, iza kojih se jo? uvijek krije isto te?ko pitanje.

   • Prema na?oj evidenciji... - Prema na?oj evidenciji...
   • Na?a evidencija pokazuje da jo? nismo primili uplatu... – Na?a evidencija pokazuje da jo? nismo primili uplatu za...
   • Bili bismo vam zahvalni ako po?istite svoj ra?un u narednim danima. – Bi?emo vam zahvalni ako platite u narednih nekoliko dana.
   • Molimo po?aljite uplatu ?to je prije mogu?e/promptno – po?aljite nam uplatu ?to je prije mogu?e.

   

   Ljubaznost u dopisivanju ili kako nagovijestiti nove sastanke

   Ne biste se trebali u potpunosti oprostiti od svojih poslovnih partnera. ?ak i nakon zavr?etka projekta, bolje je da sa?uvate odnos za budu?e narud?be.

   Vidimo se kasnije

   Na kraju poslovnih pisama na engleskom ?esto je prikladno podsjetiti partnera izme?u redova kada sljede?i put od njega o?ekujete informaciju.

   • Jedva ?ekam da se vidimo sljede?e sedmice. – Radujem se na?em susretu slede?e nedelje
   • Radujem se va?im komentarima, - radujem se va?im komentarima.
   • Radujem se susretu na (datum). – Radujem se na?em susretu sa vama (datum).
   • Raniji odgovor bi bio zahvalan. – Cijenit ?u va? brz odgovor

   Vidimo se

   Nakon uspje?ne narud?be, trebate napisati kupcu kratko pismo na engleskom jeziku, obavje?tavaju?i ga da niste protiv novog projekta s njim.

   • Bio bih sretan da ponovo imam priliku da radim sa va?om firmom. – Bilo bi mi drago da ponovo imam priliku da radim sa va?om firmom.
   • Radujemo se uspje?nom poslovnom odnosu u budu?nosti. – Radujemo se uspje?nom poslovnom odnosu u budu?nosti.
   • Bi?e nam zadovoljstvo poslovati sa Va?om kompanijom. – Rado ?emo poslovati sa va?om kompanijom.

   Naravno, poslovni engleski nije uvijek lak. Sre?om, na? izbor poslovnih fraza trebao bi vam znatno olak?ati zadatak. Sada ?e vam trebati mnogo manje vremena da sastavite pismo. Zato odaberite prave fraze, dodajte svoje podatke i obradujte svog ?efa prekrasnim poslovnim pismima na engleskom.

   

4. Shutikova Anna

Komentari

Ostavite komentar

Da biste komentirali, morate se prijaviti putem VKontaktea ili Facebooka.

Pravila za povratne informacije

Postoje osnovna pravila za davanje povratnih informacija, kojih se neophodno i va?no pridr?avati tokom procesa interakcije.

1. Povratne informacije trebaju biti uravnote?ene

Zaposlenik treba da osje?a da mu povratne informacije poma?u u u?enju. Ako je previ?e kriti?na, on je mo?e iznutra odbiti, ako je previ?e pohvalna, to ?e potkopati njegovo povjerenje. Povratne informacije treba da kombinuju isticanje

pozitivni i negativni aspekti, od kojih svaki predstavlja vrijednost. Pohvale i kritike treba pomije?ati kako zaposleni ne bi mogao pretpostaviti ?ta ?e uslijediti, a sve informacije se primaju s jednakom pa?njom.

2. Povratne informacije moraju biti specifi?ne.

Vo?a se uvijek mora pozivati na odre?enu ?injenicu ili akciju. Povratne informacije se ti?u ?ta je ta?no re?eno, kako je ta?no ura?eno, ali ne i za?to. Naga?anje o ne?ijim motivima stvara atmosferu nepovjerenja i neprijateljstva. Ako nismo sigurni u ne?ije motive, onda je i sama ta neizvjesnost povratna informacija i treba je iskazati.

3. Povratne informacije treba da budu uskla?ene sa ciljevima.

Prije nego ?to date povratnu informaciju, saznajte od osobe koje je ciljeve ostvarila svojim pona?anjem. Na primjer, zaposleni pristaje na rje?enje problema koje nije od koristi za rad odjela. To je uradio u prisustvu klijenta. Ako shvatimo da cilj zaposlenika nije bio da pokvari imid? Kompanije u o?ima klijenta, onda zaklju?ujemo da je cilj bio ispravan, a razgovara?emo samo o na?inu njegovog postizanja.

4. Povratne informacije trebaju biti jasne

Zaposleni mora razumjeti ?ta menad?er govori. Nema potrebe koristiti ?argon ili nejasne termine. Ako se analiza pona?anja provodi u okviru nekih shema ili teorija, onda morate biti sigurni da su nau?eni i shva?eni.

5. Povratne informacije treba podijeliti.

Zaposleni ne treba da ostane pasivni slu?alac. On mora biti aktivno uklju?en u proces promjene svog pona?anja kako bi postigao odre?ene ciljeve. Kako bi proces povratnih informacija bio aktivniji, korisno je prvo zamoliti osobu da da komentar o svom pona?anju, znanju i vje?tinama.

6. Povratne informacije treba da budu uporedive.

Napredak se posti?e ako zaposlenik mo?e uporediti kako je obavio zadatak sa svojim prethodnim poku?ajima. Va?no je da je ovo obi?no dobra prilika da se zaposlenik pohvali i ohrabri na dalje promjene.

7. Povratne informacije treba da budu fokusirane na pona?anje.

Povratne informacije fokusiraju pa?nju na pona?anje, a ne na pojedinca per se. Trebali bismo razgovarati o tome ?ta ljudi rade, a ne o tome ?ta mislimo o njima. Na ovaj na?in mo?emo nekome re?i da su razgovarali vi?e nego bilo ko drugi tokom sastanka, umjesto da ka?emo: „Previ?e si pri?ljiv“. Prva fraza ostavlja prostor za promjenu, dok druga jednostavno implicira nepromjenjivu karakternu osobinu. Efikasna povratna informacija se odnosi samo na one aspekte pona?anja koji se mogu promijeniti. Beskorisno je govoriti ljudima o manama koje ne mogu kontrolisati ili ukazivati na fizi?ke nedostatke oko kojih se ni?ta ne mo?e u?initi.

8. Povratna informacija bi trebala biti dovoljna

Prilikom obavljanja zadatog zadatka, osoba se trudi i trudi. Stoga, ako dobije samo prolazne povratne informacije (posebno u slu?aju dugo o?ekivanog postignu?a), mo?e osjetiti da njegovi napori ostaju neprimije?eni, ?to mo?e dovesti do demotivacije.

9. Povratne informacije treba da budu hijerarhijske

Obi?no se osoba mo?e efikasno nositi sa 3-4 kritike. Mo?e se desiti da menad?er prekasno obrati pa?nju na neku va?nu ta?ku koju podre?eni vi?e ne?e mo?i da uo?i. Stoga, povratne informacije treba slo?iti striktno po va?nosti: prvo va?nije, a zatim manje va?ne.

7 Pravila za kvalitetne povratne informacije

T. Russellova formula za povratne informacije 1. Neka zaposleni vidi ?ta je uradio 2. Poka?ite mu posljedice ovakvog pona?anja. 3. Zajedno s njim nacrtajte plan za dalje djelovanje kako biste promijenili njegovo pona?anje.

Sposobnost davanja povratnih informacija (FE) jedna je od klju?nih upravlja?kih kompetencija svakog modernog menad?era. dobro Povratne informacije signalizira koliko dobro se zaposlenik kre?e prema cilju, da li je potrebno korigirati kurs ili promijeniti brzinu (ili mo?da ?ak hitno okrenuti u suprotnom smjeru).

Za zaposlenog Povratne informacije je glavna referentna ta?ka - da li radi ispravno, da li radi ili ne! Povratna informacija uti?e i na podre?ene i na menad?era. Upravo ona omogu?ava pravovremeno prilago?avanje, ili ?ak promjenu, u napretku zadataka i konstruktivnu kritiku bez razaranja me?uljudskih odnosa. Jednom rije?ju, zna?aj OS u procesu interakcije izme?u menad?era i podre?enog te?ko se mo?e precijeniti. Na?alost, vrlo mali broj menad?era daje OS ispravno ili ga uop?e ne koristi.

Osvrnite se oko sebe - stalno dobijamo sna?an tok ocjena, kritika, savjeta, rasprava i osuda nas samih i svakog na?eg postupka. ?ta ispunjava ovaj stream?

• Empatija?
• ?elja da poka?ete sopstvenu superiornost?
• ?elja za izazivanjem bola?
• Namjera da se postavi?
• Ravnodu?no se pridr?avati protokola?
• Pomozite mi da se pobolj?am?

Jao, ponekad ?ak i iskrena ?elja da pomognete li?i na sna?an prijateljski zagrljaj dikobraza - i ubode vas i nanese iver.

Uporedite: „O?tro ?u re?i: u?im te, u?im te, ali ti si jo? mlad i glup, nepa?ljiv, i sve je to za tvoje dobro! ?uj me!!!" i „Ve? radi? 2 nedelje, u?i?, trudi? se da postane? profesionalac, ostaje samo da pro?e? fazu rada sa zamerkama i bi?e? ba? super! Kakvu pomo? ti treba? od mene?

U kom ste od "omota?a" ?e??e dobijali povratne informacije? ?ta ?e doprineti efikasnom radu zaposlenog?

Naravno, iz svakog dodira u ?ivotu mo?ete nau?iti korisne lekcije – ako ste bili dovoljno jaki da stanete na noge nakon ovog dodira. Pa ipak, sa stanovi?ta efikasnosti, mnogo je bolje kada se OS daje u skladu sa odre?enim principima i pravilima.

Dakle - kompetentni savjeti, odnosno principi efikasnog OS.

Povratne informacije to je komunikacija osobi (timu) informacija o akcijama, rezultatima i posljedicama.

Hajde da razmotrimo vrste povratnih informacija:

• Pozitivno
• Negativno (kritika: konstruktivna i nekonstruktivna)

Pozitivne povratne informacije (priznanje, pohvale))

Osnovni princip priznanja i pohvale:

Priznanje se vr?i kako prema samoj osobi (kao pojedincu), tako i prema njenim postupcima i rezultatima

Mihaile, ti si profesionalna i kreativna osoba! Zahvaljuju?i novom sagledavanju strukture na?e internet prodavnice, prodaja u smeru plakarnog name?taja u ovom kvartalu je porasla za 17% u odnosu na pro?lu godinu!

Prepoznavanje je efikasno samo kada: Recite zaposlenom u lice da ?ete izraziti svoje mi?ljenje o njegovom radu, pohvalite ga bez odlaganja.

Kako napraviti priznanje:

1. Posebno recite zaposleniku u lice ?ta je uradio kako treba

Mihail, zahvaljuju?i prou?enim informacijama i pobolj?anju strukture na?e internet prodavnice.....

1. Recite mu da ste zadovoljni onim ?to je uradio kako treba, kako ?e to pomo?i kompaniji i svim kolegama

….zadovoljstvo je raditi sa takvim profesionalcem kao ?to ste vi!

…zahvaljuju?i va?im akcijama, mo?i ?emo da ulo?imo ostvareni prihod u proizvodnju….

.....kupi?e se novi program za odjel marketinga...

1. Zastanite da oseti koliko ste zadovoljni
2. Ohrabrite svog zaposlenog da postigne jo? ve?i uspeh

Mihaile, verujem da mo?e? vi?e! I va?a praksa u Londonu ?e doprinijeti tome...

Zapamtite da pohvale moraju biti iskrene!

Ponekad po?nemo proizvoditi OS koji ne odgovara u potpunosti stvarnosti. Bilo da se radi o ?elji da se udovolji, strahu od uznemirenja ili ne?em drugom - rezultat je tu?an. Zaposlenik koji je dobio neiskreni OS “u ru?ama” odmah uvi?a ovu ?injenicu i... prestaje da se razvija. Va? OC bi trebao biti po?ten i iskren. Nema potrebe da ?utite o nedostacima - ina?e zaposleni nikada ne?e saznati za njih. Nema potrebe izmi?ljati nepostoje?e prednosti - ina?e osoba ne?e razumjeti na ?emu dalje raditi. Neiskreni OS je besmislen jer ne ispunjava svoju glavnu svrhu. Objektivnu sliku uvijek ?ine ISKRENA mi?ljenja koja se ne prilago?avaju situaciji.

Negativne povratne informacije:

Ovo je kritika.

Ali mo?e biti i konstruktivan i nekonstruktivan (destruktivan - destruktivan).

Konstruktivnoj kritici nije sama osoba, ve? njena akcije i rezultate.

Algoritam za konstruktivnu kritiku

1. Formulirajte problem koji je stavljen pred podre?enog (ili jo? bolje, neka ga sam formuli?e)

Mihaile, reci mi ?ta je trebalo da se uradi?

2. Reci mu to konkretno pogre?io je

….va? izvje?taj ne opisuje potrebe ciljne publike stranice…

3. Jasno dajte do znanja ko ste zapravo na njegovoj strani

Mihaile, poznajem te kao profesionalnog i odgovornog menad?era, ?ta se desilo?...

4. Podsjetite ga koliko ste cijenjeni cijeniti njegov

…..Poznajem i cijenim tebe i rezultate svih tvojih projekata…

5. Ponovite ono ?to mislite tretiraj ga dobro, ali ne i njegovom radu u ovoj situaciji

Mihaile, ni?ta li?no, ali tvoj izve?taj... je potpuno neprikladan...

6. Postavite zadatak da ispravite nedostatke

…. Do 15. oktobra pripremiti novi izvje?taj, uklju?uju?i istra?ivanje potreba ciljne publike...

7. Zapamtite da ako je kritika zavr?ena, zavr?en je ZAUVIJEK

• Konstruktivne povratne informacije DISCIPLINE
• Poma?e zaposleniku da se promijeni
• Fokusira se na budu?nost
• Vo?a se pona?a kao mentor

Pohvale prvo!

U teoriji, ovo je najte?e podr?an, a u praksi najte?i princip.

?inilo se da je tako lako re?i zaposlenom, prije svega, da mu ide dobro, pohvaliti ga i radovati se s njim! Ali u stvarnom ?ivotu, iz nekog razloga, sve se okre?e obrnuto - da li je to na? mentalitet ili ?ta?

Za?to je toliko va?no po?eti s pohvalom?

• zaposlenik je ulo?io veliki trud, poku?ao - va?no je to primijetiti kako bi se konsolidirala pozitivna motivacija, dala pozitivna ocjena postignutog rezultata;
• to ?e pomo?i da se informacije o nedostacima sagledaju konstruktivnije;
• zaposleni ?e znati o svojim prednostima, na ?ta se mo?e osloniti u budu?em radu, to ?e oja?ati njegovo povjerenje u svoje sposobnosti.
• Vi sami, obra?aju?i pa?nju, pre svega, na snage svog podre?enog.

Ponekad se na treninzima postavlja pitanje - ?ta u?initi ako nema za ?ta pohvaliti? Izmi?ljanje ne?ega ?to kr?i princip iskrenosti? Ili odmah kritizirati, kr?e?i princip dru?eljubivosti? Odgovor je ovdje jednostavan. Uvek se ima za ?ta pohvaliti ?oveka. Ako ne mo?ete prona?i razloge za pohvalu, zna?i da ne?to nije u redu s vama kao liderom (ili konkretno zapo?ljavate samo lo?e zaposlenike J?)… To zna?i da morate hitno poraditi na sebi u tom pravcu.

10 Pravila konstruktivne kritike

• Poslu?ajte obja?njenje
• Odr?avajte ujedna?en ton
• Na?ite ne?to za pohvalu prije nego ?to kritikujete
• Kritikujte akcije, a ne ljude
• Ne tra?ite ?rtvenog jarca
• Zajedno prona?ite rje?enje i nemojte kriviti
• Ne kritikujte pred svjedocima! (pohvala u javnosti)
• Ne gomilajte pritu?be, dajte povratne informacije ?im se pojave
• Prije nego ?to kritikujete, razmislite da li ste vi krivi?

Nekonstruktivna ili destruktivna (destruktivna) kritika.

U pravilu, tipi?ne posljedice nekonstruktivne kritike su demotivacija, gubitak interesa za posao, strah od preuzimanja inicijative i pogor?anje me?uljudskih odnosa.

?etiri razloga za neuspe?nu kritiku:

• Fatalnost" Trebalo je da uradi? ne?to ovako!”
• Edifikacija " Nau?ite da slu?ate moj savjet!”
• Emocije(povi?en glas)
• Negativna generalizacija“Uvijek nema? vremena svuda, ometa? posao, nanosi? ?tetu, itd...!”

Nekonstruktivna povratna informacija, koja je op?te prirode, ne sadr?i specifi?nosti, ?injenice, evaluativna je sa fokusom na li?nost zaposlenog...

Nekonstruktivne povratne informacije:

• Fokusira se na pro?lost
• Pona?amo se kao kriti?ar SUDIJE
• Kriti?an ?ef poku?ava da natera zaposlene da rade
• Na osnovu mi?ljenja kriti?ara
• Sadr?i skrivene i otvorene uvrede
• Usmjeren na omalova?avanje polo?aja podre?enog

?to se ti?e nekonstruktivnih povratnih informacija, podijelit ?u zanimljivu parabolu:

“Jedan mladi? je kupio prekrasnu ku?u sa prekrasnim vrtom. A njegov kom?ija je bio zavidnik.

Hvalimo, kritikujemo, ispravljamo - 7 va?nih pravila

Toliko zavidan da svaki put uradi ne?to gadno. A onda je jednog lijepog jutra jedan mladi? otvorio vrata svoje ku?e i na verandi ugledao kantu punu ?ljake. Uzeo je ovu kantu, izlio pomet, uglancao kantu do sjaja, oti?ao u svoju ba?tu i napunio ovu kantu najzrelijim, najljep?im jabukama i oti?ao kod kom?ije. Jedan zavidnik, ugledav?i kom?iju kako mu se pribli?ava ku?i, obradovao se: „Kona?no sam ga uhvatio!“ i otr?ao da otvori vrata svoje ku?e, nadaju?i se skandalu. Ali, otvaraju?i vrata, ugleda kom?iju koji je, pru?aju?i kantu punu lepih jabuka, rekao: „Ko je bogat ?ime, deli...“

Ina?e, u povratnim informacijama, u?esnici treninga su rekli da je princip prije svega uo?avanja pozitivnog oko sebe postepeno pre?ao u naviku i radikalno promijenio njihov sistem pogleda na svijet oko sebe u cjelini. I ?ivot je postao mnogo radosniji, ljubazniji i bogatiji. Probajte i vi!