Da bi se odredilli ključni akteri u mreži:
Potrebno je posmatrati sve 4 mere centralnosti
Prvo je potrebno odrediti koja je mera cenralnosti najbitnija za datu mrežu
Treba posmatrati samo meru sopstvene centralnosti (eigenvector)
Dovoljno je da se posmataju bilo koje 3 od 4 mere centralnosti
. Ukoliko grafu društvene mreže želi da se doda I podatak o broju razmenjenih poruka između 2 čvora u nekom vremenskom periodu, onda se on dodaje preko:
Težine ivice
Izlaznog stepena čvora
Zbira ulaznog I izlaznog stepena čvora
Reciprociteta
Most je (u analizi društvenih mreža grafovima):
Čvor koji ima najveću sopstvenu centralnost
Čvor koji povezuje 2 klastera
Veza koja povezuje 2 klastera
Čvor koji ima najveći betweenness centrality
U usmerenoj mreži od n čvorova broj mogućih ivica je:
N*(n-1)
N*(n-1)/2
2*n*(n-1)/2
2*n*(n-1)
Dijametar mreže je:
Najduža moguća putanja između bilo koja 2 čvora u mreži a u kojoj se čvorovi ne ponavljaju
Najduža najkraća putanja između bilo koja 2 čvora u mreži
Ukupan broj veza u datoj mreži
Broj klastera u datoj mreži
Broker je (u analizi društvenih mreža-grafovima):
Čvor koji ima najveću sopstvenu centralnost
Čvor koji ima najveći betweenness centrality
Čvor koji povezuje dva klastera
Veza koja povezuje dva klastera
Prosečna dužina najkraćih putanja između svaka dva čvora u mreži je metrika koja se koristi kada se:
U mreži dužine najkraćih putanja znatno razlikuju
U mreži dužina najkraćih putanja približno ista
Određuje dijametar mreže
Određuje gustina mreže
8. Tranzitivnost zajedno sa homofilijom dovodi do:
Pucanja ključnih veza u mreži
Stvaranja gustih mreža
Stvaranja strukturnih rupa
Stvaranja klikova
9. Putanja je:
Sekvenca čvorova koja povezuje čvorove A I B, a u kojoj se čvorovi ne ponavljaju
Broj drugih čvorova sa kojima je dati čvor povezan
Broj ivica koje uviru u dati čvor
Broj ivica koje prolaze iz datog čvora
10. Kako bi glasila interpretacija sopstvene centralnosti (eigenvector centrality) u kontekstu društvenih mreža:
Koliko je verovatno da je data osoba posrednik između neke druge dve osobe iz date mreže
U kojoj meri je data osoba povezana sa uticajnim, odnosno dobro povezanim članovima mreže
Koliko drugih ljudi može datu osobu direktno da kontaktira
Koliko brzo data osoba može da dopre do bilo koje druge osobe u mreži
11. Klikovi su:
Slabo povezane mreže
Slabo povezani klasteri
Potpuno povezani klasteri
Trijade
12. Kako bi glasila interpretacija betweenness centrality (broj čvorova između kojih se čvor nalazi) u kontekstu društvenih mreža:
Koliko je verovatno da je data osoba posrednik između neke druge dve osobe iz date mreže
U kojoj meri je data osoba povezana sa uticajnim, odnosno dobro povezanim članovima mreže
Koliko drugih ljudi može datu osobu direktno da kontaktira
Koliko brzo data osoba može da dopre do bilo koje druge osobe u mreži
13. Blizina čvora(closeness centrality) označava:
Blizinu posmatranog čvora centralnoj poziciji
Koliko čvorova je direktno povezano sa posmatranim čvorom
Koliko je posmatrani čvor povezan sa ostalim čvorovima koji su uticajni
Broj čvorova između koji se posmatrani čvor nalazi
14. Ako postoji bar jedna putanja između bilo koja dva čvora mreže, onda je ta mreža:
Gusta
Povezana
Zatvorena
Tranzitivna
15. Gustina mreže se definiše kao količnik:
Broj stvarnih veza u mreži / ukupan broj mogućih veza u mreži
Broj čvorova u mreži / ukupan broj mogućih veza u mreži
Broj stvarnih veza u mreži / ukupan broj čvorova u mreži
Broj čvorova u mreži / ukupan broj stvarnih veza u mreži
16. Betweenness centrality označava:
Blizinu posmatranog čvora centralnoj poziciji
Koliko čvorova je direktno povezano sa posmatranim čvorom
Broj čvorova između kojih se posmatrani čvor nalazi
Koliko je posmatrani čvor povezan sa ostalim čvorovima koji su uticajni
17. Fenomen malog sveta je teza koja kaže da:
Se do svake osobe može doći preko lanca društvenih poznanstava dužine 6
Se do svake osobe može doći preko kratkog lanca društvenih poznanstava
Da se do svake osobe može doći preko neke društvene mreže
Je svaka društvena mreža gusta
18. Kako bi glasila interpretacija blizine čvora (closeness centrality) u kontekstu društvenih mreža:
Koliko je verovatno da je data osoba posrednik između neke druge dve osobe iz date mreže
U kojoj meri je data osoba povezana sa uticajnim, odnosno dobro povezanim članovima mreže
Koliko drugih ljudi može datu osobu direktno da kontaktira
Koliko brzo data osoba može da dopre do bilo koje druge osobe u mreži
19. Simelijeve veze:
Su veze koje su slabe
Opisuju međusobne veze između tri čvora
Su tranzitivne veze
Su veze koje su jake
20. Izlazni stepen čvora (outdegree) je:
Predstavlja broj izlaznih veza za posmatrani čvor
Sabran sa ulaznim stepenom čini ukupan stepen čvora
Je uvek veći od ulaznog stepena čvora
Uvek manji ili jednak ulaznom stepenu čvora
21. Kada dva odvojena klastera poseduju neredudantne informacije onda nastaju:
Klikovi
Strukturne rupe
Mostovi
Brokeri
22. Ukoliko je prosečan stepen realne (online) društvene mreže onda, za nasumično izabrani čvor, očekivani stepen:
Je manji od n
Je jednak n
Je veći od n
Ne zavisi od stepena mreže
23. Kako bi glasila interpretacija stepena čvora (degree centrality) u kontekstu društvenih mreža:
Koliko je verovatno da je data osoba posrednik između neke druge dve osobe iz date mreže
U kojoj meri je data osoba povezana sa uticajnim, odnosno dobro povezanim članovima mreže
Koliko drugih ljudi može datu osobu direktno da kontaktira
Koliko brzo data osoba može da dopre do bilo koje druge osobe u mreži
24. Rastojanje između dva čvora je:
Dužina najkraće putanje između posmatrana dva čvora ali koja prolazi kroz prethodno određeni centralni čvor
Dužina najkraće putanje između posmatrana dva čvora
Prosečna dužina svih putanja između posmatrana dva čvora
Dužina najduže putanje između posmatrana dva čvora a u kojoj se čvorovi ne ponavljaju
25. Tendencija čvorova da se spajaju sa čvorovima sličnih karakteristika naziva se:
Homofilija
Tranzitivnost
Reciprocitet
Simelijeve veze
26. Koja je tvrdnja tačna:
Čvorovi grafa predstavljaju relacije koje važe u društvenoj mreži
Ivice društvenog grafa su čvorovi koji su slabo povezani
Ne može svakom grafu da se pridruži matrica sesedstva
Čvorovi grafa predstavljaju entitete između kojih posmatramo veze
27. Grafove realnih (online) društvenih mreža karakteriše:
Postojanje malog broja velikih slabo povezanih grupa
Postojanje velikog broja malih slabo povezanih grupa
Postojanje malog broja velikih jako povezanih grupa
Postojanje velikog broja malih dobro povezanih grupa
28. Stepen čvora (degree centrality) označava:
Koliko je posmatrani čvor povezan sa ostalim čvorovima koji su uticajni
Broj čvorova između kojih se posmatrani čvor nalazi
Blizinu posmatranog čvora centralnoj poziciji
Koliko čvorova je direktno povezano sa posmatranim čvorom
29. Šta je na slici označeno znakom pitanja (?)?
Čvor
Ivica
Graf
Stepen čvora
30. Na slici se nalazi:
Lista ivica grafa
Matrica susedstva
Graf
Stepen čvora
31. Metrika mreže broj veza po čvoru (links per node) se definiše kao količnik:
Broj čvorova u mreži / ukupan broj mogućih veza u mreži
Broj stvarnih veza u mreži / ukupan broj čvorova u mreži
Broj čvorova u mreži / ukupan broj stvarnih veza u mreži
Broj stvarnih veza u mreži / ukupan broj mogućih veza u mreži
32. Proces rasta mreže u kome velika većina novih čvorova pristupa mreži kroz uspostavljanje konekcije sa čvorovima koji već imaju visok stepen, opisuje:
Betweenness centrality
Fenomen malog sveta
Sopstvena centralnost
Preferential attachment
33. U neusmerenoj mreži od n čvorova broj mogućih ivica je:
N*(n-1)
N*(n-1)/2
2*n*(n-1)/2
2*n*(n-1)
34. Veličina mreže se odnosi na:
Odnos broja čvorova I broja veza
Broj veza u mreži
Dijametar mreže
Broj čvorova u mreži
35. U datom primeru na slici, ukoliko se posmatra stepen čvora (degree centrality):
Čvor 10 je ključni
Čvor 3 je ključni
Čvorovi 3 I 5 su ključni
Čvor 5 je ključni
36. Na slici se nalazi:
Lista ivica grafa
Graf
Stepen čvora
Matrica susedstva
1. Inteligencija koja nastaje saradnjom I takmičenjem više pojedinaca naziva se:
Mudrost gomile (Wisdom of crowds)
Crowdsourcing
Folksonomija
Kolektivna inteligencija
2. Pod društvenim kapitalom se podrazumeva:
Bilo koji kapital čija je osnova u društvenim odnosima
Se smatra kapital čija je osnova u društvenim odnosima a koji doprinosi samo socijalnom razvoju društva
Se smatra kapital čija je osnova u društvenim odnosima a koji doprinosi privrednom I socijalnom razvoju društva
Se smatra kapital čija je osnova u društvenim odnosima a koji doprinosi samo privrednom razvoju društva
3. Do zatvaranja mreže dolazi ukoliko:
Ukoliko je mreža dobro infrastrukturno povezana (sajt, komunikacija, prostor...)
Ukoliko se offline I online mreža poklapaju
Su veze između aktera jake
Ukoliko je mreža offline ali nije online
4. Nedostatak crowdsourcing-a je:
Plaća se po rezultatu
Postoji vremensko ograničenje u rešavanju problema
Nema kontrole nad razvojem ili krajnjim proizvodom
Potrošači postaju istovremeno I dizajneri
5. Google Page Rank je primer:
Ni jedno od ponuđenog
Crowdsourcing
Mudrosti masa
Kolektivne inteligencije
6. Premošćujući društveni kapital:
Je generisan jakim vezama
Je kapital koji nastaje povezivanjem ljudi koji se nalaze na različitim društvenim položajima
Je kapital koji je sačuvan nakon fizičkog prekida off line društvenoj mreži (npr. Preseljenje na drugo mesto zbog posla ili studiranja)
Je generisan slabim vezama
7. Formiranje mreže poverenja bez centralnog sistema odlučivanja koji kontroliše ponašanje I utiče na povinovanje:
Se smatra nedostatkom kod odlučivanja mudrih gomila
Se smatra prednošću za odlučivanje mudrih gomila
Ne smatra se za bitnim za odlučivanje mudrih gomila
Se smatra prednošću za odlučivanje mudrih gomila ali samo ako su te gomile malog obima
8. Za veze između prijatelja I između rođaka važi:
Da su to slabe veze
Da su veze između prijatelja jake a veze između rođaka slabe
Da su to jake veze
Da mogu biti I jake I slabe
9. Praksa dobijanja potrebnih usluga, ideja ili sadržaja traženjem doprinosa širokog kruga ljudi (posebno online zajednice) a ne na tradicionalni način (od zaposlenih) naziva se:
Volontiranje
Folksonomija (folksonomy)
Crowdsourcing
Outsourcing
10. Folksonomija je:
Naziv za servis koji omogućava obeležavanje sadržaja na Web-u od strane svakog pojedinca
Društveni kapital koji se generiše u okviru neformalnih asocijacija
Praksa dobijanja potrebnih usluga traženjem doprinosa od širokog kruga pojedinaca
Oblik umrežavanja koji podstiče saradnju I takmičenje pojedinaca
11. Društveno tehnički kapital se odnosi na:
Upotrebu tehnologije za generisanje društvenog kapitala
To su tehnologije koje svi mogu slobodno da koriste bez ikakvih ograničenja I uslova
Je isto što I digitalni kapital
Tehnologiju koja nastaje iz društvenog kapitala
12. Različitost mišljenja, nezavisnost, decentralizacija I agregacija su uslovi:
Neophodni da bi se ispoljila kolektivna inteligencija
Neophodni za uspeh crowdsourcing-a
Neophodni da bi gomila bila mudra
Neophodni da bi se generisao društveni kapital
13. Povezujući društveni kapital:
Je generisan jakim vezama
Je kapital koji nastaje povezivanjem ljudi koji se nalaze na različitim društvenim položajima
Je kapital koji je sačuvan nakon fizičkog prekida off line društvenoj mreži (npr. Preseljenje na drugo mesto zbog posla ili studiranja)
Je generisan slabim vezama
15. Sinhrono učenje je:
Učesnici koriste alate za učenje isključivo u različito vreme
Učesnici koriste alate za učenje u međusobno isto ili različito vreme kada im to odgovara
Učesnici koriste istovremeno alate za učenje
Učesnici koriste više alata za učenje prema međusobnom dogovoru
14. Spajajući društveni kapital:
Je generisan jakim vezama
Je kapital koji nastaje povezivanjem ljudi koji se nalaze na različitim društvenim položajima
Je kapital koji je sačuvan nakon fizičkog prekida off line društvenoj mreži (npr. Preseljenje na drugo mesto zbog posla ili studiranja)
Je generisan slabim vezama
15. Sinhrono učenje je:
Učesnici koriste alate za učenje isključivo u različito vreme
Učesnici koriste alate za učenje u međusobno isto ili različito vreme kada im to odgovara
Učesnici koriste istovremeno alate za učenje
Učesnici koriste više alata za učenje prema međusobnom dogovoru
16. Jedan od primera kolektivne inteligencije:
Facebook
Goole PageRank
Twitter
LinkedIn
17. Podela na asinhrono I sinhrono učenje vezana je za:
Vreme korišćenja alata za učenje
Mesto korišćenja alata za učenje
Vrstu alata za učenje
Način korišćenja alata za učenje
18. Izabrati tačan iskaz:
Sve vrste medija pogodne za svaku vrstu sadržaja (u realizaciji društvenog učenja)
Nisu sve vrste medija pogodne za svaku vrstu sadržaja (u realizaciji društvenog učenja)
Učenici u procesu učenje se dogovaraju oko izbora alata za neophodne sadržaje
Sve vrste medija pogodne za svaku vrstu sadržaja (u realizaciji društvenog učenja) ali neke uz pomoć specijalnih programskih dodataka
19. Društveni kapital jednog društva uključuje:
Sve nabrojano
Samo institiucije
Samo odnose
Samo stavove I vrednosti koje upravljaju međuljudskim interakcijama
20. U društvenim mrežama važi da ukoliko osoba A ima jake veze sa osobama B I C onda:
U opštem slučaju B I C nisu povezane
Verovatnoća da su osobe B I C povezane je ista kao I da nisu
Su osobe B I C najverovatnije povezane
To ništa ne govori o vezi između B I C
21. Za poslovne veze I veze između poznanika važi:
Da su poslovne veze jake a veze između poznanika slabe
Da su to jake veze
Da su to slabe veze
Da mogu biti I jake I slabe
22. Neformalne asocijacije se: ne zna se tacan odg
Smatraju bitnim mehanizmom stvaranja društvenog kapitala samo ako su dozvoljene od zvaničnih institucija
Ne smatraju bitnim mehanizmom stvaranja društvenog kapitala
Se smatraju bitnim mehanizmom stvaranja društvenog kapitala ali prvo mora da se izvrši procena društvene korisnosti
Smatraju bitnim mehanizmom stvaranja društvenog kapitala
23. Vikipedija je primer:
Mudrosti masa
Crowdsourcing-a
Kolektivne inteligencije
Folksonomije (folksonomy)
24. Termin „društveno učenje“ (Social Learning) koristi se za učenje koje se realizuje:
Na Web-u
U društvenom kontekstu na Internetu
Isključivo na sajtovima društvenih mreža
Korišćenjem Web servisa sajtova društvenih mreža
25. Termin se odnosi „na resurse“ koji dobijaju pojedinci ili grupe kroz održavanje mreže društvenih veza naziva se:
Težina veze
Zaliha resursa
Društveno umrežavanje
Društveni kapital
26. Prednost koju kompanije imaju od crowdsourcing-a je:
Nema problema intelektualnog vlasništva
Nema vremenskog ograničenja
Nema problema sa kvalitetom usluga
Problemi mogu da se istražuju bez ikakvog troška
27. U procesu društvenog učenja, ostvaruje se:
Samo neposredna komunikacija između učesnika I Web alata
Posredna I neposredna interakcija isključivo između svih učesnika
Posredna I neposredna interakcija između samih učenika, učenika I nastavnika, između nastavnika međusobno, između svih učesnika I veb alata I između svih učesnika I sadržaja
Samo posredna komunikacija između učesnika I učesnika I veb alata
28. Prednost slabo povezanih mreža je:
Ako je osoba A povezana slabim vezama sa B I C, onda su vrlo verovatno u vezi I osobe B I C
Transfer informacija I novih ideja je mnogo intenzivniji
Jaka podrška od širokog kruga ljudi
Intenzivnija saradnja između članova mreže
29. Primer kada više korisnika taguje određeni sadržaj različitim terminima iz različitih rečnika, kreirajući više metapodataka za sadržaj, predstavlja:
Užu folksonomiju
Kolektivnu inteligenciju
Širu folksonomiju
Tag cloud
1. Povezivanje izjava o tome koji korisnik koga poznaje I koliko ima poverenja u korisnike koje poznaje je omogućeno:
X.509 standardom
Agentima poverenja
FOAF modelom
Avokado metrikom
2. Stav da poverenje „ne teče“ od lošeg do dobrog čvora mreže se koristi kod:
FOAF modela
Invarijantnosti poverenja
Avokado metrike
Spajanja poverenja
3. Poverenje se različito ocenjuje od strane različitih ljudi što znači da je poverenje kao pojava:
Kompozitno
Subjektivno
Merljivo
Relevantno
4. Ako poverenje nije apsolutno, postoji neizvesnost I nivo poverenja može se izmeriti raznim kriterijumima, što znači da je poverenje kao pojava:
Relevantno
Merljivo
Subjektivno
Kompozitno
5. Osoba A može imati veliko poverenje u osobu B kao lekara ali da uopšte nema poverenja u osobu B kao vozača je:
Poverenje u osobu
Poverenje u celini
Poverenje u temu
Poverenje u temu ali ne u osobu
6. Ako se ukloni čvor iz grafa mreže poverenja, a grane se preusmere na njegove poverljive čvorove I ako se spojeno poverenje ne promeni onda je u pitanju:
Poverenje koje ima jaku opštu invarijantnost
Poverenje koje ima slabu opštu invarijantnost
Uverenje
Preporučeni nivo poverenja
7. Koliko nivoa ima FOAF skala poverenja:
9
4
10
6
8. Šta je od navedenog nedostatak komunikacije na društvenim mrežama
Jednostavna brza komunikacija
Fleksibilna komunikacija
Doseg informacija postao je globalni
Nedostatak standardizacije
9. Nivo poverenja zavisi od uticaja poverenja na dalje akcije korisnika I od drugih manje razumljivih faktora, što znači da je poverenje kao pojava:
Relevantno
Merljivo
Kompozitno
Subjektivno
10. Ako se doda deo putanje poverenja u grafu mreže poverenja usmereno od jednog do drugog čvora, a poverenje između ta dva čvora se ne promeni, onda je u pitanju:
Poverenje koje ima jaku opštu invarijantnost
Preporučeni nivo poverenja
Uverenje
Poverenje koje ima slabu opštu invarijantnost
11. Poverenje jedne strane u drugu ne znači obavezno I obrnuto, što znači da je poverenje kao pojava:
Kompozitno
Tranzitivno
Relevantno
Asimetrično
12. Identifikovanje korisnika jedinstvenom e-mail adresom je svojstveno za:
Invarijantnost poverenja
Avogato metriku
FOAF model poverenja
Spajanje poverenja
Disciplina koja traži početni nivo poverenja u akciji za koju ne postoje prethodna znanja, iskustva I ishodi naziva se:
Skala poverenja
Mreža poverenja
Metrika poverenja
Model poverenja
Šta je od navedenog, prednost komunikacije na društvenim mrežama:
Jednostavna I fleksibilna komunikacija
Zaštita privatnosti
Moguća skrivanja identiteta u komunikacijama
Nedostatak standardizacije
Šta je tačno:
Sve što važi za poverenje u opštem slučaju važi I za poverenje na vebu
Ono što važi za poverenje u opštem slučaju uopšte ne važi za poverenje na vebu
Sve što važi za poverenje u opštem slučaju samo delimično važi I za poverenje na vebu
Ono što važi za poverenje u opštem slučaju samo delimično važi za poverenje na vebu
16. X.509 I PGP (Pretty Good Privacy) predstavljaju:
Modele poverenja
Sisteme za opis poverenja
Metrike poverenja
Skale poverenja
Agenti poverenja su:
Aplikacije društvenih mreža koje se koriste za ocenjivanje poverenja
Metrika poverenja
Standard za poverenje
Mreža poverenja
18. Od koliko komponenti se sastoji poverenje na društvenim mrežama:
9
6
5
3
19. „Slepo poverenje“:
Se ne preporučuje ali postoji
Je poverenje kod koga je potpuno poznat ishod pre izvršene akcije
Se zasniva na prethodnom iskustvu
Je isto što I apsolutno poverenje
20. Kada se dobija veći broj preporuka o poverenju u drugu stranu na osnovu njih se sastavlja jedno poverenje, što znači da je poverenje kao pojava:
Merljivo
Relevantno
Subjektivno
Kompozitno
21. Ako postoji poverenje u drugu stranu uglavnom postoji I poverenje u preporuku te druge strane, što znači da je poverenje kao pojava:
Asimetrično
Tranzitivno
Merljivo
Kompozitno
22. Šta je tačno:
Poverenje u celini povlači poverenje I u temu I u osobu
Poverenje u osobu povlači poverenje u temu
Poverenje u celini znači poverenje u osobu ali ne obavezno I poverenje u temu
Poverenje u temu povlači poverenje u osobu
23. Šta važi za poverenje I uverenje:
Iz uverenja može da se izračuna poverenje
Poverenje I uverenje su isti pojmovi
Poverenje I uverenje su dva različita pojma
Iz poverenja može da se izračuna uverenje
24. Stav da dobri čvorovi na društvenoj mreži retko sertifikuju loše čvorove a loši čvorovi sertifikuju jedni druge se koristi kod:
Invarijantnosti poverenja
FOAF modela
Avokado metrike
Spajanja poverenja
25. Sa stanovišta upotrebe veb servisa, slični korisnici su korisnici:
Koji koriste iste servise
Koji pokazuju identično ponašanje na istu dinamiku ponašanja
Istu dinamiku ponašanja
Koji pokazuju identično ponašanje
26. Apsolutno poverenje:
Se ne preporučuje
Zasniva se na prethodnom iskustvu
Zasniva se na potrebnom preduslovu saradnje
Je poverenje kod koga je potpuno poznat ishod pre izvršene akcije
27. Poverenje kao rezultat saradnje:
Nije validno jer nije rezultat slobodne volje
Zasniva se na potrebnom preduslovu saradnje
Zasniva se na prethodnom iskustvu
Je poverenje kod koga je potpuno poznat ishod pre izvršene akcije
28. Da bi mogao da se odvija proces komunikacije neophodno je da postoje:
Predajnik, prijemnik I kanal za komunikaciju
Predajnik, prijemnik, kanal za komunikaciju I povratna sprega
Predajnik I prijemnik
Predajnik I kanal
29. Kod procesa komunikacije prikazanog na slici buka (šum) se odnosi:
Na dodatne uticaje iz okoline koje ometaju slanje poruke
Na sve ono što može da omete prenošenje I razumevanje (prijem) poruke
Samo na ono što fizički može da omete prenošenje poruke
Samo na perceptivne prepreke koje mogu da se jave kod prijema poruke
30. Na slici je prikazano:
Definisani tipovi poverenja
Standard za poverenje
Skala poverenja sa 6 nivoa
Algoritam za proučavanje poverenja
1. Za jedinistveno identifikovanje entiteta se koriste:
Fajlovi dostupni na Web-u
Baze znanja koje se nalaze na zaštićenim serverima kojima se pristupa samo iz okvira nekih organizacija
Baze podataka
Baze znanja dostupne na Web-u
2. Facebook’s Entity Graph je primer:
Sistema za poslovnu analizu
Aplikacije za semantičko pretraživanje
Baze znanja
Sistema za analizu segmenata
3. Prepoznavanje relacija koje postoje između (imenovanim) entitetima:
Je zadatak ekstrakcije informacija
Je zadatak analize segmenata
Nije zadatak analize sadržaja
Je jedan od faktora na osnovu koga se određuje preformanse Sistema za analizu sadržaja
4. Izabrati tačan iskaz:
Kod semantičkog indeksiranja glavni zadatak je da se odredi pravo značenje entiteta u datom kontekstu
Semantičko indeksiranje se koristi za ekstrakciju informacija
Za semantičko indeksiranje koriste se baze znanja koje se nalaze na Web-u
Semantičko indeksiranje je isto što I pretraživanje informacija
5. IBM Watson je poznat kao:
Sistem koji je prvi uspeo da prevaziđe čoveka u kvizovima opšteg znanja
Sistem koji je prvi put uspeo da pobedi svetskog prvaka u šahu
Sistem sa najvećom bazom znanja
Sistem koji prikuplja I analizira online novinske članke, blogove I postove u realnom vremenu
6. Kod identifikacije ključnih tema/koncepata nakon identifikacije tema:
Analiziraju se tekstovi I prezentuju samo segmenti informacija
Konsultuju se baze znanja dostupne na Web-u
Obično se radi njihovo rangiranje po značajnosti
Pronalaze se (potencijalno) relevantni tekstovi I prezentuju korisniku
7. Kod ekstrakcije informacija, najteži zadatak je:
Prepoznavanje koreferenci
Prepoznavanje opisa entiteta
Prepoznavanje događaja
Prepoznavanje relacija
8. Sistem za ekstrakciju:
Analizira tekstove I prezentuje samo segmente informacija (izvučene iz teksta) za koje korisnik može biti zainteresovan
Prepoznaje entitete u tekstu I jedinstveno ih identifikuje
Pronalazi (potencijalno) relevantne tekstove I prezentuje ih korisniku
Određuje na šta se odnosi entitet
9. Razrešavanje koreferenci kod ekstrakcije informacija obuhvata:
Određivanje na šta se odnosi entitet
Određivanje opisa entiteta
Određivanje vrste entiteta
Određivanje relacije između entiteta
10. Google Knowledge Graph je primer:
Baze znanja
Aplikacije za semantičko pretraživanje
Sistema za analizu sentimenata
Sistema za poslovnu analizu
11. IBM Watson I Wolfram Alpha su primeri:
Sistema za identifikovanje entiteta
Sistema za pretraživanje
Sistema za semantičko indeksiranje
Sistema za ekstrakciju
12. Šta je primer baze znanja koja se koristi za semantičko indeksiranje:
IBM Watson
Google
Bing
Freebase
13. Šta je primer sistema za pretraživanje:
IBM Watson
Google
Bing
Freebase
14. Kod semantičkog indeksiranja za jedinstveno imenovanje entiteta koristi se:
Kolektivna inteligencija
Baza indeksa Web stranica
Analiza sentimenata
Baze znanja
15. Procenat relevantnih informacija koje su ekstrahovane je:
Mera odziva sistema za ekstrakciju informacija
Mera preciznosti sistema za ekstrakciju informacija
Mera gustine sistema za ekstrakciju informacija
Mera održivosti sistema za ekstrakciju informacija
16. Google I Bing su primer:
Sistema za ekstrakciju
Sistema za pretraživanje
Sistema za semantičko indeksiranje
Sistema za identifikovanje entiteta
17. Sistem za pretraživanje:
Prepoznaje entitete u tekstu I jedinstveno ih identifikuje
Analizira tekstove I prezentuje samo segmente informacija (izvučene iz teksta) za koje korisnik može biti zainteresovan
Pronalazi (potencijalno) relevantne tekstove I prezentuje ih korisniku
Određuje na šta se odnosi entitet
18. Prepoznavanje opisa entiteta:
Određivanje vrste entiteta
Određivanje tipičnog prideva entiteta
Određivanje relacije između entiteta
Određivanje na šta se odnosi entitet
19. Za jedinstveno identifikovanje entiteta se koriste:
Fajlovi dostupni na Web-u
Baze znanja koje se nalaze na zaštićenim serverima kojima se pristupa samo iz okvira nekih organizacija
Baze podataka
Baze znanja dostupne na Web-u
20. Procenat ekstrahovanih informacija koje su relevantne je:
Mera odziva sistema za ekstrakciju informacija
Mera preciznosti sistema za ekstrakciju informacija
Mera gustine sistema za ekstrakciju informacija
Mera održivosti sistema za ekstrakciju informacija
21. Ekstrakcija informacija I pretraživanje informacija su:
Slični procesi, gde ekstrakcija informacija pronalazi relevantne tekstove, a sistem za pretraživanje analizira tekstove I predstavlja samo segmente teksta
Slični procesi, gde ekstrakcija informacija analizira tekstove I predstavlja samo segmente teksta, a sistem za pretraživanje pronalazi relevantne tekstove
Identični procesi I predstavljaju sinonime za isti postupak
Potpuno različiti procesi
22. Prepoznavanje imenovanih entiteta kod ekstrakcije informacija obuhvata:
Određivanje relacije između entiteta
Određivanje na šta se odnosi entitet
Određivanje tipičnog opisa entiteta
Određivanje vrste entiteta
23. Analiza poruka koje se razmenjuju preko društvenih medija sa ciljem da se identifikuje stav, mišljenje ili emocija naziva se:
Poslovna inteligencija
Poslovna analitika
Semantička analiza
Analiza sentimenata
24. Procenat relevantnih informacija koje su ekstrahovane I procenat ekstrahovanih koje su relevantne su:
Dva pojma koja su direktno proporcionalna
Dva ista pojma
Dva različita pojma koja se međusobno isključuju
Dva različita pojma koji su često u “konfliktu”
25. Poslovne analitike se odnose na:
Ekstrakciju entiteta iz novinskih članaka, blog postova I slično
Analizu tekstualnih sadržaja društvenih medija I mreža radi identifikacije relevantnih entiteta
Zavisnost performansi od specifičnosti I kompleksnosti zadatka ekstrakcije
Ekstrakciju informacije za preporuku reklama za datu Web stranu
26. Identifikacija ključnih tema/koncepata I semantičko indeksiranje su: ne znam tacan odgovor
Slični termini s tim što se kod identifikacije ključnih tema/koncepata teme/koncepti ne vezuju za ceo tekst
Slični termini s tim što se kod identifikacije ključnih tema/koncepata teme/koncepti ne vezuju za pojedinačne reči
Potpuno različiti termini koji se često mešaju
Slični termini s tim što se kod semantičnog indeksiranja teme/koncepti ne vezuju za pojedinačne reči
27. Semantičko indeksiranje:
Prepoznaje entitete u tekstu I jedinstveno ih identifikuje
Analizira tekstove I prezentuje samo segmente informacija (izvučene iz teksta) za koje korisnik može biti zainteresovan
Pronalazi (potencijalno) relevantne tekstove I prezentuje ih korisniku
Određuje na šta se odnosi entitet
28. Šta je primer sistema za pretraživanje:
Walfram Alpha
Dbpedia
Google
IBM Watson
Other
Please Specify:
1. Kvalitet sistema preporuke se meri kroz njegovu sposobnost:
Da preporuči sadržaj iz long tail-a
Da preporuči što više sadržaja
Da vrši brzu selekciju
Da bude user friendly
2. Sparsity problem je problem koji se javlja kada:
Za neki proizvod/sadržaj ne postoji ni jedna direktna ocena
Postoji nedostatak parova (korisnik, ocena)
Ne može da se utvrdi sličnost između korisnika/artikala
Nedostaju informacije o novim korisnicima/artiklima
3. “Ovaj blog post je napisao/preporučio tvoj prijatelj X” je objašnjenje koje se dobija kada sistem primenjuje metodu:
Najbližih suseda
Koja se bazira na društvenim konekcijama
Koja koristi bazu znanja
Koja se bazira na sadržaju
4. “Korisnici koji su kupili proizvod X takođe su kupili proizvod Y” je objašnjenje koje se dobija kada sistem primenjuje metodu:
Najbližih suseda
Koja se bazira na društvenim konekcijama
Koja koristi bazu znanja
Koja se bazira na sadržaju
5. Filter bubble je problem:
Koji se javlja kada ne može da se utvrdi sličnost između korisnika/artikala
Izolacije korisnika od sadržaja koji ne pripadaju sferi njegovog iskazanog interesovanja
Koji se javlja kada nedostaju informacije o novim korisnicima/artiklima
Koji se javlja kada postoji nedostatak parova (korisnik, ocena)
6. Metoda najbližih suseda predstavlja:
Metodu zasnovanu na znanju koju koriste sistemi preporuka
Metodu za personalizovanje poruka
Metodu zasnovanu na sadržaju koju koriste sistemi preporuka
Kolaborativnog filtriranja koju koriste sistemi preporuka
7. Od koliko neuronskih mreža se sastoji Youtube-ov sistem preporuka:
2
1
Više od 4
3
8. Kolaborativno filtriranje označava:
Softverske sisteme koji na osnovu procenjenih interesovanja I preferenci korisnika automatski selektuju informacije/artikle/usluge koje bi korisniku mogle biti interesantne/relevantne
Vizuelizaciju za bolje razumevanje podataka
Najšire korišćen pristup za generisanje preporuka, posebno u kontekstu online društvenih mreža I Web-a generalno
Metodu umetanja podataka u Web stranice
9. Netflix je najpoznatiji po:
Po broju registrovanih korisnika
Količini sadržaja koje nudi
Svom sistemu preporuka
Po tome što je uspeo da animira korisnike za eksplicitno ocenjivanje
10. Velika količina veza na društvenim mrežama, komentarisanje, tagovanje, označavanje sadržaja sa “sviđa mi se”/”ne sviđa mi se” dovodi do:
Fenomena nazvanog long tail
Zasićenja informacijama
Zasićenja interakcijama
Filter bubble problema
11. Kolaborativno filtriranje koristi:
Podatke sa profila korisnika, parametre konteksta I podatke o ostalim korisnicima
Koristi sve raspoložive podatke na Internetu o korisniku, artiklima I drugim korisnicima
Samo podatke sa profila korisnika I parametar konteksta
Podatke sa profila korisnika, parametar konteksta I podatke o proizvodima
12. Kod Pirsonovog koeficijenta, što je vrednost bliža -1 to znači da:
Su korisnici/artikli sličniji
Se korisnici/artikli više razlikuju
Da artikal/korisnika ne treba preporučiti
Da artikal/korisnika treba preporučiti
13. Pirsonov koeficijent korelacije se koristi da se:
Izmeri popularnost korisnika/proizvoda/sadržaja
Odredi broj proizvoda/sadržaja koji će biti preporučen
Izabere metoda koju će koristiti sistem preporuke
Izmeri sličnost korisnika/proizvoda
14. Preporuke zasnovane na znanju, predstavljaju sledeće:
Preporučiti korisniku ono što odgovara njegovim potrebama
Preporučiti korisniku ono za šta je malo njegovih “prijatelja” čulo/kupilo
Preporučiti korisniku sadržaje slične onima koji su mu se I ranije sviđali
Preporučiti korisniku ono što je popularno među njegovim/njenim “prijateljima”
15. Personalizovane preporuke koriste:
Podatke sa profila korisnika, parametre konteksta I podatke o ostalim korisnicima
Koristi sve raspoložive podatke na Internetu o korisniku, artiklima I drugim korisnicima
Samo podatke sa profila korisnika I parametre konteksta
Podatke sa profila korisnika, parametre konteksta I podatke o proizvodima
16. Pretpostavka da se interesovanja korisnika tokom vremena ne menjaju:
Je heuristika koja se koristi kod sistema preporuka
Nije tačna ali se to pokazalo kao nebitno
Je dovela do pojave filter bubble problema
Je greška koja dovodi do problema u radu kod sistema preporuka
17. Sistemi preporuke su:
Softverski sistemi koji selektuju informacije koje bi korisniku mogle da budu interesantne/korisne
Personalni asistenti
Softverski sistem za analizu društvenih mreža
Softverski sistem za pretragu sadržaja na Internetu
18. Amazon je poznat po:
Broju proizvoda koje nudi
Isključivoj upotrebi neuronskih mreža u sistemu preporuka
Tome što najbolje koristi eksplicitno ocenjivanje
Tome što je uspešno iskoristio long tail u sistemu preporuka
19. Poverenje u sistem preporuke se, između ostalog, podstiče:
Podizanjem Pirsonovig koeficijenta
Davanjem objašnjenja uz preporuku
Zahtevanjem da se sadržaji eksplicitno ocene
Što većom količinom preporuka
20. Problem izolacije korisnika od sadržaja koji se nalaze izvan iskazane sfere interesovanja je:
Cold start problem
Filter bubble problem
Problem privatnosti
Sparsity problem
21. Long tail predstavlja:
Veliki deo informacija na Internetu za koje veliki broj korisnika pokaže interesovanje
Mali deo informacija na Internetu za koje veliki broj korisnika pokaže interesovanje
Veliki deo informacija na Internetu za koje mali broj korisnika pokaže interesovanje
Mali deo informacija na Internetu za koje mali broj korisnika pokaže interesovanje
22. Velika količina vesti, blogova, foruma, Wiki podataka… kojima su ljudi svakodnevno okruženi dovodi do:
Zasićenja informacijama
Fenomena nazvanog long tail
Zasićenja interakcijama
Filter bubble problema
23. Preporuke zasnovane na sadržaju koriste:
Koristi sve raspoložive podatke na Internetu o korisniku, artiklima I drugim korisnicima
Podatke sa profila korisnika, parametre konteksta I podatke o proizvodima
Samo podatke sa profila korisnika I parametre konteksta
Podatke sa profila korisnika, parametre konteksta I podatke o ostalim korisnicima
24. Kada korisnik označi neki proizvod/sadržaj sa 5 zvezdica, onda je taj proizvod:
Označen kao linkovan
Indirektno ocenjen
Označen da je od poverenja
Direktno ocenjen
25. Problem hladnog starta (Cold start problem) je problem koji se javlja kada:
Nedostaju informacije o novim korisnicima/artiklima
Postoji nedostatak parova (korisnik, ocena)
Ne može da se utvrdi sličnost između korisnika/artikla
Za neki proizvod/sadržaj ne postoji ni jedna direktna ocena
26. Kupovina nekog proizvoda ili zadržavanje na nekom sadržaju na Internetu:
Ne predstavlja kriterijum za ocenjivanje
Predstavlja indirektno ocenjivanje
Predstavlja direktno ocenjivanje
U zavisnosti od konteksta može da bude I direktno I indirektno ocenjivanje
27. “Ovaj novinski članak govori o temi X koja pripada skupu tema za koje ste ranije pokazali interesovanje” je objašnjenje koje se dobija kada sistem primenjuje metodu:
Koja koristi bazu znanja
Koja se bazira na društvenim konekcijama
Koja se bazira na sadržaju
Najbližih suseda
28. Šta je od navedenog prednost eksplicitnog ocenjivanja:
Jednoznačno ukazuju na ukus/mišljenje/stav korisnika
Podstiče poverenje korisnika u sistem
Jednostavno I kontinuirano prikupljanje podataka bez opterećenja korisnika
Korisnici rado ocenjuju artikle/sadržaje
29. Kod Pirsonovog koeficijenta, što je vrednost bliža 1 to znači da:
Su korisnici/artikli sličniji
Se korisnici/artikli više razlikuju
Da artikal/korisnika ne treba preporučiti
Da artikal/korisnika treba preporučiti
30. Šta je tačno:
Sistem preporuke prethodi sistemu pretrage
Sistem preporuke I sistem pretrage sadržaja na Internetu je isto
Sistem preporuke treba d preporuči nešto što je korisniku nepoznato a sistem pretrage da locira ono što je poznato
Sistem preporuke treba da preporuči nešto što je korisniku poznato a sistem pretrage da locira ono što je nepoznato
{"name":"Da bi se odredilli ključni akteri u mreži:", "url":"https://www.quiz-maker.com/QPREVIEW","txt":"Da bi se odredilli ključni akteri u mreži:, . Ukoliko grafu društvene mreže želi da se doda i podatak o broju razmenjenih poruka između 2 čvora u nekom vremenskom periodu, onda se on dodaje preko:, Most je (u analizi društvenih mreža grafovima):","img":"https://www.quiz-maker.com/3012/CDN/77-3615830/capture.png?sz=1200"}