Acta Informatica Pragensia Vol. 4, No. 2, 2015

22015

ACTA INFORMATICAPRAGENSIA

S c i e n t i fi c J o u r n a l | V ě d e c k ý č a s o p i s

University of Economics, PragueVysoká škola ekonomická v Praze

Faculty of Informatics and StatisticsFakulta informatiky a statistiky

Stanislava Mildeová (Editor-in-Chief)

University of Economics, Prague

Klára Antlová

Technical University of Liberec

Martin Boháček


Tomáš Bruckner


Vesna Čančer

University of Maribor

Rasa Daugėlienė

Kaunas University of Technology

Jiří Fišer

J. E. Purkyne University, Usti nad Labem

Milan Houška

Czech University of Life Sciences, Prague

Miloslav Hub

University of Pardubice

Petr Kučera

Independent consultant, Prague

Petr Máša

Partners Financial Services, Prague

Jan Ministr

VSB-Technical University of Ostrava

Editorial Board / Redakční rada

Eve Mitleton-Kelly

University of London

Ingeborg Němcová


Jan Rauch


Václav Řezníček

Independent consultant, Prague

Markus Schwaninger

University of St. Gallen

Antonín Slabý

University of Hradec Kralove

Zdeněk Smutný


Olga Štěpánková

Czech Technical University, Prague

Prokop Toman

Czech University of Life Sciences, Prague

Milan Turčáni

Constantine the Philosopher University, Nitra

Viktor Vojtko

University of South Bohemia, Ceske Budejovice

Jan Voráček

College of Polytechnics, Jihlava

Petr Kučera

CERGE-EI, Charles University

Contact address / Kontakt:

Acta Informatica Pragensia


nám. W. Churchilla 4, 130 67 Praha 3, Czech Republic

web: aip.vse.cz

Technical editors / Editoři:

Zdeněk Smutný & Václav Řezníček


e-mail: [email protected]

tel.: +420 224 095 473

ACTA INFORMATICA PRAGENSIA

ISSN 1805-4951 (Online)

Acta Informatica Pragensia is focused on the field of applied informatics, including its

inter- and transdisciplinary character with an emphasis on management and administration in the field

of socio-economic environment. The journal is published biannually by the University of Economics,

Prague and is included in the government list of peer-reviewed journals published

in the Czech Republic.

Časopis Acta Informatica Pragensia se zaměřuje na oblast aplikované informatiky, a to včetně jejího

v současnosti inter- a transdisciplinárního charakteru s akcentem na problematiku řízení a správy v oblasti

sociálně-ekonomického prostředí. Časopis vydává VŠE v Praze a je publikován dvakrát ročně. Časopis

je uveden v Seznamu recenzovaných neimpaktovaných periodik vydávaných v ČR – platný v roce 2015.

http://aip.vse.cz/

CONTENTS / Obsah Peer-reviewed papers / Recenzované stati

Lněnička, M.: AHP Model for the Big Data Analytics Platform Selection |||||||||||||||||||||||||||| 108

Němec, R., Zapletal, F.: Proposal of Decision-making Model Using the DeLone

and McLean’s Information System Success Model Together with the AHP |||||||||||||||||||||||| 122

Hronza, R., Pavlíček, J., Náplava, P.: Measures of quality of process models

created in BPMN (in Czech) |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||| 140

Hradil, J., Sklenák, V.: Color Mapping on Common Use-Cases

in a Web Application (in Czech) |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||| 154

Kedaj, P., Pavlíček, J.: Modified Ishikawa Diagram as a Tool for Knowledge-Mapping

of Agronomic Practices (in Czech) ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||| 174

Perspective / Perspektiva

Smutný, Z., Řezníček, V.: Predatory Open Access Publishers

and other Dangers to Today’s Scientific Community (in Czech) ||||||||||||||||||||||||||||||||||||||||||| 182

2 2015

ACTA INFORMATICA PRAGENSIA

© Authors of the articles / Autoři jednotlivých článků.

Acta Informatica Pragensia, 2015, 4(2): 108–121

DOI: 10.18267/j.aip.64

Peer-reviewed paper

108 ACTA INFORMATICA PRAGENSIA Volume 04 | Number 02 | 2015

AHP Model for the Big Data Analytics Platform Selection

Martin Lněnička*

Abstract

Big data analytics refers to a set of advanced technologies, which are designed to efficiently operate and maintain data that are not only big, but also high in variety and velocity. This paper analyses these emerging big data technologies and presents a comparison of the selected big data analytics platforms through the whole data life. The main aim is then to propose and demonstrate the use of an AHP model for the big data analytics platform selection, which may be used by businesses, public sector institutions as well as citizens to solve multiple criteria decision-making problems. It would help them to discover patterns, relationships and useful information in their big data, make sense of them and to take responsive action.

Keywords: AHP model, Big data analytics, Big data life cycle, Platform selection, Decision-making.

1 Introduction

The period of business decision-making processes based on simple reports generated from

filtered, preselected and structured data is coming to an end. The emphasis is no longer placed

on counting and comparing key performance indicators, but rather on finding a statistically

significant connection between these indicators and related datasets. These have much less

structure, or more complex structure, than the traditional models. Consequently, a novel view

of large amount of structured as well as unstructured and semi-structured data can help gain

a sustainable competitive advantage for businesses.

Although big data are characterized in terms of volume, velocity and variety, it is more

practical to define big data in the context of management relationships and analytics and how

they impact business decisions (Loshin, 2013). In many real-world situations, it is important

to make accurate predictions based on the available information. Today, software architecture

constrains the achievement of quality attributes such as high performance, usability and

maintainability of a system (Daniluk, 2012). Different industry sectors and users will also

tend to want to ask different types of questions. Big data is poised to add greater value to

businesses, to solve science problems, to support modern medicine, etc. (Tien, 2013).

Thanks to developments in both hardware and software, the technology to store, interrogate

and analyse data is improving rapidly (Lake & Drake, 2014). However, challenges vary for

different applications as they have differing requirements of consistency, usability, flexibility,

* Institute of System Engineering and Informatics, Faculty of Economics and Administration, University of Pardubice,

Studentska 84, 532 10 Pardubice, Czech Republic

[email protected]


compatibility or data flow (Shamsi, Khojaye, & Qasmi, 2013). Thus, to perform any kind of

analysis on such voluminous and complex data, scaling up the hardware platforms becomes

imminent and choosing the right platform becomes a crucial decision. Researchers have been

working on building novel data analysis techniques for big data more than ever before, which

has led to the development of many different algorithms and platforms (Singh & Reddy,

2014).

As a result, the main aim of this paper is to propose an Analytic Hierarchy Process (AHP)

model for the big data analytics platform selection based on the three defined use cases.

Accordingly, some of the various big data analytics platforms are discussed in detail and their

applications and opportunities provided in several big data life cycle phases are portrayed.

2 Research Methodology

The main goal of this paper is to propose the AHP model for the big data analytics platform

selection to help businesses as well as public sector institutions and citizens, so they can make

an informed decision. In addition, this paper offers added value by means of a classification

of existing big data analytics platforms based on the big data life cycle.

The literature reviewed is selected based on its novelty and discussion of important topics

related to big data analytics and platforms comparison in order to serve the purpose of this

research. Method of the AHP is used to compare the defined criteria. The AHP is a multiple

criteria decision-making (MCDM) tool that has been applied to many practical decision-

making problems (Saaty, 1990; Saaty, 2008). It has been used in almost all the applications

related with decision-making, including the capability of handling many criteria, mainly if

some of the criteria are qualitative, as well as the evaluation of large sets of alternatives. This

proves the versatile nature of the AHP, enabling to arrange the different alternatives according

to the requirements of the decisions to be taken (Vaidya & Kumar, 2006).

3 Literature Review

3.1 Big Data and Big Data Analytics

For the most part, in popularizing the big data concept, the analyst community and the media

have seemed to latch onto the alliteration that appears at the beginning of the definition

(Loshin, 2013). Though, big data are attributed to have such characteristics as volume,

velocity and variety (3V). Other authors, such as Demchenko, Grosso, Laat, and Membrey

(2013) or Loshin (2013) added additional Vs (value and veracity) or variability respectively,

intended to capitalize on an apparent improvement to the definition.

Big data fundamentally mean datasets that could not be perceived, acquired, managed and

processed by traditional technologies within a reasonable time, which indicates that efficient

tools and platforms together with suitable methods have to be developed to analyse and

process big data (Chen, Mao, & Liu, 2014).

The popularity of big data analytics platforms, which are often available as open-source, has

not remained unnoticed by big companies. Google uses MapReduce for PageRank and

inverted indexes. Facebook uses Apache Hadoop to analyse their data and created Hive. eBay

uses Apache Hadoop for search optimization and Twitter uses Apache Hadoop for log file

analysis and other generated data (Saecker & Markl, 2013). Also various platforms have been

developed mainly by the industry to support big data analytics, including Yahoo’s PNUTS,

Microsoft’s SCOPE, Twitter’s Storm, etc. (Guo, 2013; Zhao, Sakr, Liu, & Bouguettaya,


2014). Although Apache Hadoop has been very successful for most of the big data problems,

it is not an optimal choice in some situations. Mostly because of the drawbacks such as

special data processing requirements, difficulties to configure and manage the Hadoop cluster,

etc. (Guo, 2013).

Chen et al. (2014) introduced the general background of big data and review related

technologies, such as cloud computing, Internet of Things, data centres and Apache Hadoop.

They emphasized the importance of big data analysis through the six key technical fields:

structured data analysis, text data analysis, web data analysis, multimedia data analysis,

network data analysis and mobile data analysis. Also Elgendy and Elragal (2014) analysed

some of the different analytics methods and tools which can be applied to big data, as well as

the opportunities provided by the application of big data analytics in various decision

domains. They concluded that big data analytics can be applied to leverage business changes

and enhance decision-making by applying advanced analytics techniques on big data and

revealing hidden insights and valuable knowledge. Vossen (2014) studied and reviewed the

issues, techniques and applications of big data, with an emphasis on business intelligence

architectures. Saecker and Markl (2013) then presented an overview of existing processing

approaches to address the problems arising from big data analytics when using modern

hardware architectures. They claim that models of distributed systems and modern hardware

architectures employ a parallel model. Loshin (2013) suggested that as a way to properly

ground any initiatives around big data, one initial task would be to evaluate the fitness of

business as a combination of the five factors: feasibility, reasonability, value, integrability and

sustainability.

Kaisler, Armour, Espinosa, and Money (2013) focused on the issues and challenges of big

data. They suggested that there are three fundamental issue areas that need to be addressed in

dealing with big data: storage and transport issues, management issues and processing issues.

Demchenko et al. (2013) introduced the big data life cycle management model that includes

all the major stages and reflects new challenges and specifics in the big data management.

Data integrity, access control and accountability must be supported during the whole big data

life cycle.

Chen et al. (2014) and Che, Safran, and Peng (2013) reviewed of state of the art frameworks

and platforms for processing and managing big data as well as the efforts expected on big data

mining. Also Singh and Reddy (2014) provided an in-depth analysis of different platforms

available for performing big data analytics and assessed the advantages and drawbacks of

each of these platforms based on various metrics such as scalability, data I/O rate, fault

tolerance, real-time processing, data size supported and iterative task support. Lee et al.

(2011) provided a timely remark on the status of MapReduce studies and related work to aim

at improving and enhancing the MapReduce framework. They mostly focused on the

overcoming of this framework’s limitations. Zhao et al. (2014) provided a comprehensive

survey for a family of approaches and mechanisms of large scale data processing mechanisms

that have been implemented based on the original idea of the MapReduce framework. Sakr,

Liu, and Fayoumi (2013) surveyed the MapReduce framework’s variants and its extensions

for large scale data processing.

3.2 Big Data Life Cycle and Related Platforms

A life cycle of big data can be divided in four phases (Chen et al., 2014): data generation, data

acquisition, data storage and data analysis. Data generation and data acquisition are then an

exploitation process, data storage is a storage process and finally data analysis is a production

process that utilizes the raw material to create new value. Data analysis is the final and the


most important phase in the life cycle of big data, with the purpose of extracting useful values

and providing decisions (Chen et al., 2014). Tien (2013) also identified four components of

big data: acquisition (including data capture), access (data indexing, storage, sharing and

archiving), analytics (data analysis and manipulation) and application (data publication).

The big data analytics process should support the whole data life cycle, which may include

identifying the data analytics problems, collecting datasets, data analytics and also supporting

tools. Therefore, the comparison of the related platforms is focused on these requirements.

The basic phases were originally defined in Lněnička and Komárková (2014) and later

modified based on the literature review presented above. These are: data acquisition, data

aggregation and transfer, data storage and search (file systems, databases and programming

languages) and data analysis (business intelligence and data mining).

3.2.1 Data Acquisition

Most of the big data acquisition comes from internal sources within the business, i.e.

relational databases, data warehouses and file systems. Obviously, some of the data are

structured, but many very important components are semi-structured or unstructured (Loshin,

2013). The unstructured data are more complex and cannot be compiled in older database

format. Externally sourced data are mostly unstructured, they come from the Internet such as

social data, spatial data, news data or public sector’s data. New opportunities are also opening

up in the form of open data and linked data, which may be relevant in meeting the needs of

the business. These data can be found at open data portals. The related benefits and risks have

recently been presented in Lnenicka (2015).

3.2.2 Data Transfer and Aggregation

The big data transfer requires specified tools to move large amount of data in the most

efficient, scalable and also secure way possible. Also the big data aggregation is then needed

for efficient use within big data analysis platforms, which are described below. While the

market for solutions used to aggregate data from multiple sources is relatively limited, it is

also characterized by a variety of very different approaches. These tools with their various

inputs and outputs require explanation, which affects both the competitive strength and the

portfolio attractiveness ratings. Most of these tools are closely connected with the concrete

platform. Therefore, the following tools are mostly focused on the Apache Hadoop ecosystem

and the MapReduce framework. These are e.g. Avro, Flume, Chukwa, Splunk, Sqoop or Tika.

3.2.3 Data Storage and Search

At the core of any big data environment are the database engines, which contain the

collections of data relevant to the business. These engines need to be fast, scalable, and rock

solid. They are not all created equal, and certain big data environments will fare better with

one engine than another, or more likely with a mix of various engines (Cattell, 2011; Loshin,

2013).

Madden (2012) discussed the differences between traditional databases and large-scale data

management platforms and concluded that these databases don’t solve all aspects of the big

data problem. Traditional data management and analysis systems are based on the relational

database management system (RDBMS). However, such RDBMSs only apply to structured

data, other than semi-structured or unstructured data (Chen et al., 2014). Databases to manage

data of this size are known as NoSQL databases. There are several solutions, ranging from

distributed systems and massive parallel processing databases for providing high query


performance and platform scalability, to these non-relational and in-memory databases, which

have been used for big data (Elgendy & Elragal 2014; Guo, 2013). Cattell (2011) examined

a number of scalable SQL and NoSQL databases to provide a comprehensive survey. Chen et

al. (2014) identified three main NoSQL databases: key-value, column-oriented and document-

oriented databases. Based on the literature review, the author updated this categorization by

adding graph databases and object databases focused on big data.

Big data needs the storage of a massive amount of these data, thus, this makes it a necessity

for advanced storage infrastructure, which is designed to scale out on multiple servers, often

with the use of cloud computing technologies. There are several file systems, which can be

used together with the concrete platform, e.g. Hadoop Distributed File System, Google File

System, GlusterFS, Quantcast File System, Ceph, Lustre, XtreemFS or MooseFS.

To search big data in the database, Lucene (high-performance, full-featured text search engine

library written entirely in Java), Solr (enterprise search platform, which is highly scalable,

supporting distributed search and index replication engine) or Elasticsearch can be used.

3.2.4 Data Analysis

The most widely used big data analytics platform is Apache Hadoop (Elgendy & Elragal

2014; Zhao et al., 2014). It is an enabling technology for working with huge datasets that

provides both distributed storage and computational capabilities (Guo, 2013). Nowadays,

Apache Hadoop is consist of tens related projects such as Phoenix (a relational database layer

over HBase), Drill and Hive (SQL query and manage engines for Hadoop and NoSQL),

Zookeeper (a centralized service for maintaining configuration information, naming,

providing distributed group services and synchronization), HCatalog (a storage management

layer for Hadoop that enables users with different data processing tools), Oozie (a workflow

scheduler system to manage Hadoop jobs), real-time distributed systems Kafka, Spark and

Storm, etc. Compared with the open source Hadoop releases, enterprise Hadoop distributions

are easy to configure, adopt and maintain, and sometimes new features are added. Some of

these platforms, while highly relevant to big data, are not big data specific and have been

around for a while (Zhao et al., 2014).

The other vendors include Actian, Infobright, Kognitio and Platfora, which have centred their

big data stories around database management systems focused entirely on analytics rather

than transaction processing. Cloudera, Hortonworks, Pivotal, MapR, and others are working

on ways to do SQL analysis, in-memory analysis, and even streaming analysis on top of

Apache Hadoop. Other platforms that do not follow the MapReduce / Hadoop route are e.g.

GridGrain, High Performance Cluster Computing (HPCC), Sector / Sphere, SCOPE / Cosmos

or Dryad (Lněnička & Komárková, 2014).

The most widely used business intelligence platforms are, e.g.: BIRT, Jaspersoft, OpenI, Palo

Suite / Jedox, Pentaho, SpagoBI or Talend. The most widely used big data mining platforms

are e.g. Giraph, GraphLab, IKANOW, KEEL, KNIME, Apache Mahout, Orange, PEGASUS,

RapidMiner, Rattle, SAMOA, SPMF or Weka. These are mostly offered in a community open

source edition as well as under several commercial editions with broad support for various

databases and data sources, including NoSQL and other big data sources.

3.3 Hardware, Software and Services Evaluation and Selection

Whatever the claims of hardware manufacturers and software suppliers, the performance of

hardware and software must be demonstrated and evaluated based on the various attributes of

quality. Large companies frequently evaluate proposed hardware and software using the


processing of special benchmark test programs and test data (Marakas & O'Brien, 2013). It

requires a series of decisions based on a wide range of factors and then each of these decisions

have considerable impact on the evaluation of performance, usability and maintainability for

overall success of the most suitable platform selection (Daniluk, 2012).

Benchmarking simulates the processing of typical jobs on several computers and evaluates

their performances. Users can then evaluate test results to determine which software package

displayed the best performance characteristics. Notice that there is much more to evaluating

hardware than determining the fastest and cheapest computing device. As an example, the

question of obsolescence must be addressed by making a technology evaluation. The factor of

ergonomics and social perspective is also very important. Ergonomic factors ensure that

computer hardware and software are user-friendly, that is, safe, comfortable, and easy to use

(Marakas & O'Brien, 2013). Bengtsson and Bosch (1998) evaluated the software platform

quality attributes specifically for maintainability. The most useful method for maintainability

is change scenario method as compared to other methods such as simulation, mathematical

modelling and experience-based assessment. Connectivity is another important evaluation

factor, because so many network technologies and bandwidth alternatives are available to

connect computer systems to the Internet, intranet and extranet networks (Marakas & O'Brien,

2013).

The evaluation has a great impact on the quality of attributes. Valacich, George, and Hoffer

(2012) proposed several the most common criteria to choose the right platform. These are:

cost, functionality, efficiency, vendor support, viability of vendor, response time, flexibility,

documentation and ease of installation. Lake and Drake (2014) emphasize the importance of

the computational complexity factor and the increased efficiency of algorithms in the big data

era. Marakas and O'Brien (2013) propose these hardware evaluation factors:

Performance – What is its speed, capacity, and throughput?

Cost – What is its purchase price? What will be its cost of operation and maintenance?

Reliability – What is the risk of malfunction and what are its maintenance

requirements? What are its error control and diagnostic features?

Compatibility – Is it compatible with existing hardware and software? Is it compatible

with hardware and software provided by competing suppliers?

Technology – In what year of its product life cycle is it? Does it use a new untested

technology, or does it run the risk of obsolescence?

Ergonomics – Has it been “human factors engineered” with the user in mind? Is it

user-friendly, designed to be safe, comfortable, and easy to use?

Connectivity – Can it be easily connected to wide area and local area networks that

use different types of network technologies and bandwidth alternatives?

Scalability – Can it handle the processing demands of a wide range of end users,

transactions, queries, and other information processing requirements?

Software – Are system and application software available that can best use hardware?

Support – Are the services required to support and maintain it available?

They also defined these software evaluation factors (Marakas & O'Brien, 2013):

Quality – Is it bug-free, or does it have many errors in its program code?

Efficiency – Is the software a well-developed system of program code that does not

use much CPU time, memory capacity, or disk space?

Flexibility – Can it handle the business processes easily, without major modification?

Security – Does it provide control procedures for errors, malfunctions, improper use?


Connectivity – Is it Web-enabled so it can easily access the Internet, intranets, and

extranets, on its own, or by working with Web browsers or other network software?

Maintenance – Will new features and bug fixes be easily implemented by software

developers?

Documentation – Is the software well documented? Does it include help screens and

helpful software agents?

Hardware – Does existing hardware have the features required to best use this

software?

Other Factors – What are its performance, cost, reliability, availability, compatibility,

modularity, technology, ergonomics, scalability, and support characteristics?

Traditional evaluation methods often focus only on the system functionality or on a single

non-functional requirement, e.g. high-performance, real-time or reusable systems (Bengtsson

& Bosch, 1998; Daniluk, 2012). Therefore, it is necessary to propose a robust model for the

big data analytics platform selection.

3.4 Multiple Criteria Decision-Making and Analytic Hierarchy Process

Real-world decision-making problems are complex and no structures are to be considered

through the examination of a single criterion, or point of view that will lead to the optimum

and informed decision (Vaidya & Kumar, 2006; Zavadskas & Turskis, 2011). MCDM offers

a lot of methods that can help in problem structuring and tackling the problem complexity

because of the multi-dimensionality of the sustainability goal and the complexity of socio-

economic, environment and government systems. Therefore, Zavadskas and Turskis (2011)

present a thorough historical review and classify and illustrate the primary steps of MCDM

methods. MCDM can be roughly separated into Multi-Objective Decision-Making (MODM)

and Multi-Attribute Decision-Making (MADM) components. MODM then includes Multiple

Objective Programming (MOP), Goal Programming (GP) and compromise solution methods.

These problems can be solved using many methods including single level, fuzzy, multi-stage

and dynamic methods. MADM includes structure relation methods (e.g., Interpretive

Structural Modelling (ISM), Decision Making Trial and Evaluation Laboratory (DEMATEL)

or fuzzy cognitive map), weight analysis (e.g. AHP, Analytic Network Process (ANP) or

entropy measure) and performance aggregated methods (e.g. Simple Additive Weight (SAW),

Technique for Order Preference by Similarity to an Ideal Solution (TOPSIS) or grey relation

for additive types and fuzzy integral for non-additive types) (Liou & Tzeng, 2012).

The AHP is a MCDM tool that has been used in almost all the applications related with

decision making (Vaidya & Kumar, 2006). The AHP is a powerful, flexible and widely used

method for complex problems, which consider the numeric scale for the measurement of

quantitative and qualitative performances in a hierarchical structure (Saaty, 1990). This is an

Eigen value approach to the pairwise comparisons. It is one of the few MCDM approaches

capable of handling many criteria (Zavadskas & Turskis, 2011; Liou & Tzeng, 2012). The

most important characteristic of the AHP is combining knowledge, experience, individual

opinions and foresights in a logical way (Vaidya & Kumar, 2006).

A case study where the AHP method was employed to support the software selection can be

found in Karaarslan and Gundogar (2009), Lai, Wong, and Cheung (2002), Silva, Goncalves,

Fernandes, and Cunha (2013) or Wei, Chien, and Wang (2005). Authors mostly focused on

the business environment and their findings may be applicable in the following model. In the

Czech Republic, the use of the AHP is promoted by e.g. Brožová, Houška, and Šubrt (2013).


4 Criteria Definition and Description

Based on the literature review above, these criteria are selected to choose the most suitable

platform satisfying the requirements of various big data analytics challenges. They are under

three categories based on their feasibility and integrability:

1. technical (hardware and resources configuration requirements) perspective:

1.1 availability and fault tolerance – networks, servers, and physical storage must

be both resilient and redundant, this criterion has the values of: Poor (1) / Fair

(2) / Good (3) / Very Good (4) / Excellent (5),

1.2 scalability and flexibility – how to add a more scale for unexpected challenges,

the criterion has the values of 1, 2, 3, 4, 5,

1.3 performance (latency) – data processing time, based on a single transaction or

query request, the criterion has the values of 1, 2, 3, 4, 5,

1.4 computational complexity – extensions such as data mining and business

intelligence tools, the criterion has the values of 1, 2, 3, 4, 5,

1.5 distributed storage capacity and configurations – to work with different storage

systems, how much data needs to be available in storage nodes at the same

time, how much data is required to be archived on a periodic basis, etc., the

criterion has the values of 1, 2, 3, 4, 5,

1.6 data processing modes – time aspect of data (how often are data managed),

real-time and stream processing against historical data and time series data

sources, this criterion has the values of: Transaction processing (1) / Real-time

processing (2) / Batch processing (3),

1.7 data security – level of security and tools offered, data are protected, more or

less valuable, platform is subject to strict security, compliance or governance

requirements, the criterion has the values of 1, 2, 3, 4, 5,

2. social (people and their knowledge and skills) perspective:

2.1 ease of installation and maintenance – command line interface or graphical

user interface, skills and knowledge needed for the deployment of a new

solution, the criterion has the values of 1, 2, 3, 4, 5,

2.2 user interface and reporting – usability and complexity of features, the criterion

has the values of 1, 2, 3, 4, 5,

2.3 documentation and support – to simply describe each feature of the tool,

technical and customer support, the criterion has the values of 1, 2, 3, 4, 5,

3. cost and policy perspective,

3.1 cost – what a customer wants, how much can be spent on, the criterion offers

these options: Open source (1) / Trial version (2) / Commercial release (3),

3.2 sustainability of the solution – the cost associated with the skills maintenance,

configuration, and adjustments to the level of agility in development, how

much data will the organization need to manage and process today and in the

future, the criterion has the values of: Low (1) / Medium (2) / High (3),

3.3 policy and regulation – related to the deployment of the selected solution such

as privacy policy, law conflicts and restrictions of the use, etc., the criterion

has the values of 1, 2, 3, 4, 5,

Based on the literature review of the possible advantages and disadvantages of various big

data analytics platforms, eleven tools were selected as alternatives to be compared. Some

frameworks such as SCOPE / Cosmos or Dryad are omitted, because there are no stable

implementations of them. Also most of the literature is concerned with the data analysis as

the most important phase. Therefore, the AHP model is focused on the big data analytics


platforms, which offer tools for data analysis. A decision table with the values for the selected

alternatives can be seen in the Tab. 1. The data used are from 2015. The AHP model’s

structure is a hierarchy of four levels constituting goal, criteria, sub-criteria and alternatives as

can be seen from the Fig. 1.

ALTERNATIVES

CRITERIA AND THEIR TYPE

1.1 1.2 1.3 1.4 1.5 1.6 1.7 2.1 2.2 2.3 3.1 3.2 3.3

MAX MAX MAX MAX MAX MAX MAX MAX MAX MAX MIN MIN MAX

Amazon Kinesis 4 4 4 3 4 2 5 4 4 3 3 3 4

Apache Hadoop 5 4 3 5 4 3 3 3 3 4 1 1 2

Apache Spark 4 4 5 3 3 3 3 3 3 3 1 1 2

Apache Storm 4 3 4 2 3 2 2 2 3 2 1 2 2

Cloudera 5 4 4 4 4 2 4 5 5 4 2 3 3

GridGrain 4 3 5 2 3 2 4 2 3 3 1 2 3

Hortonworks 5 5 4 4 3 2 4 4 4 3 1 2 3

HPCC 4 4 5 3 4 3 3 3 4 3 1 2 4

InfoSphere Streams

4 3 4 3 3 2 4 3 4 3 2 2 4

MapR 4 4 4 3 4 3 5 4 4 3 3 3 4

Sector/ Sphere 4 3 5 1 3 3 4 2 3 2 1 1 2

Tab. 1. Decision table for the big data analytics platform selection. Source: Author.

Three following use cases are designed to meet the various users’ needs. These use cases are

focused only on the platforms, which offer data analysis tools. However, most of these tools

can be integrated with several data transfer, storage and search platforms to support the whole

big data life cycle and related phases.

Use case 1 – scientist or advanced user

A high scalable and fault tolerance platform, which offers a high computational complexity

and number of techniques implemented, is required. Batch processing platform is more

important than real-time processing. Data security is not required, data are available mostly

for the testing purposes as open data. User has also a very good knowledge and programming

skills. The selected platform has to be open source with no policy and regulation conflicts.

Use case 2 – medium-sized business

The business needs a highly available, flexible, scalable and fault tolerance platform with

a good computational complexity to store a big amount of data. It requires a real-time

processing platform with a very good data security. Platform has to be easy to deploy with

a wide customer support. The business has very good financial resources. Privacy policy

options and SLA are very important.


Fig. 1. The AHP model for the big data analytics platform selection. Source: Author.

Use case 3 – public sector institution

An available, flexible and fault tolerance platform, which offers a high variety and flexibility

of computational complexity extensions is required. Batch processing and open source

platform with a graphical user interface is preferred. It should be easy deployed as a small

cluster. No personal data will be processed, however, there should be some security tools

available. It requires a very good documentation and reference manual to easy deploy and

maintain the selected platform.

5 Results and Discussion

In the Tab. 2, weights for the defined criteria for each use case are shown. Following the AHP

methodology, paired comparisons of the alternatives on each attribute and the inter-attribute

relative importance were made and converted to a fundamental scale of absolute numbers

based on their intensity of importance. The scale then ranges from 1/9 (least valued than), to 1

(equal), and to 9 (absolutely more important than) covering the entire spectrum of the

comparison. Then, all the calculations were performed to find the maximum Eigen value,

consistency index, consistency ratio and normalized values for each criterion / alternative. If

the maximum Eigen value, consistency index and ratio are satisfactory then decision is taken

based on the normalized values, else the procedure is repeated till these values lie in a desired

range (Saaty, 1990; Saaty, 2008). More details about this method, its steps and requirements

can be found in Saaty (1990) or Saaty (2008).


HIERARCHY OF CRITERIA WEIGHT

Use case 1 Use case 2 Use case 3

1. Technical perspective 0.540 0.493 0.493

1.1 Availability and fault tolerance 0.118 0.170 0.177

1.2 Scalability and flexibility 0.206 0.144 0.227

1.3 Performance (latency) 0.071 0.114 0.087

1.4 Computational complexity 0.358 0.110 0.169

1.5 Distributed storage capacity 0.071 0.081 0.087

1.6 Data processing modes 0.151 0.122 0.184

1.7 Data security 0.025 0.259 0.069

2. Social perspective 0.297 0.196 0.311

2.1 Ease of installation and maintenance 0.297 0.500 0.327

2.2 User interface and reporting 0.540 0.250 0.260

2.3 Documentation and support 0.163 0.250 0.413

3. Cost and policy perspective 0.163 0.311 0.196

3.1 Cost 0.443 0.413 0.474

3.2 Sustainability 0.169 0.260 0.150

3.3 Policy and regulation 0.388 0.327 0.376

Tab. 2. Criteria and their weights for each use case. Source: Author.

In this study, each use case reported a very low value of consistency ratio: use case 1 (0.018),

use case 2 (0.037) and use case 3 (0.023), which is much better than the recommended 10%

acceptable margin (Saaty, 1990). The only inconsistency was found in the cost and policy

perspective where, especially in the use case 2, the importance of cost and sustainability of

the solution is dealing with uncertainty about the way things will happen in the future.

In all the cases, the technical perspective is the most important issue. Use case 1 and 3 then

prefer the social perspective. For the use case 2 (medium-sized business), the cost and policy

perspective is the second most important perspective, together with the data security. Fig. 2

shows the final weights for the selected alternatives for each use case. Based on the needs of

the user defined in the use case 1, these three most suitable big data analytics platforms are

selected: Apache Hadoop (19.3%), Hortonworks (15.4%) and Cloudera (13.2%). For the use

case 2, the choice is: MapR (14.4%), Amazon Kinesis (13.3%) and InfoSphere Streams

(10.4%). For the use case 3, the choice is: Hortonworks (15.7%), Apache Hadoop (15.4%)

and Cloudera (11.6%). In this case, the HPCC system is on the fourth place with 11.1% and

may be used as an alternative to the MapReduce-based platforms.

The precision with which decision-makers can provide a paired comparison may be limited

by their knowledge, experience, and even cognitive biases, as well as by the complexity of the

big data analytics platform selection problem. To solve this problem, the decision-makers

have to be trained to understand the details, strengths, and limitations of the AHP method as

well as the related platforms (Wei et al., 2005).


Fig. 2. Weights of the alternatives for each use case. Source: Author.

It has to be also noted, that the usage of the AHP method is not a new discovery in the

selection of the most suitable big data analytics platform. However, the main contribution of

this paper lies in providing a new hierarchy of criteria, which reflects the actual trends in the

software evaluation in the big data era.

6 Conclusion

In this paper, the literature is reviewed in order to provide the overview of the big data

analytics platforms and to propose the AHP model, which offers a simple but important

evaluation method that can help businesses and public sector institutions in selecting the most

suitable big data analytics platform. This approach is also flexible enough to incorporate extra

attributes or decision-makers in the evaluation. Special attention is paid to the whole life cycle

of the big data analytics. By applying such analytics to big data, valuable information can be

extracted and exploited to enhance decision-making and support informed decisions. The new

AHP model can not only reduce cost during the selection phase, but also decrease the

resistance and invisible cost in the implementation stage.

The results provided in this paper represent the first step to select the most suitable big data

analytics platform based on the user’s needs. Quantitative performance measures of the

selected platforms will be the next step to evaluate and compare these platforms more

precisely. Also the number of alternatives should decrease to five or less to clearly describe

the differences between these platforms. The comparison presented above also helped to

eliminate some of the unsuitable platforms for the defined use cases. Choosing the right

platform for a particular big data application and combining of multiple platforms to solve

various decision-making problems are planned for the future research.


References

Bengtsson, P., & Bosch, J. (1998). Scenario-based software architecture reengineering. In Proceedings of the Fifth International Conference on Software Reuse (pp. 308-317). New York: IEEE.

Brožová, H., Houška, M., & Šubrt, T. (2013). Modely pro vícekriteriální rozhodování. Praha: Česká zemědělská univerzita v Praze.

Cattell, R. (2011). Scalable SQL and NoSQL data stores. ACM SIGMOD Record, 39(4), 12-27. doi: 10.1145/1978915.1978919

Che, D., Safran, M., & Peng, Z. (2013). From Big Data to Big Data Mining: Challenges, Issues, and Opportunities. In B. Hong et al. (Eds.), Database Systems for Advanced Applications (pp. 1-15). Heidelberg: Springer.

Chen, M., Mao, S., & Liu, Y. (2014). Big Data: A Survey. Mobile Networks and Applications, 19(2), 171-209. doi: 10.1007/s11036-013-0489-0

Daniluk, A. (2012). Visual modeling for scientific software architecture design. A practical approach. Computer Physics Communications, 183(2), 213-230. doi: 10.1016/j.cpc.2011.07.021

Demchenko, Y., Grosso, P., Laat, C., & Membrey, P. (2013). Addressing Big Data Issues in Scientific Data Infrastructure. In 2013 International Conference on Collaboration Technologies and Systems (pp. 48-55). New York: IEEE.

Elgendy, N., & Elragal, A. (2014). Big Data Analytics: A Literature Review Paper. In P. Perner (Ed.), ICDM 2014. LNAI, vol. 8557 (pp. 214-227). Heidelberg: Springer.

Guo, S. (2013). Hadoop Operations and Cluster Management Cookbook. Birmingham: Packt Publishing.

Kaisler, S., Armour, F., Espinosa, J.A., & Money, W. (2013). Big Data: Issues and Challenges Moving Forward. In 46th Hawaii International Conference on System Sciences (pp. 995-1004). New York: IEEE.

Karaarslan, N., & Gundogar, E. (2009). An application for modular capability-based ERP software selection using AHP method. The International Journal of Advanced Manufacturing Technology, 42(9-10), 1025-1033. doi: 10.1007/s00170-008-1522-5

Lai, V. S., Wong, B. K., & Cheung, W. (2002). Group decision making in a multiple criteria environment: A case using the AHP in software selection. European Journal of Operational Research, 137(1), 134-144. doi: 10.1016/S0377-2217(01)00084-4

Lake, P., & Drake, R. (2014). Information Systems Management in the Big Data Era. London: Springer.

Lee, K. H., Lee, Y. J., Choi, H., Chung, Y.D., & Moon, B. (2011). Parallel Data Processing with MapReduce: A Survey. SIGMOD Rec., 40(4), 11-20. doi: 10.1145/2094114.2094118

Liou J. J. H., & Tzeng, G.-H. (2012). Comments on “Multiple criteria decision making (MCDM) methods in economics: an overview”. Technological and Economic Development of Economy, 18(4), 672-695. doi: 10.3846/20294913.2012.753489

Lnenicka, M. (2015). An In-Depth Analysis of Open Data Portals as an Emerging Public E-Service. International Journal of Social, Education, Economics and Management Engineering, 9(2), 589-599.

Lněnička, M., & Komárková, J. (2014). An Overview and Comparison of Big Data Analytics Platforms. In Sborník příspěvků z mezinárodní vědecké konference MMK 2014 (pp. 3446-3455). Hradec Králové: Magnanimitas.

Loshin, D. (2013). Big Data Analytics: From Strategic Planning to Enterprise Integration with Tools, Techniques, NoSQL, and Graph. Waltham: Elsevier.

Madden, S. (2012). From Databases to Big Data. IEEE Internet Computing, 16(3), 4-6. doi: 10.1109/MIC.2012.50

http://dx.doi.org/10.1145/1978915.1978919

http://dx.doi.org/10.1007/s11036-013-0489-0

http://dx.doi.org/10.1016/j.cpc.2011.07.021

http://dx.doi.org/10.1007/s00170-008-1522-5

http://dx.doi.org/10.1016/S0377-2217(01)00084-4

http://dx.doi.org/10.1145/2094114.2094118

http://dx.doi.org/10.3846/20294913.2012.753489

http://dx.doi.org/10.1109/MIC.2012.50


Marakas, G. M., & O'Brien, J. A. (2013). Introduction to Information Systems. New York: McGraw-Hill/Irwin.

Saaty, T. L. (1990). How to make a decision: The Analytic Hierarchy Process. European Journal of Operational Research, 48(1), 9-26. doi: 10.1016/0377-2217(90)90057-I

Saaty, T. L. (2008). Decision making with the analytic hierarchy process. International Journal of Services Sciences, 1(1), 83-98. doi: 10.1504/IJSSCI.2008.017590

Sakr, S., Liu, A., & Fayoumi, A.G. (2013). The Family of MapReduce and Large Scale Data Processing Systems. ACM Computing Surveys (CSUR), 46(1), 1-27. doi: 10.1145/2522968.2522979

Saecker, M., & Markl, V. (2013). Big Data Analytics on Modern Hardware Architectures: A Technology Survey. In M. A. Aufaure & E. Zimányi (Eds.), Business Intelligence (pp. 125-149). Berlin Heidelberg: Springer.

Shamsi, J., Khojaye, M. A., & Qasmi, M. A. (2013). Data-Intensive Cloud Computing: Requirements, Expectations, Challenges, and Solutions. Journal of Grid Computing, 11(2), 281-310. doi: 10.1007/s10723-013-9255-6

Silva, J. P., Goncalves, J. J., Fernandes, J., & Cunha, M. M. (2013). Criteria for ERP selection using an AHP approach. In 2013 8th Iberian Conference on Information Systems and Technologies (pp. 1-6). New York: IEEE.

Singh, D., & Reddy, C. K. (2014). A survey on platforms for big data analytics. Journal of Big Data, 1(8), 1-20. doi: 10.1186/s40537-014-0008-6

Tien, J. M. (2013). Big Data: Unleashing Information. Journal of Systems Science and Systems Engineering, 22(2), 127-151. doi: 10.1007/s11518-013-5219-4

Vaidya, O. S., & Kumar, S. (2006). Analytic hierarchy process: An overview of applications. European Journal of Operational Research, 169(1), 1-29. doi: 10.1016/j.ejor.2004.04.028

Valacich, J. S., George, J. F., & Hoffer, J. A. (2012). Essentials of Systems Analysis and Design. New Jersey: Prentice Hall.

Vossen, G. (2014). Big data as the new enabler in business and other intelligence. Vietnam Journal of Computer Science, 1(1), 3-14. doi: 10.1007/s40595-013-0001-6

Wei, C. C., Chien, C. F., & Wang, M. J. J. (2005). An AHP-based approach to ERP system selection. International Journal of Production Economics, 96(1), 47-62. doi: 10.1016/j.ijpe.2004.03.004

Zavadskas, E. K., & Turskis, Z. (2011). Multiple criteria decision making (MCDM) methods in economics: an overview. Technological and Economic Development of Economy, 17(2), 397-427. doi: 10.3846/20294913.2011.593291

Zhao, L., Sakr, S., Liu, A., & Bouguettaya, A. (2014). Big Data Processing Systems. In Cloud Data Management (pp. 135-176). Heidelberg: Springer.

http://dx.doi.org/10.1016/0377-2217(90)90057-I

http://dx.doi.org/10.1504/IJSSCI.2008.017590

http://dx.doi.org/10.1145/2522968.2522979

http://dx.doi.org/10.1007/s10723-013-9255-6

http://dx.doi.org/10.1186/s40537-014-0008-6

http://dx.doi.org/10.1007/s11518-013-5219-4

http://dx.doi.org/10.1016/j.ejor.2004.04.028

http://dx.doi.org/10.1007/s40595-013-0001-6

http://dx.doi.org/10.1016/j.ijpe.2004.03.004

http://dx.doi.org/10.3846/20294913.2011.593291


DOI: 10.18267/j.aip.65

Peer-reviewed paper


Proposal of Decision-making Model Using the DeLone and McLean’s Information System Success Model Together with the AHP

Radek Němec*, František Zapletal*

Abstract

The focus of the paper is to present an evaluation of a proposed decision-making model concept. The concept takes into account the quality of a currently used information system’s subsystem (the Business Intelligence subsystem in our case), as it is perceived by its current users. The Analytic Hierarchy Process (AHP) multi-criteria decision making method is used to support the concept with a hierarchical decision criteria structuring framework. A selected part of the DeLone and McLean’s (D&M) information system success assessment model is used for the determination of appropriate criteria (success factors). The D&M model is composed of information system quality assessment dimensions. These dimensions represent a solid base for surveying information system’s users according to their perception of key information system performance aspects. The presented model helps to combine opinions of the management and users successfully when carrying out important information system related decision. The results also illustrate the possibility of using the D&M model in a novel application together with the AHP method.

Keywords: Analytic Hierarchy Process, DeLone & McLean’s model, success factors, multi-criteria decision-making, decision-making model, evaluation through case study.

1 Introduction

Business Intelligence (BI) system is a key part of nearly every complex information system in

many enterprises in the world. As a critical information system component it provides

computerized decision-making process support for all levels of management. Every BI system

is a subject to frequent changes in the systems’ architecture and data structures in order to

maintain it in a state of full recency, see Turban et al. (2007). Responsible management of

changes in the BI system requires rigorous analysis of changes impact by means of a specific

evaluation framework that takes into account also the system performance. Such evaluation

framework should acquire practically and also scientifically approved quality and economic

metrics to be complex and enterprise-widely usable. From the user point of view, the quality

of information system is usually characterized by flexibility, effectiveness, accessibility and

timeliness of output metrics that are measured mainly on the system’s component level but

also on the system level, see Stair and Reynolds (2010). Perception of these quality metrics by

users indicates whether the system is designed according to users’ requirements. We can

* Department of Systems Engineering, Faculty of Economics, Technical University of Ostrava,

Sokolská tř. 33, 701 21, Ostrava 1, Czech Republic

[email protected], [email protected]


therefore assume that such perception can be used as a source for the definition of criteria in

making decisions about changes in the information system or a selected part. A level of

agreement of the user with these quality factors can then be a source of data for the evaluation

of possible options of eventual system improvement.

From a holistic point of view, the quality of information system affects also the performance

of business processes. This fact is emphasized by the fact that workflow task execution

commonly spans multiple departments and business roles, see Hočevar and Jaklič (2010).

A poorly and user unfriendly designed information system can degrade business process

workflow performance. The business value addition of tasks executed by employees that

usually need to use the information system’s interfaces to complete their tasks should not be

taken lightly, see Duggan and Reichgelt (2006). A degree of user requirement meeting failure

is also a crucial metric for the determination of whether the information system or its

component should be replaced, or significantly improved. The aforementioned perception of

its qualities (i.e. quality factors) by its users is therefore a vital source of information.

In this paper, we propose a decision-making model based on the application of the analytic

hierarchy process (AHP) method to determine a best possible option of whether to replace the

information system’s BI component, improve it or possibly leave the system in its current

state. The results may illustrate novel application of the DeLone and McLean’s model

together with the AHP decision-making method which should be in close accordance with the

hierarchical concept of the D&M model.

The evaluation of the decision-making model is carried out using data we gathered during

studying a specific decision-making situation in a certain Czech firm that wanted to assess

sources of low performance of their currently used BI system. The decision making criteria

hierarchy is chosen according to the structure of a selected part of the DeLone and McLean’s

information system success assessment model. The DeLone and McLean’s model served as a

framework for designing survey questions that focused on assessment of success factors

linked with specific characteristics of the BI system. The respondent’s answers were then

used to calculate preferences of each criterion and subcriteria.

The paper is divided into 4 chapters. Chapter 2 deals with the analysis of input data and

description of the methodology. In the chapter 3 there is the proposed decision making model

described and chapter 4 deals with the evaluation of the model through a case study. Chapter

5 concludes the results and indicates possible further research activities.

2 Paper methodology and input data

In the paper, there will be 2 methods used. Besides the AHP method that is a key method of

our decision-making model also the exploratory factor analysis (EFA) method is used. The

EFA method is used to reduce dimensionality of the original input variables’ set and to create

more coherent constructs that will be used for construction of criteria (according to the

Cronbach’s Alpha metric computation), see Costello and Osborne (2005).. The main reason

for using the AHP is to ensure the consistency of pairwise comparisons due to the higher

number of criteria included. Also the hierarchical concept of the AHP method corresponds

with the hierarchical concept of the D&M model.

To determine the criteria weights we used empirical data gathered during surveying 62 users

– mostly middle and operational managers, analysts and also several specialized

administrative workers. All surveyed persons were users of the BI system’s tools in a Czech

medium enterprise. Attitudes to and opinions on respective factors of 7 dimensions of BI


system success (according to the structure of the DeLone and McLean model) were gathered

and served as the core data sample. During the data gathering process, the respondents were

familiarized with the hierarchy of the model. Respondents evaluated each related success

factor on a 6 point Likert scale (where 1 presented lowest and 6 highest level of agreement

with, or preference of a respective success factor). The data we gathered in the survey was

therefore of a qualitative ordinal type.

Then we wanted to determine whether input variables (see table 13 in the Appendix) that are

supposed to represent each success dimension belong consistently to it. Our intention was to

ensure that there are no severe inconsistencies due to possible heterogeneity of respondents’

opinions (so that the evaluation of the model can be considered reliable). We utilized

computation of Cronbach’s Alpha coefficient (α) of the input data that measures the overall

correlation between variables that are meant to measure the same fact (i.e. the dimensions of

success, in terms of this paper’s focus), see Wixom and Todd (2005). The condition of

sufficient consistency in terms of the coefficient’s value is if α ≥ 0.7 (resulting computed

coefficient values are summed up later in the text). EFA and Cronbach’s Alpha coefficient

related computations were done using the IBM SPSS 20 software.

2.1 Brief description of the AHP method

Saaty (2005) describes the AHP as one of multi-criteria decision-making methods which are

based on layering a complex decision-making problem or planning situation into its

components or levels and their structuring into an ascending hierarchy. Components of one

level are connected to components of a lower level and hierarchy levels are herewith

integrated towards the decision-making goal. The method is especially helpful in a situation

where there is an explicit need to carry out a decision according to the opinions of a group of

decision-makers (i.e. it allows the use of group thinking).

Principally, the AHP method is based on assigning preferences to variants and criteria for the

assessment of variants. The preference of criteria is determined using pairwise comparison

using a specific numeric measurement on a prescribed scale, commonly using Saaty’s

matrices. Saaty’s matrices are constructed according to the fact that values should express the

importance towards a goal of the decision-making process, see Saaty and Vargas (2001). The

preferences of each variant are then determined based on its interaction with each criterion

(and the pairwise comparison of preferences for each alternative). Afterwards there are

weights of each criterion set and the total preference of each variant is then calculated

according to how they contribute to the fulfillment of the goal.

The AHP hierarchy based decision-making method found its various uses in many fields due

to its flexibility and universality, e.g. allocation of resources, benchmarking, quality

management, conflict solving or classification of buildings according to their historical

importance etc., see e.g. Forman and Saul (2001). For other original applications of the AHP

method in various situations and frameworks see e.g. Wei (2007), Karaarlsan and Gundogar

(2008), Razavi, Aliee and Badie (2010) or Ergu et al. (2011).

2.2 Description of the DeLone & McLean’s information system success assessment model

DeLone & McLean’s (D&M) information system success assessment model, as presented in

Delone and McLean (2003) is a theoretical concept of user satisfaction assessment using 7

success dimensions. Each dimension can be characterized by a set of success factors, although

DeLone and McLean do not specify by default which factors each of the dimensions should


contain. The actual user of the model is then free to fill the dimensions with respective

factors, according to the desired purpose of the model. The only constraint is that the factors

should correspond with the fundamental meaning of the dimension. Figure 1 shows the

structure of relations between all of the model dimensions. When considering what factors to

use to represent each dimension by its purpose, there are various assumptions and empirical

aspects to consider (as stated by the authors that already assessed the model theoretically and

practically).

The system quality dimension is, according to Delone and McLean (2003, 2004) and Chen

and Cheng (2009), intended to measure technical (functional) success – proposed factors are

commonly reliability, responsiveness, flexibility; Wixom and Todd (2005) also add

accessibility and integration to the list; Shin (2003) adds also system throughput.

The information quality dimension, according to Chen and Cheng (2009), Nelson, Todd and

Wixom (2005) and Delone and McLean (2003), measures certain semantic success – factors

commonly used are accuracy, currency, relevance, completeness and

consistency/understandability of information outputs.

The service quality dimension, in works Delone and McLean (2003, 2004) and Wu and

Wang (2006), reflects the importance of services and support in a successful information

system – therefore they mention factors as reliability of service, efficiency of service staff or

expertise of service staff and also whether the users were involved in the design and

implementation process.

Intention to use (which is seen as an attitude to use the system as it is) and use dimension

(which should measure to what extent the system is really used) are referred to as closely

interrelated dimensions that are to be considered carefully. The reason is because of different

attitudes of users to what the same system literally should really do and what it currently does

depending on the users’ job position, see Wu and Wang (2006).

The user satisfaction dimension measures if the user is satisfied with the system as a whole

and therefore it is determined by system, information and service quality, see Wu and Wang

(2006) or Chen and Cheng (2009).

The net benefits dimension, according to Delone and McLean (2003), previously featured

individual and organizational benefits (in a 1992 version of the D&M IS success model).

After revision of the model in 2003, the net benefits dimension is in fact intended to measure

overall effectiveness of the system usage. DeLone and McLean admit assessment using

common financial measures (e.g. Total Cost of Ownership or Return on Investments, etc.) but

Wu and Wang (2006) rather emphasize assessment of net benefits. The intention is to mainly

use this dimension as an abstract/qualitative measure (financial measures are too dependent

on the current situation when the model is applied). Particular factors proposed in Delone and

McLean (2003) for the net benefits dimension include:

perceived task productivity,

task innovation,

customer satisfaction and management control (expression of the extent to which the

application helps to regulate and support business processes and their performance).


Fig. 1. Updated DeLone and McLean information system success model (Delone and McLean, 2003).

3 The decision making model concept

For the purpose of the decision-making concept evaluation and validation we initially chose a

selected part of the DeLone & McLean’s model that represents the relationship between

information quality (quality of information outputs – timeliness, accuracy, format, etc.),

system quality (quality of system characteristics – system performance and flexibility,

accessibility etc.) and service quality (supporting services, training, technical support, etc.)

and total user satisfaction. Similar criteria in terms of an information system success are used

in Yeoh (2010), Barclay (2008) or Delone and McLean (2003). This part of the model was

selected due to a fact that the first 3 dimensions and their relationship to overall user

satisfaction usually serve as first instance indicators of quality that can be directly assessed by

information system’s users (as mentioned in the chapter 1). So the users can tell if an

information technology, which is intended to be used enterprise-wide, does or does not

support the effective execution of business processes (and therefore successful fulfillment of

business goals).

Selected dimensions of BI system success were represented by a variable amount of detailed

success factors (survey questions) in our research. However, aforementioned authors,

concerned with the application or evaluation of DeLone and McLean’s model, have been

using more coherent sets of success factors (2 to 4 questions).

Therefore, we applied the EFA method using principal component analysis to determine

whether the groups of success factors are related or not (see table 13 in the Appendix for the

original set of variables that was used in the EFA), see Costello and Osborne (2005). To

ensure that resulting factor groups will not be correlated, we applied the Varimax rotation

method. Factor loadings of each variable should be ≥ 0.5, eigenvalue > 1 and communality of

each variable should not be < 0.5 to maintain adequate advisability of obtaining factor model

components, see Kaiser (1958). See table 1 for the results of the factor analysis that satisfied

these conditions. To test whether the data sample fits each factor model (set of uncorrelated

variables) we run the KMO test (Kaiser-Meyer-Olkin’s) on each set of variables representing

a specific dimension. Sample fitness was determined to be significant at a p < 0.01 level for

each dimension using the Bartlett’s test of sphericity.

Regarding the Cronbach’s α coefficient, the information quality dimension exhibited α = 0.76,

the system quality dimension exhibited α = 0.88 and the service quality exhibited α = 0.82.

All values of internal consistency were over the desired threshold of α ≥ 0.7 so, in accordance


with the results of Wixom and Todd (2005), we cannot guarantee that the survey respondents

provided answers homogeneous enough. So there should be no severe inconsistencies in

terms of high inter-dimensional variable correlations.

4 Evaluation of the proposed decision-making model concept through a case study

The proposed concept’s evaluation will be illustrated on a decision-making situation when

a certain Czech company wanted to make a decision on what to do with their current BI

system. The system was not performing very well and the software provider no longer

existed. The management came up with several options and the project team was tasked to

carry out a survey among key users and then perform necessary analyses. The focus was

therefore to determine which of these variants will be more preferred if user and

management’s opinion is combined with the evaluation of available variants:

to build a new BI system in-house (NEW_IH),

to buy a new BI system from a new vendor (NEW_V),

to alter the current BI system using in-house capacities (ALTER),

to make no changes and continue to use the current system (NO_CH).

Dimension Success factor groups (obtained as factor model

components)

Factor

code

Information quality

(previously 7

variables)

KMO = 0.733

Relevance, accuracy a format InfQ1

Completeness and recency of outputs InfQ2

System quality

(previously 14

variables)

KMO = 0.842

Reliability, flexibility, system performance, data quality

and structure SysQ1

Security and existence of metadata SysQ2

Accessibility and portability SysQ3

Level of source data integration SysQ4

Service quality

(previously 11

variables)

KMO = 0.794

Reliability and transparency of services, skills of service

teams SerQ1

Quality of communication with service teams,

involvement of users during system changes SerQ2

Quality and effectiveness of training services SerQ3

Tab. 1. Dimensions and grouped success factors obtained from factor analysis. Source: Authors.

First, the structure and hierarchy of success factors (i.e. criteria) to use in the multi-criteria

decision-making process was necessary to be defined with respect to the use of the AHP

method (see Figure 2). Second, the subcriteria need to be put into Saaty’s matrices which are

used to describe the power of preferences among particular subcriteria.


4.1 Arrangement of Saaty’s matrices

The power of preference is expressed by integer values 1, 2,… , 9 (where 1 = equality, 3 =

week preference, 5 = strong preference, 7 = very strong preference, 9 = absolute preference;

the remaining values express inter-preferences). The scale that was used while gathering the

data established boundaries of a closed interval of means to <3,726; 4,645> (see table 2).

Fig. 2. Hierarchy of criteria and subcriteria (success factors) for the application of the AHP method (subcriteria codes correspond with factor codes in Tab. 1). Source: Authors.

The Saaty’s matrix is however originally designed to use a 9 points scale and the data

contained only 6 points scale answers, due to previous bad experience with wider scales in the

measurement of user preferences in the organization. The data had to be converted to the 9

point scale to be able to use the AHP method. The 9-point scale is beneficial also because of

the fact that it can more clearly emphasize differences between levels of preference (also the 9

point scale is generally recommended in Saaty (2005)). Initial data for Saaty’s matrices for

each criterion at the higher level and for each group of subcriteria was then calculated using

simple arithmetic mean.

The Saaty’s matrix is symmetric along the main diagonal. Entries on the main diagonal (𝑠𝑖,𝑖)

are equal to 1 and other elements are determined by equation 𝑠𝑖,𝑗 =1

𝑠𝑗,𝑖. The calculation of

preferences among particular subcriteria is done by ratio difference (see table 7 in the

Appendix; elements denoted as “neg” explain the negative value of the odd). Preferences are

then obtained by the differences between means from the table 2.

All mean differences lie in the interval <0; 0.919> (minimum mean value is 3.726, maximum

value is 4.645; value range is then 0.919 and the transformation interval threshold value is

then 0.102) and a maximum of the potential value difference from the interval of the mean is

shown in the table 2.

Transformation interval boundaries are shown in the table 3; the equidistant scaling is used

for transforming the values in order to keep the ratios between preference powers. This is

necessary for keeping the original difference ratios (without regard to the sample

distribution). Table 8 (see the Appendix) contains final Saaty’s matrices with calculated

inverse elements.


Ratios of particular success factors (criteria) are calculated according to equation 1:

,

N

i

i

ii

GA

GAw

(1)

which is based on the geometrical mean (equation 2):

,=GA

1

,i

NN

j

jis

(2)

where 𝑤𝑖 is the ratio of the i-th factor, N is the number of rows (even columns) of the matrix

and jis , is the element of the Saaty’s matrix. Final calculated ratios are shown in tables 9-12

(see the Appendix).

Subcriteria Means of

subcriteria

Means

of criteria

1.1.1 4.642 4.527

1.1.2 4.411

1.2.1 4.410

4.461 1.2.2 4.645

1.2.3 4.234

1.2.4 4.556

1.3.1 4.391

3.985 1.3.2 3.726

1.3.3 3.839

Tab. 2. Means of success factors (subcriteria). Source: Authors.

Interval Matrix value

0 0.102 1

0.103 0.204 2

0.205 0.306 3

0.307 0.408 4

0.409 0.511 5

0.512 0.613 6

0.614 0.715 7

0.716 0.817 8

0.818 0.919 9

Tab. 3. Intervals for the conversion of the original input data to the Saaty’s matrix values. Source: Authors.


The consistency of the Saaty’s matrix is a condition for the success factors evaluation

relevance. The matrix is consistent whether its consistency ratio (CR) is lower or equal to 0.1,

see Saaty and Vargas (2001) – this ratio is calculated by equation 3.

RI

CICR

(3)

The equation 4 expresses calculation of a consistency index (CI):

,1

max

n

nCI

(4)

where 𝜆𝑚𝑎𝑥 is the highest eigenvalue of the Saaty’s matrix (eigenvalue results from the

equation 𝑑𝑒𝑡(𝐴 − 𝜆𝐸) = 0). The random index (RI) is a tabular value which is determined by

the count of independent rows in the Saaty’s matrix. Consistency ratio values are presented in

tables 9-12 in the Appendix. All four mentioned tables indicate that all Saaty’s matrices

satisfy the consistency condition. This means that results will be relevant in terms of AHP

method’s constraints.

4.2 Determination of the order of variants

Local weights (wi) at each group are calculated in tables 9-12 (see the Appendix). It is

necessary to multiply the weight of n-th analyzed success factor by local weights of success

factors that are superordinate to this n-th success factor in the hierarchy1 to obtain global

weights (it means the evaluation from the perspective of the whole model structure). Results

are presented in table 4.

The respective management representatives provided also their opinion on all four possible

variants also from the same success factor point of view. The resulting preference opinions

were compared using simple pairwise Fuller’s triangles (as described also by Kampf, 2003) –

overall preference of each variant was gathered as a sum of the preferences of the variant

prior to any other within the scope of each success factor (table 5). Such data can then be

combined with results in previously calculated Saaty’s matrices. Values from table 5 were

then multiplied by local weights of the incident success factor to be able to evaluate variants

with regard to success factors weights (gained from Saaty’s tables).

The table 6 shows that it was possible to determine exact rank of each variant based on the

defined hierarchy of criteria and subcriteria (the proposed decision-making concept yields

meaningful results). A dominant variant can be clearly selected according to criteria weights

derived from the data. Values for subcriteria are the results of the multiplication of the global

weights (table 4) and appropriate numbers of preferences from the table 5. The selected part

of the DeLone and McLean’s model served as an appropriate and relevant framework for

deriving necessary success factors and solving the decision-making situation. Further research

and evaluation of the concept in the field of information system quality assessment is however

highly desirable. There are usually more success dimensions and measures of overall quality

of the information system (including also financial measures or business process performance

measures) which can largely enhance the concept – we see it as a next topic for our further

research.

1 Whether there are more super ordinate levels in the model, the n-th factor weight would be multiplied by all factor weights

from each of these levels.


Another possibility of further evaluation of the concept is to use it in a more volatile situation

where more advanced concepts like fuzzy AHP or the analytic network process (i.e. using

multi-way relationships between dimensions) could be more useful. More possibilities of

applying the decision-making model can then viable, like software requirements definition

and prioritization.

The Fuzzy AHP approach was studied in Ding (2013) in a logistic decision-making situation.

The results of the paper indicate that replacing crisp values with fuzzy alternatives yields

better results when dealing with user opinions. It also indicates that the fuzzy related approach

is a good choice to think about if the applicability of our approach is to be extended. A

theoretical results indicating advantage of the fuzzy AHP method over traditional discrete

variant were also presented in Bajaj and Arora (2013). Although the decision-making

situation was very narrow in the paper the results show that the overall volatility of human

opinion based data is better to be assessed using fuzzy-based method. Similar solutions are

covered by another AHP method variant – the incomplete AHP (IAHP).

Our approach is also closer to requirements prioritization since the success factors can be

translated easily into requirements and prioritized in an almost same way. Voola and Babu

(2013) presented a novel approach (Extensive Numeric Assignment) which is used to

prioritize requirements mainly in agile projects which uses a similar framework of criteria.

Authors of the mentioned paper compare their solution with results obtained using more

traditional methods (including the AHP method). Their approach yielded better results than

the AHP method so there is a possibility of replacing the AHP method with Voola and Babu’s

approach. We wish to evaluate also this solution and compare results in our further research.

# Criteria/sub criteria/goal Local

(%)

Global

(%)

1. Goal 100.00 -

1.1. Information quality 47.21 47.21

1.2. System quality 44.43 44.43

1.3. Service quality 8.36 8.36

1.1.1. Relevance, accuracy and format 75.00 35.41

1.1.2. Completeness and recency of outputs 25.00 11.80

1.2.1. Reliability, flexibility, system performance, data quality and

structure

16.38 7.28

1.2.2. Security and existence of metadata 40.13 17.83

1.2.3. Accessibility and portability 9.74 4.33

1.2.4. Level of source data integration 33.75 14.99

1.3.1. Reliability and transparency of services, skills of service

teams

72.86 6.09

1.3.2. Quality of communication with service teams, involvement

of users during system changes

16.26 1.36

1.3.3. Quality and effectiveness of training services 10.88 0.91

Tab. 4. Calculated local and global ratios of criteria. Source: Authors.


Criteria

Variants InfQ1 InfQ2 SysQ1 SysQ2 SysQ3 SysQ4 SerQ1 SerQ2 SerQ3

NEW_IH 2 2 2 2 3 3 2 3 2

NEW_V 1 1 0 0 1 1 1 0 0

ALTER 3 3 3 3 2 2 3 2 2

NO_CH 0 0 1 1 0 0 0 1 2

Tab. 5. Value of variants according to success factor and number of preferences gained by the Fuller’s triangles method. Source: Authors.

Variants

Subcriteria NEW_IH NEW_V ALTER NO_CH

InfQ1 0.708 0.354 1.062 0.000

InfQ2 0.236 0.118 0.354 0.000

SysQ1 0.146 0.000 0.218 0.073

SysQ2 0.357 0.000 0.535 0.178

SysQ3 0.130 0.043 0.087 0.000

SysQ4 0.450 0.150 0.300 0.000

SerQ1 0.122 0.061 0.183 0.000

SerQ2 0.041 0.000 0.027 0.014

SerQ3 0.018 0.000 0.018 0.018

Total 2.207 0.726 2.784 0.283

% 73.6 24.2 92.8 9.4

Rank 2 3 1 4

Tab. 6. Final variants’ ranks calculated using ratios of subcriteria. Source: Authors.

5 Conclusion

The aim of the paper was to present evaluation of a novel decision-making model concept

proposal. The model concept that takes into account the quality of currently used information

technology (BI system in this case) as perceived by its users. A part of the DeLone and

McLean’s information system success model was used to arrange the criteria and subcriteria

in a hierarchy; every higher level criterion was relative to a specific success dimension and

subcriterion to underlying success factors of each dimension. The evaluation of the concept

was made in the situation when a certain firm wanted to select one of possible options what to

do with their low performing BI system (perception of its quality aspects was taken into

account in the decision-making model). The AHP method has been selected to support the

model concept from the decision-making support point of view.

According to presented results, the selected part of the DeLone and McLean’s model proved

to be useful in the proposed decision-making framework. The possible use of the AHP

method together with the D&M model was then illustrated. A dominant variant was


successfully determined according to final ranks of each variant and based on the included

criteria and subcriteria. The proposed combination of the AHP method and the D&M model

can be assumed as theoretically as well as a practically applicable (in terms of the proposed

concept). Further evaluation, revision and enrichment of the concept is, however, viable. The

reason is that only deterministic, complete-information and have been assumed thus far in the

concept. Also, the use of other dimensions of the D&M model could be considered. That

would make the decision-making model concept more complete considering the purpose of

the whole D&M information system success model structure.

Acknowledgements

This paper was made with the financial support of the European Social Fund within the

project CZ.1.07/2.3.00/20.0296 and Student Grant Competition research project SP2012/184

“The analysis of data warehouse’s database schema modeling characteristics with a focus on

agile approach to Business Intelligence system development”.

References

Bajaj, P., & Arora, V. (2013) Multi-Person Decision-Making for Requirements Prioritization using Fuzzy AHP. ACM SIGSOFT Software Engineering Notes, 38(5), 1-6. doi: 10.1145/2507288.2507302

Barclay, C. (2008) Towards an integrated measurement of IS project performance: The project performance scorecard. Information Systems Frontiers, 10(3), 331-345. doi: 10.1007/s10796-008-9083-6

Costello, A. B., & Osborne, J. (2005). Best practices in exploratory factor analysis: four recommendations for getting the most from your analysis. Practical Assessment Research & Evaluation, 10(7). 1-9.

Chen, Ch.-D., & Cheng, CH.-J. (2009) Understanding consumer intention in online shopping: a respecification and validation of the DeLone and McLean model. Behaviour & Information Technology, 28(4), 335-345. doi: 10.1080/01449290701850111

DeLone, W. H., & McLean, E. R. (2004) Measuring Success: Applying the DeLone & McLean Information Systems Success Model. International Journal of Electronic Commerce, 9(1), 31-47.

DeLone, W. H., & McLean, E. R. (2003) The DeLone and McLean Model of Information System Success: A Ten-year Update. Journal of Management Information Systems, 19(4), 9-30. doi: 10.1080/07421222.2003

Ding, J.-F. (2013) Applying an Integrated Fuzzy MCDM Method to Select Hub Location for Global Shipping Carrier-based Logistics Service Providers. WSEAS Transactions on Information Science and Applications, 10(2), 47-57. doi: 10.1016/j.jclepro.2013.02.010

Duggan, E. W., & Reichgelt, H. (2006) Measuring information systems delivery quality. Hershey: Idea Group Publishing. doi: 10.2307/249419

Ergu, D., Kou, G., Peng, Y., Shi, Y., & Shi, Y. (2011) The analytic hierarchy process: task scheduling and resource allocation in cloud computing environment. The Journal of Supercomputing, 59(1), 1-14. doi: 10.1007/s11227-011-0625-1

Forman, E. H., & Saul, I. G. (2001) The Analytical Hierarchy Process - An Exposition. Operations Research, 49(4), 469-487.

Hočevar, B., & Jaklič, J. (2010) Assessing benefits of Business Intelligence systems – A case study. Management, 15(1), 87-119.

Kaiser, H. F. (1958) The Varimax Criterion for Analytic Rotation in Factor Analysis. Psychometrika, 23(3), 187-200. doi: 10.1007/BF02289233

http://dx.doi.org/10.1145/2507288.2507302

http://dx.doi.org/10.1007/s10796-008-9083-6

http://dx.doi.org/10.1007/s10796-008-9083-6

http://dx.doi.org/10.1080/01449290701850111

http://dx.doi.org/10.1080/07421222.2003

http://dx.doi.org/10.1016/j.jclepro.2013.02.010

http://dx.doi.org/10.2307/249419

http://dx.doi.org/10.1007/s11227-011-0625-1

http://dx.doi.org/10.1007/BF02289233


Kampf, R. (2003) Estimation Methods for Weight Criteria. Scientific Papers of the University of Pardubice: Series B - The Jan Perner Transport Faculty, 9, 255-261.

Karaarslan, N., & Gundogar, E. (2008) An application for modular capability-based ERP software selection using AHP method. The International Journal of Advanced Manufacturing Technology, 42(9-10), 1025-1033. doi: 10.1007/s00170-008-1522-5

Nelson, R. R., Todd, P. A., & Wixom, B. H. (2005) Antecedents of Information and System Quality: An Empirical Examination within the Context of Data Warehousing. Journal of Management Information Systems, 21(4), 199-235. doi: 10.1080/07421222.2005.11045823

Razavi, M., Aliee, F. S., & Badie, K. (2010) An AHP-based approach toward enterprise architecture analysis based on enterprise architecture quality attributes. Knowledge and Information Systems, 28(2), 449-472. doi: 10.1007/s10115-010-0312-1

Saaty, T. L. (2005) Analytic Hierarchy Process. Encyclopedia of Biostatistics, 2nd ed. New Jersey: John Willey. doi: 10.1002/0470011815.b2a4a002

Saaty, T. L., & Vargas, L. G. (2001) The Seven Pillars of the Analytic Hierarchy Process. Models, Methods, Concepts & Applications of the Analytic Hierarchy Process, 34. doi: 10.1007/978-1-4614-3597-6_2

Saaty, T. L. (1990) How to make a decision: the analytic hierarchy process. European Journal of Operations Research, 48(1), 9-26. doi: 10.1016/0377-2217(90)90057-I

Shin, B. (2003) An Exploratory Investigation of System Success Factors in Data Warehousing. Journal of the Association for Information Systems, 4, 141-170. doi: 10.3233/978-1-61499-289-9-861

Stair, R. M., & Reynolds, G. W. (2010) Information Systems Essentials, 5th ed. Boston: Course Technology.

Turban, E., Aronson, J. E., Liang, T-P., & Sharda, R. (2007) Decision support and Business Intelligence systems, 8th ed. New Jersey: Pearson Prentice Hall.

Voola, P., & Babu, A. V. (2013) Comparison of Requirements Prioritization Techniques Employing Different Scales of Measurement. ACM SIGSOFT Software Engineering Notes, 38(4), 1-10. doi: 10.1145/2492248.2492278

Wei, C.-C. (2007) Evaluating the performance of an ERP system based on the knowledge of ERP implementation objectives. The International Journal of Advanced Manufacturing Technology, 39(1-2), 168-181. doi: 10.1007/s00170-007-1189-3

Wixom, B. H., & Todd, P. A. (2005) A theoretical integration of user satisfaction and technology acceptance. Information Systems Research, 16(1), 85-102. doi: 10.1287/isre.1050.0042

Wu, J.-H., & Wang, Y.-M. (2006) Measuring KMS Access: A Respecification of the DeLone and McLean’s Model. Information & Management, 43, 728-739. doi: 10.1016/j.im.2006.05.002

Yeoh, W. (2010) Critical Success Factors for Business Intelligence Systems – Case studies in Engineering Enterprises. Saarbrücken: VDM Verlag.

http://dx.doi.org/10.1007/s00170-008-1522-5

http://dx.doi.org/10.1080/07421222.2005.11045823

http://dx.doi.org/10.1007/s10115-010-0312-1

http://dx.doi.org/10.1002/0470011815.b2a4a002

http://dx.doi.org/10.1007/978-1-4614-3597-6_2

http://dx.doi.org/10.1007/978-1-4614-3597-6_2

http://dx.doi.org/10.1016/0377-2217(90)90057-I

http://dx.doi.org/10.3233/978-1-61499-289-9-861

http://dx.doi.org/10.3233/978-1-61499-289-9-861

http://dx.doi.org/10.1145/2492248.2492278

http://dx.doi.org/10.1007/s00170-007-1189-3

http://dx.doi.org/10.1287/isre.1050.0042

http://dx.doi.org/10.1016/j.im.2006.05.002


Appendix

Criteria Mean 1.1. 1.2. 1.3. 1.1.1. 1.1.2. 1.2.1. 1.2.2. 1.2.3. 1.2.4. 1.3.1. 1.3.2. 1.3.3.

1.1. 4.527 0 0.065 0.541

1.2. 4.461 neg 0 0.476

1.3. 3.985 neg neg 0

1.1.1. 4.642 0 0.231

1.1.2. 4.411 neg 0

1.2.1. 4.410 0 neg 0.176 neg

1.2.2. 4.645 0.235 0 0.411 0.089

1.2.3. 4.234 neg neg 0 neg

1.2.4. 4.556 0.146 neg 0.322 0

1.3.1. 4.391 0 0.612 0.508

1.3.2. 3.726 neg 0 neg

1.3.3. 3.839 neg 0.113 0

Tab. 7. The indication of factor preferences differences. Source: Authors.

Criteria 1. 1.1. 1.2. 1.3. 1.1.1. 1.1.2. 1.2.1. 1.2.2. 1.2.3. 1.2.4. 1.3.1. 1.3.2. 1.3.3.

1. 0 x x x x x x x x x x x x

1.1. x 1 1 6

1.2. x 1 1 5

1.3. x 1/6 1/5 1

1.1.1. x 1 3

1.1.2. x 1/3 1

1.2.1. x 1 1/3 2 1/2

1.2.2. x 3 1 4 1

1.2.3. x 1/2 1/4 1 1/3

1.2.4. x 2 1 3 1

1.3.1. x 1 6 5

1.3.2. x 1/6 1 1/2

1.3.3. x 1/5 2 1

Tab. 8. Calculated Saaty’s matrix. Source: Authors.


1.1. 1.2. 1.3. GA w(i)

1.1. 1 1 6 1.81712 0.47211

1.2. 1 1 5 1.70998 0.44427

1.3. 0.16667 0.2 1 0.32183 0.08362

λmax= 3.0037 ∑ 3.84893 1

CI = 0.00185 RI = 0.58

CR = 0.00318 N = 3

Tab. 9. Calculated Saaty’s matrix for the goal. Source: Authors.

1.1.1. 1.1.2. GA w(i)

1.1.1. 1 3 1.73205 0.75

1.1.2. 0.33333 1 0.57735 0.25

λmax = 2 ∑ 2.3094 1

CI = 0 RI = 0

CR = 0 N = 2

Tab. 10. Calculated Saaty’s matrix for the information quality dimension. Source: Authors.

1.2.1. 1.2.2. 1.2.3. 1.2.4. GA w(i)

1.2.1. 1 0.33333 2 0.5 0.75984 0.16383

1.2.2. 3 1 4 1 1.86121 0.40130

1.2.3. 0.5 0.25 1 0.33333 0.45180 0.09741

1.2.4. 2 1 3 1 1.56508 0.33745

λmax = 4.03098 ∑ 4.63793 1

CI = 0.01033 RI = 0.9

CR = 0.011474074 N = 4

Tab. 11. Calculated Saaty’s matrix for the system quality dimension. Source: Authors.


1.3.1. 1.3.2. 1.3.3. GA w(i)

1.3.1. 1 6 5 3.10723 0.72858

1.3.2. 0.16667 1 2 0.69336 0.16258

1.3.3. 0.2 0.5 1 0.46416 0.10884

λmax = 3.02906 ∑ 4.26475 1

CI = 0.01453 RI = 0.58

CR = 0.025051724 N = 3

Tab. 12. Calculated Saaty’s matrix for the service quality dimension. Source: Authors.

Infq_1: Is the presented information relevant to your job’s needs?

Infq_2: Is the acquired information relevant generally towards needs of managing operational

processes of organization?

Infq_3: Is the desired information clearly formulated?

Infq_4: Is the information comprehensibly presented on screen and properly formatted?

Infq_5: Do currently used BI tools produce accurate information?

Infq_6: Do currently used BI tools offer all the information you generally need do fulfill your

job’s tasks?

Infq_7: Do currently used BI tools offer timely information all the time?

Sysq_1: Is the performance of the BI tools satisfactory?

Sysq_2: Do currently used BI tools offer possibility to see the information in appropriate

detail?

Sysq_3: Are currently used BI tools flexible enough to satisfy new business requirements and

new business conditions?

Sysq_4: Do currently used BI tools react to commands, queries and requirements entered in

suitable time period?

Sysq_5: Is the information gained from the system based on quality data?

Sysq_6: Is the systems performance reliable without severe outages?

Sysq_7: Can you easily find data that you need to fulfill your job’s tasks?

Sysq_8: Are currently used BI tools appropriately secured against information abuse?

Sysq_9: Do currently used BI tools allow you to gain explanatory or complementary context?

Sysq_10: Is the information available according to transparent system of access

authorization?

Sysq_11: Is the information available at the time it is needed?

Sysq_12: Are currently used BI tools available using Internet or Intranet?

Sysq_13: Is the data from different parts of organization effectively combined so that it adds


value to your job’s tasks fulfillment?

Sysq_14: Do currently used BI tools contain information on parts of the organization that

were not easily accessible in earlier periods?

Serq_1: Are the services associated with the operation of BI tools provided quickly enough?

Serq_2: Are the services associated with the operation of BI tools provided in adequate

quality?

Serq_3: Are the services provided transparently?

Serq_4: Are service teams usually able to settle down problems associated with the operation

of BI tools?

Serq_5: Are you allowed to participate on changes in BI tools as a user?

Serq_6: Is your presence as a user required while making changes in BI tools?

Serq_7: Is the communication with the BI tools changes realization team effective enough?

Serq_8: Are the reason for changes explained sufficiently ahead of?

Serq_9: Are there BI tools usage training sessions arranged on a regular basis?

Serq_10: Do trainings include relevant and timely changes in BI tools?

Serq_11: Are trainings an asset to your everyday job’s tasks fulfillment?

Tab. 13. The description of original variables that are the source of data for the exploratory factor analysis.

Source: Authors.



DOI: 10.18267/j.aip.66

Peer-reviewed paper


Míry kvality procesních modelů vytvořených v notaci BPMN

Measures of quality of process models created in BPMN

Radek Hronza*, Josef Pavlíček†, Pavel Náplava†

Abstrakt

Popis, dokumentace, vyhodnocování a korekce v průběhu klíčových procesů by měla být nezbytnou součástí strategického řízení každé organizace. Jelikož organizace žijí v dynamicky se měnícím prostředí, musí adaptovat své vnitřní procesy na změny trhu. Tyto procesy musí být však popsány. Jako vhodný způsob popisu se zdá být notace BPMN. V návaznosti na vytvoření procesních modelů následuje jejich kontrola, zda vykazují vlastnosti očekávané kvality. Tento proces kontroly může být podpořen nástroji (třeba i automatizovanými) založených na matematickém vyjádření kvalitativních charakteristik procesních modelů (tj. míry kvality procesního modelu). Právě takový nástroj (tj. systém procesních kontrol) se autorský kolektiv snaží navrhnout a zavést do praktického použití. Cílem tohoto článku je zmíněný nástroj, založený na mírách kvality procesních modelů, popsat a zodpovědět položené vědecké otázky.

Klíčová slova: Business process management, BPMN, procesní modelování, procesní modely, míry kvality procesních modelů.

Abstract

Description, documentation, evaluation and redesign of key processes during their execution should be an essential part of the strategic management of any organization. All organizations live in a dynamically changing environment. Therefore they must adapt its internal processes to market changes. These processes must be described. Suitable way of description could be BPMN notation. Right after description of processes via BPMN, processes should be controlled to ensure expected of their quality. System (which could be automated) based on mathematical expression of qualitative characteristics of process models (i.e. measures of quality of process models) can support mentioned process controls. Research team trying to design and get into practical use such a tool. The aim of this publication is description of mentioned system – based on measures of the quality of process models - and answer associated scientific questions.

Keywords: Business process management, BPMN, Business process modelling, Business process models, Measures of quality of process models.

* Department of Economics, Management and Humanities, Faculty of Electrical Engineering,

Czech Technical University in Prague, Zikova 4, 166 27 Praha 6 - Dejvice, Czech Republic

[email protected]

† Center for Knowledge Management, Faculty of Electrical Engineering, Czech Technical University in Prague,

Technická 2, 166 27 Praha 6 - Dejvice, Czech Republic



1 Úvod

Počátky procesního modelování zasahují již do počátku 20. století jako jeden z nástrojů pro

popis organizací a jejich klíčových činností (Jeston & Nelis, 2006; Jan Mendling, 2008; Řepa,

2012). V poslední době je však využíván také i v oblasti softwarového inženýrství při tvorbě

informačních systémů a při elektronizaci klíčových business procesů.

Již samotný princip popisu a dokumentování průběhu klíčových procesů organizace

prostřednictvím procesních modelů vychází z předpokladu, že zvýšení výkonnosti / efektivity

organizace vyžaduje zvýšit výkonnost / efektivitu business procesů. Jelikož nelze zlepšovat

to, čemu dokonale nerozumím a nechápu, je vhodné využít právě procesní modelování, jehož

prostřednictvím lze popsat všechny business procesy organizace. Tudíž klíčovým

a očekávaným výstupem procesního modelování je vytvoření jakési popisné dokumentace

business procesů organizace (například dle principů ISO norem řady 9000), která slouží pro:

• Seznámení se s průběhem procesu a veškerými detaily, které se k procesu váží.

o Například v době zástupů, nástupu nového zaměstnance, auditů, outsourcing,

apod.

• Podklad pro analýzu průběhu procesu a stanovení potřebných kroků pro jeho

přepracování z důvodu zastaralých metod, změn v legislativních požadavcích, nových

technologií, reorganizaci pracovišť, vylepšení výkonnosti a efektivity, apod.

o Řídit organizaci pomocí hesla „dokud to fungovalo doposud, tak to bude

fungovat i nadále bez potřeby jakýchkoliv změn“ je mnohdy zcestné a vede ke

ztrátě konkurenční výhody.

• Podklad pro stanovení a monitoring klíčových ukazatelů v definovaných částech

procesu či v celé organizaci. Ty je možné následně využít pro objektivní stanovení

nápravných opatření či vylepšujících změn v průběhu procesu.

• Podklad pro tvorbu zadávací dokumentace pro vývojáře informačních systémů či pro

možnost elektronizace procesů.

Výše zmíněné principy jsou základními prvky procesního řízení (známého jako business

process management. Více viz obrázek č. 1), který se v poslední době stále více dostává do

popředí. To ostatně potvrzuje i poslední aktualizace ISO norem řady 9000 (ISO, 2015), která

více staví na osvědčených principech procesního řízení. Případně i řada jiných publikací

(Jeston & Nelis, 2006; Řepa, 2012; Trkman et al., 2015).


Obr. 1. Business process management. Zdroj: Autoři.

Není tedy pochyb, že vhodně navržené procesy, mohou značně usnadnit zajištění obchodních

cílů organizace. V malých a středně velkých firmách je složitost zajištění obchodních cílů

relativně nízká (samozřejmě toto tvrzení nelze brát doslovně). Tudíž je možné kvalitu návrhu

procesů relativně rychle rozpoznat. Naopak velké společnosti (například vysoké školy

univerzitního charakteru) mají procesy velmi komplikované a je náročné se v nich vyznat.

Též je velmi diskutabilní, zda návrh procesu je z hlediska jeho přínosu organizaci – tj.

zajištění obchodního cíle organizace, efektivní. Proto je v současné době možné vysledovat

trendy (procesní řízení, balanced scorecard, TQM, ISO normy řady 9000, apod.), které se

snaží tyto procesy „zefektivnit“.

Ať už se jedná o tvorbu procesních modelů za jakýmkoliv účelem, hlavním požadavkem je

odhalení všech chyb v návrhu co nejdříve. Čím později jsou chyby odhaleny, tím více vzniká

práce s jejich odstraněním.

Otázka kterou si klade autorský kolektiv je, zda existuje nějaká matematicky popsatelná vazba

mezi něčím tak relativním jako je „kvalita procesu“ a jak je možné ji kvantifikovat a následně

i ovlivnit. Již dříve autorský kolektiv prokázal, že zmíněná problematika byla již zkoumána

(Hronza et al., 2015). Cílem tohoto článku je na nalezené závěry navázat, problematiku dále

rozšířit a nalézt odpovědi na následující otázky:

1. Jsou nalezené míry kvality v procesním modelování vhodné pro procesní modely

vytvořené v notaci BPMN?

2. Pokud ne, lze vytvořit sadu měr kvality pouze pro procesní modely vytvořené v notaci

BPMN?

3. Jak tyto míry mohou ovlivnit výslednou kvalitu vytvořených modelů v notaci BPMN?

Obecně tedy dojde k sumarizaci výsledků v oblasti procesních měr a následného doporučení

jakým způsobem je možné ovlivnit tvorbu kvalitních procesních modelů v notaci BPMN.


2 Tvorba procesních modelů

Dříve než přejdeme k problematice procesních měr, je vhodné blíže vysvětlit pojmy jako je

procesní model, modelovací jazyky pro tvorbu procesních modelů a jaké existují možnosti

v ovlivnění kvality procesních modelů.

2.1 Procesní model

Procesní model je strukturované grafické uspořádání informací o průběhu procesu (viz

obrázek č. 2), případně o vztahu mezi více procesy. Tím je „čtenáři procesního modelu“

umožněno pochopit všechny aktivity a souvislostí mezi nimi a zdroji zapojených do daného

procesu.

Obr. 2. Příklad procesního modelu v notaci BPMN. Zdroj: Autoři.

Nejdůležitější vlastnosti procesních modelů jsou především stručnost, jasnost, přesnost a

jeho grafická kvalita. Výsledná podoba procesního modelu je výsledkem práce procesního

konzultanta a je vždy silně ovlivněna jeho subjektivním vnímáním. Z toho důvodu je tvorba

procesních modelů nedeterministická činnost. A právě proto je nutné se zabývat činnostmi,

které do určité míry zajistí dosažení přijatelné úrovně intersubjektivity a zachování výše

zmíněných parametrů.

2.2 Modelovací jazyky pro tvorbu procesních modelů

Pro tvorbu procesních modelů (jinými slovy grafickou reprezentaci procesů) existuje celá

řada modelovacích jazyků. Jedná se například o:

Unified Modeling Language (UML) (OMG, 2008)

Business Process Model & Notation (BPMN) (OMG, 2014)

Event-driven Process Chain (EPC) (Scheer, Oliver, & Otmar, 2005)

Petriho sítě (Marsan et al., 1994)

Finite State Machine (FSM) (Wright, 2005)

Subject Oriented Business Process Management (S-BPM) (Fleischmann et al., 2012)

Yet Another Workflow Language (YAWL) (Hofstede et al., 2010)

Každý z modelovacích jazyků se do značné míry odlišuje a výsledné procesní modely mají

mnohdy odlišné charakteristiky. Jak již bylo řečeno v úvodu, v tomto článku se však omezíme

pouze na modelovací jazyk BPMN. Pokud tedy nebude řečeno jinak, vždy pod pojmem

„procesní model“ budeme mít v následujícím textu na mysli procesní model vytvořený

v notaci BPMN.


2.3 Možné způsoby jak ovlivnit kvalitu procesních modelů.

Žádný, ani sebelepší, modelovací jazyk či nástroj sám o sobě nestačí ke tvorbě stručných,

jasných, přesných a graficky kvalitních procesních modelů. Je tedy potřeba se zabývat

možnými způsoby ovlivnění kvality procesních modelů. Pro tento účel existuje několik

způsobů:

SEQUAL Framework (Krogstie, Sindre, & Jørgensen, 2006; Lindland, Sindre, &

Solvberg, 1994)

The Guidelines of Modeling (GoM)

Quality Framework for conceptual modeling (ISO 9126 standard for software quality)

Seven Process Modeling Guidelines (7PMG) (Mendling, Reijers, & van der Aalst,

2010)

Míry kvality procesních modelů (Hronza et al., 2015)

Po bližším seznámení s těmito způsoby (především 7PMG) došel autorský kolektiv k faktu, že

ovlivnění kvality procesního modelu při jeho tvorbě je nutné rozdělit na dvě části:

1. Tvorba procesního modelu.

a. Procesní konzultant při tvorbě nejdříve vychází z pravidel / zásad / doporučení

pro modelování procesů. Mělo by se jednat o jakýsi metodický pokyn.

2. Ověření kvality modelu a případná realizace úprav.

a. Po vytvoření procesního modelu ověří procesní konzultant výslednou kvalitu a

rozhodne o případné potřebě úprav modelu tak, aby bylo dosaženo požadované

kvality.

Z několikaletých zkušeností autorského kolektivu je však patrné, že i přes sebedokonalejší

metodický pokyn dochází k opomenutí určitých doporučení a vznikají nekvalitní procesní

modely. Z toho důvodu je nutné vytvořit systém (jehož absenci doposud autorský kolektiv

pociťoval) pro ověření kvality včetně poskytnutí zpětné vazby na možné úpravy procesního

modelu. Jako vhodný nástroj se jeví právě zmiňované míry kvality procesních modelů.

3 Míry kvality procesních modelů

Jak již zaznělo v předchozí kapitole, dle dostupných vědeckých zdrojů je zřejmé, že klíčové

parametry procesních modelů (tj. stručnost, jasnost, přesnost a jeho grafickou kvalitu) lze

měřit a ovlivňovat právě díky mírám kvality procesních modelů. V této kapitole se tedy

seznámíme s existujícími mírami kvality procesních modelů a mírami, které autorský kolektiv

sestavil speciálně za účelem ovlivňování kvality procesních modelů vytvořených v

modelovacím jazyku BPMN.

3.1 Existující míry kvality procesních modelů

Identifikací existujících měr kvality procesních modelů se autorský kolektiv již v minulosti

zajímal a nalezl jich celou řadu (Hronza et al., 2015; Mach, 2015). Z těchto měr byl vytvořen

níže uvedený seznam měr roztřízených do příslušných kategorií z hlediska složitosti

procesního modelu (Conte, Dunsmore, & Shen, 1986).

1. Size

o Number of Activities (NOA)

o Number of Activities and Control-flow elements (NOAC)


o Number of Activities, Joins, and Splits (NOAJS)

2. Modularity

o Fan-in / Fan-out (Modularization)

o Maximum nesting depth

o Mean nesting depth

o Interface Complexity (IC)

3. Complexity

o Cognitive weight metric

o Control-flow Complexity (CFC)

o Halstead-based Process Complexity

o Coeficient of Network Complexity (CNC)

o Complexity Index (CI)

o Restrictiveness estimator

o Cyclomatic Number

4. Coupling

o Coupling

5. Cohesion

o Cohesion

Při bližší analýze však autorský kolektiv došel k názoru, že nalezené míry jsou mnohdy

uzpůsobeny potřebám konkrétního modelovacího jazyku a jejich použití pro procesní model,

vytvořený v jiném modelovacím jazyku není bez určitých úprav možný. Aby procesní míry

mohly být použity právě pro vyhodnocení stupně kvality procesního modelu v notaci BPMN,

je nutné provést určité korekce a vytvořit upravený seznam měr kvality procesních modelů.

3.2 Míry kvality procesních modelů v notaci BPMN

Na základě závěrů z předchozí kapitoly autorský kolektiv realizoval specifické úpravy (dle

teoretických a praktických zkušeností s tvorbou a identifikací chyb v procesních modelech

v notaci BPMN) a vytvořil tak nový seznam měr uzpůsobených pro notaci BPMN. Současně

došlo k přehodnocení kategorizace měr. Výsledkem je:

1. Velikost modelu (size of the model) - tento typ měr vyjadřuje velikost procesu. Jedná

se o nejzákladnější míry, jejichž hodnoty jsou mnohdy využity při výpočtu složitějších

měr. Je možné předpokládat, že velikost procesu přímo ovlivňuje jeho složitost. To

ostatně potvrzuje i jedno z doporučeních pro tvorbu srozumitelných procesních

modelů dle (Mendling et al., 2010). Veškeré pojmenování vycházejí z popisné

dokumentace notace BPMN dle (OMG, 2014).

a. Počet elementů modelu (number of elements) – vyjadřuje celkový počet

grafických objektů v modelu. Jedná se tedy o sumu všech níže uvedených měr.

i. Počet poolů (number of pools) – vyjadřuje celkový počet objektů typu

pool.

ii. Počet swimlanes (number of swimlanes. Též nazývaný jako number

of participants) – vyjadřuje celkový počet objektů typu swimlanes.

iii. Počet aktivit (number of activities) – vyjadřuje celkový počet objektů

typu aktivita / činnost.

1. Počet činností (number of tasks).

2. Počet podprocesů (number of subprocesses).

3. Počet externích činností (number of call activities).


4. Počet podprocesů typu událost (number of event.

Subprocesses).

5. Počet transakcí (number of transactions).

iv. Počet událostí (number of events) – vyjadřuje celkový počet objektů

typu událost.

1. Počet startovních událostí (number of start events).

2. Počet průběžných událostí (number of intermediate events).

3. Počet koncových událostí (number of end events).

v. Počet rozhodovacích bloků (number of gateways) – vyjadřuje celkový

počet objektů typu gateway.

1. Počet exkluzivních (XOR) rozhodovacích bloků (number

of exclusive gateway).

2. Počet inkluzivních (OR) rozhodovacích bloků (number

of inclusive gateway).

3. Počet paralelních (AND) rozhodovacích bloků (number

of parallel gateway).

4. Počet rozhodovacích bloků založených na událostech

(number of event based gateway)

vi. Počet informačních objektů (number of data) – vyjadřuje celkový

počet objektů informačního typu.

1. Počet dokumentů (number of data objects).

2. Počet externích skladů informací (number of data stores).

vii. Počet artefaktů (number of artifacts) – vyjadřuje celkový počet

objektů typu artefakt.

1. Počet poznámek (number of text annotation).

2. Počet ohraničujících objektů (number of groups).

viii. Počet propojovacích objektů (number of connecting objects)

– vyjadřuje celkový počet objektů, které se používají pro spojování

všech ostatních objektů v modelu. Propojovací objekty poskytují

kontext a pořadí ve vykonávání jednotlivých činností.

1. Počet sekvenčních propojení (number of sequence flow).

2. Počet informačních propojení (number of message flows).

3. Počet asociativních propojení (number of association flows).

4. Počet direktivně asociativních propojení (number

of directional association flows).

5. Počet podmíněných propojení (number of conditional flows).

6. Počet defaultních propojení (number of default flows).

b. Hloubka procesu (scale of depth) – vyjadřuje celkovou úroveň hloubky

procesu. Vyjadřuje tak z kolika úrovní podprocesů se zkoumaný proces skládá.

2. Složitost modelu (complexity of the model) - tento typ měr vyjadřuje složitost procesu

z pohledu možných průchodů procesem.

a. Složitost řídicího toku (CFC - Control Flow Complexity) – vyjadřuje počet

lineárně nezávislých cest v procesu. Často používaná míra pro stanovení počtu

testovacích scénářů průchodem procesu (Cardoso et al., 2006). Vzorec pro

výpočet:


ANDapa

AND

ORapa

OR

XORapa

XOR aCFCaCFCaCFCpCFC,,,

)()()()(

(1)

Doplňující informace ke vzorci:

CFCXOR(a) = Počet sekvenčních propojení vystupujících z daného exkluzivního

(XOR) rozhodovacího bloku. (2)

1 - 2 = (a)CFC ho_bloku)ozhodovacíniho(OR)_ro_inkluzivch_z_danehystupujiciropojeni_vvencnich_p(pocet_sek

OR (3)

1 = (a)CFCAND (4)

b. Složitost procesního modelu dle Halsteada (HPC - Halstead-based Process

Complexity) – tato míra je založena na mírách komplexity software. Pro účely

kvality procesních modelů jsou využívány níže uvedené vzorce dle (Cardoso et

al., 2006).

i. Doplňující vysvětlivky ke vzorcům:

1. n1 = počet unikátních rozhodovacích bloků.

2. n2 = počet unikátních informačních objektů.

3. N1 = celkový počet rozhodovacích bloků.

4. N2 = celkový počet informačních objektů.

ii. Délka procesu:

222121 loglog nnnnN (5)

iii. Rozsah procesu:

)(log)( 21221 nnNNV (6)

iv. Složitost procesu:

)/()2/( 221 nNnD (7)

3. Struktura modelu (structure of the model) – tento typ měr vyjadřuje kvalitu návrhu

designu vnitřní struktury elementů, které ovlivňují průchod procesem.

a. Hloubka rozhodovacího zanoření (nesting depth) – udává počet rozhodnutí,

které je nutné vykonat v průběhu vykonávání procesu (Kluza & Nalepa, 2012).

Vzorec pro výpočet:

ND = Počet exkluzivních (XOR) rozhodovacích bloků + Počet

inkluzivních (OR) rozhodovacích bloků + Počet rozhodovacích bloků

založených na událostech.

(8)

b. Složitost rozhraní (interface complexity) – míra udává složitost procesu

z pohledu jeho datových vstupů a výstupů (Henry & Kafura, 1981;

Thammarak, 2010).Vzorec pro výpočet:

2)__( vystupupocetvstupupocetDélkaIC (9)

Doplňující vysvětlivky ke vzorcům:


i. Délka procesu je závislá na znalosti struktury dílčích aktivit procesu.

Pokud se bude jednat o „black box“ aktivitu, délka bude vždy 1.

V opačném případě bude délka dané aktivity rovna jejímu počtu aktivit.

c. Počet koncových událostí v rámci swimlanes (number of end events within

swimlines) – udává celkový počet koncových událostí v rámci swimlanes.

d. Násobné využití rozhodovacích bloků v přímé návaznosti (multiple use of

decision blocks in direct response) – udává počet rozhodovacích bloků, které

jsou v přímé souvislosti.

e. Počet cyklů (number of cycles) – udává počet cyklů v rámci procesního

modelu.

f. Počet duplicitně zobrazených elementů (number of duplicated elements) –

udává celkový počet duplicitně zobrazených elementů v rámci procesního

modelu. Velmi častý problém, kdy vlivem nepozornosti jsou v modelu

duplicitně zaznamenány především swimlanes, události a aktivity. Tím dochází

ke zbytečnému zvětšování velikosti procesního modelu.

4. Srozumitelnost modelu (comprehensiveness of the model) – tento typ měr vyjadřuje

náročnost na pochopení modelu ze strany jeho uživatelů / čtenářů.

a. Míra srozumitelnosti (CW - cognitive weight) – udává úroveň náročnosti

pochopení řídicí struktury procesního modelu. Je založená na empirickém

výzkumu, díky kterému byla jednotlivým řídicím elementům přiřazena váha

srozumitelnosti. Tato míra vyjadřuje tedy sumu vah srozumitelnosti řídicích

elementů v modelu (Gruhn & Laue, 2006).

b. Míra složitosti propojení (CW - coeficient of network complexity) – vyjadřuje

náročnost porozumění modelu. Hodnotu této míry lze jednoduše vypočítat jako

počet hran (počet přechodů mezi aktivitami modelu) grafu podělený počtem

uzlů (počet aktivit modelu a řídicích elementů).

c. Míra výskytu nevhodných vzorů (rate of occurrence anti-patterns) –

vyjadřuje, do jaké míry se v procesním modelu vyskytují nevhodné návrhové

vzory.

d. Míra naplnění nezbytných informací (degree of fulfilment of the necessary

information) – vyjadřuje, do jaké míry jsou v procesním modelu obsaženy

všechny nezbytné informace. Jedná se především o následující:

i. Vlastník.

ii. Odpovědná osoba.

iii. Vstupy.

iv. Výstupy.

v. Textový popis.

5. Modulárnost modelu (modularization of the model) - tento typ měr vyjadřuje úroveň

modulárního designu procesů. Míry vycházejí z (Thammarak, 2010).

a. Míra využití daného procesního modelu (fan_in) – udává počet všech

procesů, které volají zkoumaný proces. Čím větší je hodnota této míry, tím je

pravděpodobnější, že se jedná o jednoduchý proces, který je vyžadován v

jiných částech procesu.


b. Míra využívání jiných procesních modelů (fan_out) – udává počet všech

procesů, které jsou volány ze zkoumaného procesu. Čím větší je hodnota této

míry, tím je pravděpodobnější, že se jedná o větší podproces, který ke své

správné funkcionalitě využívá celou řadu jednodušších procesů.

c. Míra modularizace (modularization) – míra je založená na předchozích dvou

mírách. Čím větší hodnota této míry je, tím bude náročnější tento proces

používat a pravděpodobně je nesprávně navrhnutý. Vzorec pro výpočet:

2)__( outfaninfantionModulariza (10)

4 Diskuze

Autorský kolektiv využil znalosti existujících měr kvality procesních modelů, doplnil je o

další atributy ovlivňující jejich kvalitu (mlhavost odpovědností, výskyt duplicitních objektů,

apod.) a vytvořil uzpůsobenou sadu procesních měr právě pro účely modelovacího jazyka

BPMN.

Je nutné uvést, že v této fázi výzkumu se však jedná pouze o první a spíše teoretický návrh,

který je nutné konfrontovat s realitou. Bude potřeba ověřit a identifikovat zejména:

Využitelnost navržených měr v praxi.

Ověření vzorců pro výpočty a doplnění chybějících vzorců.

Přípustné intervaly výsledných hodnot měr kvality BPMN procesních modelů tak,

aby mohlo být jasně řečeno, jaké hodnoty nesmí být překročeny.

o Především tato oblast je nejdůležitějším výstupem pro možnost využití

navržených měr v praxi.

Korelace hodnot mezi jednotlivými mírami a klíčovými parametry procesních

modelů.

Zda může vést určitá kombinace jednotlivých měr k vytvoření nových měr.

Jako nejlepší způsob se jeví kvalitativní test v laboratoři použitelnosti, kdy participantům

předložíme BPMN procesních modely a budeme zjišťovat uživatelské reakce a vnímání všech

klíčových vlastností procesních modelů (stručnost, jasnost, přesnost a jeho grafická kvalita),

které následně budeme korelovat s výsledky navržených měr kvality procesních modelů

v notaci BPMN.

Scénář kvalitativního testu je rozložen na studii:

Přehlednosti procesu – tj. zda je vybraný participant schopen proces (popsaných ve

formě BPMN procesního modelu) pochopit a za jak dlouho.

Adaptace na proces – tj. zda je participant schopen po určitém časovém intervalu (cca

10 min) schopen rozumět jiným procesům (popsaných ve formě BPMN procesního

modelu).

Kvalitativních charakteristik procesů – tj. co skutečně zkušeným participantům

v oblasti procesního modelování na procesech schází, co by navrhli doplnit a co

naopak ztěžuje jejich práci s nimi.

Takto provedený test bude opakován ve třech etapách. V každé etapě proběhne testování cca

10 na sobě nezávislých participantů. Procesy budou na základě každé etapy upraveny (tj.

vylepšeny a jiná sada současně úmyslně zesložitěna) tak, aby stanovená hypotéza, tj. míra

kvality, byla potvrzena či vyvrácena. Pokud se však alespoň částečně potvrdí naše empiricky


zjištěná hypotéza, tj. kvalitu je možné měřit a tak i kontrolovat, tak bude nalezen velmi účinný

nástroj pro kontrolu kvality procesního modelu.

5 Závěr

Jak bylo uvedeno výše, klíčovým a očekávaným výstupem procesního modelování je

vytvoření pomocné / popisné dokumentace procesů organizace. Postup tvorby procesních

modelů, aby je bylo možné opakovaně použít za daných podmínek a dojít k požadovaným

výsledkům, je třeba normalizovat. Tj. stanovit pravidla pro modelování a zavést kontrolní

mechanismy, které odhalí nekvalitní procesní modely a současně poskytnou potřebné

informace pro jejich opravu. Jinými slovy cílem je vytvořit nástroj (systém procesních

kontrol), založený na mírách kvality procesních modelů a uvést ho do praxe. Vhodným

příkladem mohou být principy ISO norem řady 9000, které slouží pro zajištění jakosti

požadovaného výsledku určité činnosti a výše uvedený princip vyžadují.

Cílem tohoto článku bylo nalézt odpovědi na výše uvedené tři otázky. Je tedy vhodné v tuto

chvíli shrnout nalezené odpovědi:

1. Jsou nalezené míry kvality v procesním modelování vhodné pro procesní modely

vytvořené v notaci BPMN?

Do určité míry ano. Problém však spočívá v tom, že nalezené míry jsou mnohdy

specifické pro konkrétní modelovací jazyk a na notaci BPMN je nelze aplikovat

(bez dodatečných úprav) přímo. Současně notace BPMN vykazuje mnohé

specifika, které zásadně ovlivňují kvalitu procesních modelů.

2. Pokud ne, lze vytvořit sadu měr kvality pouze pro procesní modely vytvořené v

notaci BPMN?

Požadovanou sadu měr nepochybně vytvořit lze. V tomto článku autorský kolektiv

navrhl seznam měr právě pro notaci BPMN. Je však nutné zmínit, že se jedná

pouze o první návrh, který doposud nebyl ověřen v praxi. Proto autorský kolektiv

doporučuje výsledný seznam měr konfrontovat s realitou prostřednictvím realizace

kvalitativního výzkumu v laboratoři použitelnosti ČVUT / ČZU dle výše

uvedeného postupu pro zajištění požadovaného cíle. Pokud to bude možné, mělo by

také dojít k návrhu tříd projektů a jím odpovídajících doporučení, které míry kvality

procesního modelu lze pro danou třídu použít.

3. Jak tyto míry mohou ovlivnit výslednou kvalitu vytvořených modelů v notaci

BPMN

Míry mohou ovlivňovat kvalitu přímo a nepřímo. Síla vlivu měr je závislá na řadě

faktorů. Během testu použitelnosti je nutné sledovat přímé vlivy (tj. například

snahu o co nejmenší množství vnoření procesů). Jejich dopad na kvalitu procesního

modelu zaznamenávat a výsledky konzultovat s tvůrci procesů a v případě potřeby

je znovu ověřit v laboratoři použitelnosti. Nepřímý vliv bude zkoumán formou

řízeného pohovoru po ukončení studie v laboratoři. Každý „participant“ (osoba

spolupracující na výzkumu formou tvůrce zadaných procesů) bude hovořit o

problémech při tvorbě procesu. Bude veden k označení největších problémů, které

musel vyřešit. Tato diskuse tak otevře možnost pochopení, zda zavedení některé

míry (typickou je hloubka vnoření) nepovede ke zbytečným stresům tvůrců

procesu. Stres se pak může projevit úmyslným zjednodušováním celkového návrhu.

Takový jev je zjevně negativní a měl by být eliminován.


Výsledky měření použitelnosti měr povedou k finalizaci seznamu měr kvality procesních

modelů vytvořených v notaci BPMN. Finalizací seznamu bude následně možné vytvořit

automatizovaný nástroj, který může zkontrolovat kvalitu procesního modelu po jeho

vytvoření a tím jeho autorovi dát zpětnou vazbu / doporučení jak by měl být / mohl být

procesní model upraven. Nicméně již v tuto chvíli lze konstatovat, že nástroj pro kontrolu

kvality procesních modelů, založený na mírách kvality procesních modelů je rozhodně

realizovatelný, byť vyžaduje ještě další zkoumání formou kvalitativních testů.

Seznam použitých zdrojů

Cardoso, J., Mendling, J., Neumann, G., & Reijers, H. A. (2006). A Discourse on Complexity of Process Models (Survey Paper). In Business Process Management Workshops: Lecture Notes in Computer Science Vol. 4103 (pp. 117–128). doi: 10.1007/11837862_13

Conte, S. D., Dunsmore, H. E., & Shen, V. (1986). Software Engineering Metrics and Models. Redwood City: Benjamin-Cummings Publishing.

Fleischmann, A., Schmidt, W., Stary, C., Obermeier, S., & Börger, E. (2012). Subject-Oriented Business Process Management. Berlin: Springer.

Gruhn, V., & Laue, R. (2006). Adopting the Cognitive Complexity Measure for Business Process Models. In 5th IEEE International Conference on Cognitive Informatics (pp. 236 – 241). Beijing: IEEE. doi: 10.1109/COGINF.2006.365702

Henry, S., & Kafura, D. (1981). Software Structure Metrics Based on Information Flow. IEEE Transactions on Software Engineering, SE-7(5), 510–518. doi: 10.1109/TSE.1981.231113

Hronza, R., Pavlíček, J., Mach, R., & Náplava, P. (2015). Míry kvality v procesním modelování. Acta Informatica Pragensia, 4(1), 18–29. doi: 10.18267/j.aip.57

ISO. (2015). ISO 9001 Quality Management Systems – revision. Retrieved from http://www.iso.org/iso/iso9001_revision

Jeston, J., & Nelis, J. (2006). Business Process Management. London: Elsevier.

Kluza, K., & Nalepa, G. J. (2012). Proposal of square metrics for measuring Business Process Model complexity. In Federated Conference on Computer Science and Information Systems (pp. 919 – 922). Wroclaw: IEEE.

Krogstie, J., Sindre, G., & Jørgensen, H. (2006). Process models representing knowledge for action: a revised quality framework. European Journal of Information Systems, 15(1), 91–102. doi: 10.1057/palgrave.ejis.3000598

Lindland, O. I., Sindre, G., & Solvberg, A. (1994). Understanding quality in conceptual modeling. IEEE Software, 11(2), 42–49. doi: 10.1109/52.268955

Mach, R. (2015). Návrh a tvorba nástroje pro optimalizaci procesů na základě analýzy BPM modelů. Praha: FIT, ČVUT.

Marsan, M. A., Balbo, G., Conte, G., Donatelli, S., & Franceschinis, G. (1994). Modelling with Generalized Stochastic Petri Nets (1st ed.). West Sussex, England: John Wiley & Sons.

Mendling, J. (2008). Metrics for Process Models: Empirical Foundations of Verification, Error Prediction, and Guidelines for Correctness. Berlin: Springer.

Mendling, J., Reijers, H. a., & van der Aalst, W. M. P. (2010). Seven process modeling guidelines (7PMG). Information and Software Technology, 52(2), 127–136. doi: 10.1016/j.infsof.2009.08.004

OMG. (2008). Unified Modeling Language (UML). Retrieved from http://www.uml.org

OMG. (2014). Business Process Model & Notation (BPMN). Retrieved from http://www.omg.org/bpmn/index.htm

http://dx.doi.org/10.1007/11837862_13

http://dx.doi.org/10.1109/COGINF.2006.365702

http://dx.doi.org/10.1109/TSE.1981.231113

http://dx.doi.org/10.18267/j.aip.57

http://www.iso.org/iso/iso9001_revision

http://dx.doi.org/10.1057/palgrave.ejis.3000598

http://dx.doi.org/10.1109/52.268955

http://dx.doi.org/10.1016/j.infsof.2009.08.004

http://www.uml.org/

http://www.omg.org/bpmn/index.htm


Řepa, V. (2012). Procesně řízená organizace. Praha: Grada Publishing.

Scheer, A. W., Oliver, T., & Otmar, A. (2005). Process Modeling Using Event- Driven Process Chains. In Process-Aware Information Systems (pp. 119–146). Hoboken: John Wiley & Sons.

Ter Hofstede, A. H. M., Van Der Aalst, W. M. P., Adams, M., & Russell, N. (2010). Modern business process automation: YAWL and its support environment. Berlin: Springer.

Thammarak, K. (2010). Survey Complexity Metrics for Reusable Business Process. In 1st National Conference on Applied Computer Technology and Information System (pp. 18–22). Nonthaburi: ACTIS.

Trkman, P., Mertens, W., Viaene, S., & Gemmel, P. (2015). From business process management to customer process management. Business Process Management Journal, 21(2), 250–266. doi: 10.1108/BPMJ-02-2014-0010

Wright, D. R. (2005). Finite State Machines. Retrieved from http://www4.ncsu.edu/~drwrigh3/docs/courses/csc216/fsm-notes.pdf

http://dx.doi.org/10.1108/BPMJ-02-2014-0010

http://www4.ncsu.edu/~drwrigh3/docs/courses/csc216/fsm-notes.pdf



DOI: 10.18267/j.aip.67

Peer-reviewed paper


Mapování barev na typické případy užití ve webové aplikaci

Color Mapping on Common Use-Cases in a Web Application

Jiří Hradil*, Vilém Sklenák*

Abstrakt

Psychologie barev a její aplikace v softwaru je součástí širšího výzkumu, zabývající se ergonomií software. Software se v dnešní době stává rychlejší, chytřejší a komplexnější. Na druhou stranu roste množství aplikací, které lidé musí zvládnout. Uživatelské rozhraní a obecně veškerá komunikace člověka a stroje proto potřebuje neustále zjednodušovat. Jedním ze způsobů je těžit z vědomostí a zvyklostí, které již uživatelé mají. Software je třeba lidem přiblížit, třeba i cestou asociací konkrétních případů užití v aplikaci s barvami, které lidé znají a pro případy užití jim jsou z nějakého důvodu blízké. V článku se autoři snaží tyto asociace najít, popsat a definovat kroky pro další výzkum.

Klíčová slova: Software, barvy, mapování barev, psychologie barev, CRUD, webová aplikace, ergonomie.

Abstract

Psychology of Colors and its application in software is a part of a wider research related to Software Ergonomics. Nowadays, software tends to be faster, clever and even more complex. On the other side, the amount of applications, which people has to manage increases. However, user interface and all the communication between a man and a machine needs simplifying. One way how to do that is to dig into the knowledge and conventions, which users already have. Software needs to be brought near to the users maybe using the associations of the particular use-cases in the application with colors, which users already know and which are common to them. The research tries to find these associations, describe them and define the steps for the future research.

Keywords: Software, colors, color mapping, psychology of colors, CRUD, web application, ergonomics.

* Department of Information and Knowledge Engineering, Faculty of Informatics and Statistics, University of Economics,

Prague, nám. W. Churchilla 4, 130 67 Praha 3, Czech Republic



1 Úvod

Webové aplikace, jakožto software dostupný v Internetu prostřednictvím webového

prohlížeče, se stávají dominantním typem používaných aplikací, např. Microsoft Office

(2015) a Google (2015a). Typická webová aplikace komunikuje s uživateli prostřednictvím

odkazů a formulářových komponent – textových polí, zaškrtávacích políček (checkbox, radio

button) a tlačítek. Tyto komponenty umožňují přidávání, úpravu, prohlížení a mazání dat

v databázi, na kterou je aplikace běžně napojena.

Obecně lze časté případy užití nad daty v aplikaci shrnout do těchto základních typů:

vytváření či přidávání dat – Create

čtení či zobrazení dat – Read

úprava či aktualizace dat – Update

mazání dat – Delete

Uvedené 4 typy případů užití lze dle jejich počátečních písmen nazývat principem CRUD.

Vliv barev na psychologii člověka je předmětem mnoha publikací a výzkumů, viz Birren

(2013), Elliot a Maier (2014), Loffler (2014), Sherman a Clore (2009). Barvy, použité

v aplikacích ovlivňují psychologii a tedy i chování lidí stejně jako každé jiné prostředí,

kterého je člověk součástí. Nabízí se tedy otázka, zda lze vhodným použitím barev v aplikaci

lidem pomoci pracovat efektivněji, přesněji a nabídnout jim rozhraní, které bude barevně

intuitivní.

Spojíme-li uvedené problémové domény, tedy typické případy užití ve webových aplikacích

a psychologii barev, lze si položit otázku, zda lze tyto případy užití efektivně mapovat na

konkrétní barvy? Pokud prokážeme, že uživatelé některé barvy při používání přímo

očekávají, lze navrhovat aplikace tak, aby jejich používání bylo přímočaré, intuitivní,

rychlejší a z pohledu uživatelů, tedy lidí, přirozenější.

Kromě popsaného mapování barev na případy užití výzkum zahrnuje také testování, které

barvy jsou uživateli zvoleny jako nejvíce a nejméně oblíbené. Domníváme se, že může

existovat korelace mezi oblíbeností barvy a konkrétním případem užití.

Cílem článku je zjistit:

1. Které barvy jsou nejoblíbenější?

2. Které barvy jsou nejméně oblíbené?

3. Jaké je mapování barev na základní případy užití?

Subjektivně očekáváme, že ve vztahu k případům užití uživatelé zvolí následující kombinace:

Vytvoření záznamu – zelená barva, asociace s růstem v přírodě.

Smazání záznamu – červená barva, asociace s nebezpečím.

Také předpokládáme, že nejoblíbenější barva bude korelovat s případem užití pro vytvoření

záznamu na základě předpokladu „lidé rádi tvoří“ a nejméně oblíbená barva s případem užití

pro smazání záznamu na základě předpokladu „lidé neradi ničí“.

Tento výzkum je třeba chápat jako úvodní studii rozsáhlé problematiky použití barev ve

webových aplikacích. Zjištěné závěry nejsou finální a budou podpořeny dalším výzkumem,

používajícím jiné typy aplikací, případy užití či barevná schémata.


2 Rešerše a výzkumné metody

Birren (2013) zkoumá barvy z několika různých kontextů. Zabývá se historickým hlediskem

barev, jejich původním významem a funkcí barev v různých kulturách. Následují biologické

aspekty barev (elektromagnetické vlnění, vliv barev na růst rostlin či diagnostika pomocí

barvy). Psychologické aspekty popisují emocionální reakce na barvy, asociace a analogie,

stejně jako vnímání barev z estetického hlediska. Vizuální aspekty a funkcionální barvy,

včetně doporučení barevných kombinací a nejčastější použití barev v situacích, ve kterých

jsou konkrétní barvy vnímány jako přirozené, dílo uzavírají.

Význam použití barev při komunikaci člověka a počítače HCI (Human-computer interaction)

zkoumá např. McNab (2009, str. 23), která konkrétně zmiňuje rozdílné vnímání barev

a psaného textu a uvádí, že použitím vhodných barev roste užitečnost aplikace.

V kontextu práce je vhodné také zmínit výzkum Gorn, G. J., Chattopadhyay, A., Sengupta, J.,

& Tripathi, S. (2004), který vnímání barev spojuje s vnímáním času uživatele, čekajícího na

zobrazení webové stránky. Cothran, D. L. and Larsen, R. (2008) dále potvrzují, že barvy jsou

obecně vnímány rychleji a přednostněji než psaný text. Souvislost mezi použitím barevného

pozadí vzhledem k čitelnosti textu zmiňují Hall, R. H., & Hanna, P. (2004).

Sherman a Clore (2009) asociují vnímání bílé a černé barvy jako boj dobra a zla. Protože jsou

tyto dvě základní barvy považovány za základní, byly přidány do základního barevného klíče

v testovací aplikaci. Bílá je také dle Birren (2013, str. 260) vnímána jako barva čistoty a černá

jako negativní. Elliot a Maier (2014) se věnují vnímání barev a jejich vlivu na psychologické

funkce u lidí. Popisují silné, až agresivní vnímání červené barvy jak u lidí, tak u zvířat, které

jsou schopny barvy rozlišovat (např. primáti). Agresivita červené zapadá do případů užití v

CRUD aplikaci pro akci „Smazání dat“ a její vliv v asociaci bude ověřen. Červená barva je

popisována jako barva neúspěchu a selhání. Znamená nebezpečí a je třeba používat ji velmi

opatrně, což uvádí Birren (2013, str. 258).

Rovněž Gnambs, T., Appel, M. and Oeberst, A. (2015) uvádí neochotu uživatelů používat

červenou barvu, kterou vnímají jako rizikovou. Moshe Zviran, Dov Te'eni, and Yuval Gross

(2006) zkoumají souvislost při použití konkrétní barvy v pozadí emailové zprávy a pozitivní

reakcí uživatele na tuto zprávu. Přímo uvádí manipulaci s emocemi uživatelů prostřednictvím

barev.

Loffler (2014) zmiňuje otázku, jak se liší barevné asociace dle zemí, ve kterých lidé žijí?

Geografické rozlišení uživatelů bude součástí dalšího výzkumu, mj. i z důvodu, že současná

identifikace uživatelů neumožňuje přesnější geografickou lokaci. Loffler (2014, str. 2) také

popisuje spojitost mezi barvami v jazyce a fyzikálními atributy, např. spojení „vymalovat v

těžkých barvách“.

Aplikace psychologie barev v softwaru není novinkou. Doporučení konkrétních barev a

předdefinovaných barevných komponent (tlačítek) ve vztahu k prioritám a případům užití je

součástí HTML, CSS a JavaScript frameworku Bootstrap (2015). Barva pro nejdůležitější

akci byla zvolena modrá a pro nebezpečnou akci červená, což je v souladu s Birren (2013, str.

258).

Obr. 1. Bootstrap – výchozí barvy tlačítek. Zdroj (Bootstrap, 2015).


Barvy jsou také součástí standardů pro tvorbu webu. Jedním z nich jsou U.S. Web Design

Standards (2015), obsahující sadu komponent a doporučení pro tvorbu webu vládních

organizací v USA. Zvolné barvy však nejsou součástí hlubšího výzkumu – jak je na webu

uvedeno, byly zvoleny s ohledem na „American spirit“ a zjevně kopírují barvy americké

vlajky.

Tento standard neobsahuje doporučení pro konkrétní případy užití.

Obr. 2. U.S. Web Design Standards – primární barvy. Zdroj (U.S. Web Design Standards, 2015).

Obr. 3. U.S. Web Design Standards – sekundární barvy. Zdroj (U.S. Web Design Standards, 2015).


Obr. 4. U.S. Web Design Standards – terciální barvy. Zdroj (U.S. Web Design Standards, 2015).

Obr. 5. U.S. Web Design Standards – barvy pozadí. Zdroj (U.S. Web Design Standards, 2015).

Obr. 6. U.S. Web Design Standards – barvy pro speciální stavy. Zdroj (U.S. Web Design Standards, 2015).


Dalším standardem, obsahující definice barev, je Google (2015b). Uvedená doporučení se

však týkají pouze výběru primární a sekundární barvy, či barev doplňkových. Konkrétní

doporučení k případům užití, či určení priorit barev zde nenajdeme.

Obr. 7. Google Material design – barvy (zde pouze část pro ilustraci, kombinací je na webu více). Zdroj (U.S. Web Design Standards, 2015).


2.1 Testovací aplikace a parametry testu

Pro účely testování a v souladu s cílem výzkumu byla vytvořena webová aplikace Colors

(Hradil, 2015). Aplikace byla vytvořena pouze pro účely testování s těmito parametry:

1. Všeobecně známý typ aplikace – aplikace by měla být uživatelům subjektivně známá

a pokud možno pravidelně používaná. Případy užití či procesy v aplikaci by nemělo

být třeba podrobně vysvětlovat.

2. Pracovní typ aplikace – z důvodu pozdější aplikace zjištěných poznatků zejména

v komerční či podnikové sféře by měla aplikace přinášet reálnou hodnotu, typicky

finančně směnitelnou. Tomuto kritériu nevyhovují zábavné typy aplikací, např.

sociální sítě, hry, apod.

3. Jednoduchost uživatelského rozhraní – na první pohled musí být zřejmé, jak se

aplikace ovládá.

Parametrům vyhovuje aplikace typu „Adresář kontaktů“ (Address Book), ve které lze CRUD

princip aplikovat velmi jednoduše a z pohledu uživatelů předvídatelně – kontakty lze

vytvářet, číst, upravovat a mazat. Aplikace byla vytvořena v anglickém jazyce z důvodu

budoucího využití i mimo Českou republiku. V dalším výzkumu budou osloveni také

zahraniční uživatelé.

Obr. 8. Colors & Typical Use Cases – aplikace pro testování uživatelů. Zdroj: (Hradil, 2015).


2.2 Testovací skupina

První testovací skupinu tvoří studenti VŠE v Praze, absolventi kurzu 4IZ228 (Tvorba

webových stránek a aplikací), kteří byli prostřednictvím hromadného emailu požádáni

o vyplnění testu. Obecně je aplikace dostupná z Internetu a respondentem se v tomto případě

může stát kdokoli. Jednoznačná identifikace uživatelů v aplikaci neexistuje a následná

kategorizace zatím není možná (disponujeme pouze emailovou adresou respondenta).

Ztížená identifikace uživatele je však ve webových aplikacích typická a přesná data o sobě

může poskytnout jen uživatel sám. V případě vytvořené aplikace Colors (Hradil, 2015) se na

detaily ohledně identity uživatele neptáme, abychom je neodradili od samotného testování,

protože se domníváme, že s delším časem stráveným v aplikaci klesá ochota aplikaci/test

používat.

Jedná se o první testovací skupinu. Počet skupin a respondentů budeme postupně zvyšovat.

Výsledky tak mohou být upřesňovány.

Počet respondentů (testovacích uživatelů) 54

Časový interval testování (sběru dat) 4. 7. 2015 – 5. 10. 2015

Tab. 1. Počet respondentů a časový interval testování. Zdroj (autor, 2015).

2.3 Kritéria pro výběr barev – široký výběr

Z důvodu velké pestrosti a rozptylu možností použití barev bylo třeba najít klíč, podle kterého

lze zvolit barvy pro testovací otázky.

Kritéria výběru barev byla následující:

1. Pokrytí spektra barev – vybrané barvy by měly být dostatečně pestré z pohledu

výběru i zaujetí uživatele.

2. Malý počet barev – z důvodu potlačení výběru jemné nuance (odstínu) barev a také

nutnosti rychlého (subjektivního) výběru barvy uživatelem.

3. Potlačení subjektivity autora – klíč pro výběr barev je třeba zvolit externí, aby byla

potlačena možná preference barevných kombinací autora.

Zvoleným kritériím vyhovuje 12barevná hvězdice dle Blanc (1867), jejíž barvy byly

převedeny na RGB hodnoty.


Obr. 9. Dvanáctibarevná hvězdice Charlese Blanca. Zdroj (Blanc, 1867).

Jak je z výběru zřejmé, chybí následující základní barvy:

bílá (white) – absolutní bílá s hodnotami rgb(255, 255, 255)

černá (black) – absolutní černá s hodnotami rgb(0, 0, 0)

Kromě černé a bílé považujeme za vhodné doplnit jejich kombinace, ideálně střední hodnoty.

Proto byly přidány další 2 barvy:

šedá (gray) – 50% hodnota mezi bílou a černou rgb(128, 128, 128)

stříbrná (silver) – 75% hodnota mezi bílou a černou (a tedy 50 % hodnota mezi

šedou a bílou) – rgb(192, 192, 192)

Uvedené 4 barvy byly doplněny do výběru a doplňují Blancovu 12barevnou hvězdici na

celkových 16 barev.

Název barvy RGB hodnota barvy

red rgb(255, 0, 0)

red-orange rgb(250, 59, 12)

orange rgb(247, 134, 9)


yellow-orange rgb(247, 175, 10)

yellow rgb(254, 255, 41)

yellow-green rgb(199, 233, 33)

green rgb(86, 165, 38)

blue-green rgb(21, 127, 195)

blue rgb(0, 38, 253)

blue-violet rgb(45, 0, 146)

violet rgb(113, 0, 159)

red-violet rgb(148, 0, 59)

white (extra color) rgb(255, 255, 255)

black (extra color) rgb(0, 0, 0)

gray (extra color) rgb(128, 128, 128)

silver (extra color) rgb(192, 192, 192)

Tab. 2. Široký výběr barev. Zdroj (autor, 2015).

2.4 Kritéria pro výběr barev – úzký výběr

Zvolená 12barevná dle Blanc (1867), resp. 16barevná paleta barev je příliš široká pro

testování 4 základních CRUD případů užití. Proto bylo nutné tento výběr zúžit a vybrat pouze

4 základní barvy pro testování.

Kritéria pro užší výběr barev:

1. Dostatečná pestrost – zvolené barvy by měly být subjektivně okamžitě rozlišitelné

mezi sebou.

2. Potlačení subjektivity autora – nejlépe zvolením externího klíče pro výběr.

3. Zúžení existujícího výběru – z důvodu jednotné metodiky by zvolené barvy měly být

podmnožinou předchozího (širokého) výběru.

Uvedeným kritériím vyhovuje známá trojkombinace RGB (červená, zelená a modrá barva).

Jako čtvrtá a doplňující barva byla zvolena žlutá. Přidání žluté barvy je subjektivní, avšak

z pohledu testu přijatelné.

V případě zelené, modré a žluté barvy se nejedná o jejich typické, maximální hodnoty (např.

zelená = rgb(0, 255, 0) a modrá=rgb(0, 0, 255) a žlutá=rgb(255, 255, 0)), ale jsou použity

barvy z palety dle Blanc (1867).


Název barvy RGB hodnota barvy

red rgb(255, 0, 0)

yellow-orange rgb(247, 175, 10)

green rgb(86, 165, 38)

blue-green rgb(21, 127, 195)

Tab. 3. Úzký výběr barev, z palety dle Blanc (1867). Zdroj (autor, 2015).

2.5 Test 1 – subjektivní preference barvy

Otázka: Which of the following colors DO YOU LIKE the most?

Popis: Uživatel má vybrat 1 barvu, kterou subjektivně preferuje nejvíce.

Poznámka: Zobrazené pořadí barev je pro každý výběr náhodně změněno. Důvodem je

potlačení ovlivnění výběru barvy dle jejího pořadí. V dalším rozšíření budeme také testovat,

zda existuje vztah mezi volbou barvy a jejím pořadím ve výběru. Pokud by např. uživatelé

často volili první barvu, nebo jen barvy z prvního řádku, bylo by třeba test upravit.

Zdůvodnění testu: Zjištění, zda preference konkrétní barvy koreluje s výběrem podobné barvy

pro některý z případů užití ve webové aplikaci.

Obr. 10. Testovací otázka č. 1. Zdroj (autor, 2015)

2.6 Test 2 – subjektivní odmítnutí (záporná preference) barvy

Otázka: Which of the following colors DO YOU DON'T LIKE?

Popis: Uživatel má vybrat jednu barvu, kterou subjektivně preferuje nejméně (nemá ji rád).

Poznámka: Pořadí barev je pro každý výběr náhodně změněno. Důvodem je potlačení

ovlivnění výběru barvy dle jejího pořadí.


Zdůvodnění testu: Zjištění, zda záporná preference konkrétní barvy koreluje s výběrem

podobné barvy pro některý z případů užití ve webové aplikaci.


2.7 Test 3 – mapování barvy na přidání záznamu – Create

Otázka: This is your Address Book. Which button would you use to ADD a new contact?

Popis: Uživatel má vybrat, jakou barvu tlačítka by použil pro přidání záznamu.


ovlivnění výběru barvy dle jejího pořadí. V dalším rozšíření budeme také testovat, zda

existuje vztah mezi volbou barvy a jejím pořadím ve výběru. Pokud by např. uživatelé často

volili první barvu, nebo jen barvy z prvního řádku, bylo by třeba test upravit.

Zdůvodnění testu: Která z barev subjektivně asociuje přidání záznamu?



2.8 Test 4 – mapování barvy na čtení záznamu – Read

Otázka: This is your Address Book. Which button would you use to SHOW DETAILS of the

contact?

Popis: Uživatel má vybrat, jakou barvu tlačítka by použil pro čtení záznamu.



Zdůvodnění testu: Která z barev subjektivně asociuje čtení záznamu?


2.9 Test 5 – mapování barvy na úpravu záznamu – Update

Otázka: This is your Address Book. Which button would you use to EDIT the contact?

Popis: Uživatel má vybrat, jakou barvu tlačítka by použil pro úpravu záznamu.



Zdůvodnění testu: Která z barev subjektivně asociuje úpravu záznamu?



2.10 Test 6 – mapování barvy na smazání záznamu – Delete

Otázka: This is your Address Book. Which button would you use to DELETE the contact?

Popis: Uživatel má vybrat, jakou barvu tlačítka by použil pro smazání záznamu.



Zdůvodnění testu: Která z barev subjektivně asociuje smazání záznamu?


3 Řešení a výsledky

3.1 Vyhodnocení testu 1 – subjektivní preference barvy

Název barvy RGB Počet

kladných

preferencí

Počet kladných

preferencí v %

Pořadí (1.-2.

místo)

black(extra color) rgb(0, 0, 0) 5 9,26

blue rgb(0, 38, 253) 10 18,52 2.

blue-green rgb(21, 127, 195) 14 25,93 1.

blue-violet rgb(45, 0, 146) 5 9,26

gray (extra color) rgb(128, 128, 128) 0 0,00

green rgb(86, 165, 38) 3 5,56

orange rgb(247, 134, 9) 1 1,85

red rgb(255, 0, 0) 0 0,00

red-orange rgb(250, 59, 12) 2 3,70


red-violet rgb(148, 0, 59) 3 5,56

silver(extra color) rgb(192, 192, 192) 2 3,70

violet rgb(113, 0, 159) 5 9,26

white(extra color) rgb(255, 255, 255) 0 0,00

yellow rgb(254, 255, 41) 0 0,00

yellow-green rgb(199, 233, 33) 2 3,70

yellow-orange rgb(247, 175, 10) 2 3,70

Celkem 54 100 %*

Tab. 4. Vyhodnocení testu 1. Zdroj (autor, 2015).

* Pozn.: součet je zaokrouhlen.

Závěr testu

Průměrné procentuální zastoupení každé barvy je 100/16 = 6,25 %.

Modrozelenou barvu preferuje 25,93 % uživatelů a modrou barvu 18,52 % uživatelů. Tyto

barvy lze vzhledem k jednoznačné převaze nad průměrem označit za preferované.

Modrozelená barva je ve zvoleném klíči odstínem modré barvy, lze ji tedy v souhrnu

považovat za modrou.

3.2 Vyhodnocení testu 2 – subjektivní odmítnutí (záporná preference) barvy


záporných

preferencí

Počet záporných

preferencí v %

Pořadí (1.-2.

místo)

black(extra color) rgb(0, 0, 0) 3 5,56

blue rgb(0, 38, 253) 7 12,96 1.

blue-green rgb(21, 127, 195) 0 0,00

blue-violet rgb(45, 0, 146) 1 1,85

gray (extra color) rgb(128, 128, 128) 2 3,70

green rgb(86, 165, 38) 1 1,85

orange rgb(247, 134, 9) 3 5,56

red rgb(255, 0, 0) 2 3,70


red-orange rgb(250, 59, 12) 4 7,41

red-violet rgb(148, 0, 59) 5 9,26

silver(extra color) rgb(192, 192, 192) 2 3,70

violet rgb(113, 0, 159) 5 9,26

white(extra color) rgb(255, 255, 255) 2 3,70

yellow rgb(254, 255, 41) 7 12,96 1.

yellow-green rgb(199, 233, 33) 6 11,11 2.

yellow-orange rgb(247, 175, 10) 4 7,41

Celkem 54 100 %*


* Pozn.: součet je zaokrouhlen

Závěr testu

Rovnoměrná procentuální distribuce všech barev je (100/16 = 6,25 %).

Jen 12,96 % uživatelů nemá subjektivně rádo modrou a žlutou barvu a 11,11 % uživatelů

nemá rádo žluto-zelenou barvu. Vzhledem k rozporu s výsledky prvního testu nelze z tohoto

testu vyvodit jednoznačné závěry.

3.3 Vyhodnocení testu 3 – mapování barvy na přidání záznamu – Create

Název barvy RGB Počet kladných

preferencí

Počet kladných

preferencí v %

Pořadí

blue-green rgb(21, 127, 195) 28 51,85 1.

green rgb(86, 165, 38) 19 35,19 2.

red rgb(255, 0, 0) 4 7,41 3.

yellow-orange rgb(247, 175, 10) 3 5,56 4.

Celkem 54 100 %*


* Pozn.: součet je zaokrouhlen


Závěr testu

Modrou barvu spojuje 51,85 % uživatelů s přidáním záznamu. Lze tedy uvést, že pro případ

užití „Přidání záznamu“ je vhodné použít modrou barvu (z uvedené čtyřbarevné kombinace).

Jako druhou vhodnou barvu lze použít zelenou (35,19 % uživatelů).

3.4 Vyhodnocení Testu 4 – mapování barvy na čtení záznamu – Read


preferencí

Počet kladných

preferencí v %

Pořadí

blue-green rgb(21, 127, 195) 23 43,40 1.

green rgb(86, 165, 38) 13 24,53 3.

red rgb(255, 0, 0) 3 5,66 4.


Celkem 53* 100 %**


* Pozn.: 1 uživatel na otázku neodpověděl

** Pozn.: součet je zaokrouhlen

Závěr testu

Modrou barvu spojuje 43,40 % uživatelů se čtením záznamu. Lze tedy uvést, že pro případ

užití „čtení záznamu“ je vhodné použít modrou barvu (z uvedené čtyřbarevné kombinace).

3.5 Vyhodnocení Testu 5 – mapování barvy na úpravu záznamu – Update


preferencí

Počet kladných

preferencí v %

Pořadí

blue-green rgb(21, 127, 195) 8 15,38 3.

green rgb(86, 165, 38) 11 21,15 2.

red rgb(255, 0, 0) 8 15,38 3.


Celkem 52* 100 %**


* Pozn.: 2 uživatelé na otázku neodpověděli



Závěr testu

Žlutou barvu spojuje 48,08 % uživatelů s úpravou záznamu. Lze tedy uvést, že pro případ

užití „úprava záznamu“ je vhodné použít žlutou barvu (z uvedené čtyřbarevné kombinace).

3.6 Vyhodnocení Testu 6 – mapování barvy na smazání záznamu – Delete


kladných

preferencí

Počet kladných

preferencí v %

Pořadí

blue-green rgb(21, 127, 195) 1 2,13 3.

green rgb(86, 165, 38) 1 2,13 3.

red rgb(255, 0, 0) 42 89,36 1.


Celkem 47* 100 %


* Pozn.: 7 uživatelů na otázku neodpovědělo


Závěr testu

Červenou barvu spojuje 89,36 % uživatelů se smazáním záznamu. Lze tedy uvést, že pro

případ užití „smazání záznamu“ je vhodné použít červenou barvu (z uvedené čtyřbarevné

kombinace).

4 Diskuze

Preferenci modré barvy v prvním testu lze potvrdit výzkumem H. J. Eysencka, odkazovaného

v Birren (2013, str. 177), který uvádí modrou barvu jako nejoblíbenější ve vzorku 21 060

respondentů. Také framework Bootstrap (2015) uvádí modrou barvu jako primární.

Otázka k diskuzi: Platí preference modré barvy globálně? Bude stejná na základě

geografického rozlišení (místa, ve kterém uživatel žije), pohlaví, věku, náboženského

vyznání či externích a environmentálních vlivů (počasí, teplota, tlak, politická situace)?

Původní očekávání, že přidání záznamu bude lépe vyjadřovat zelená barva (růst v přírodě) se

neprokázalo. Testování lze dále rozšířit na rozlišení těchto dvou barev pro další případy užití

či nasazením v jiném typu aplikace.

Otázka k diskuzi: Hrají subjektivní preference barvy (emoce) větší roli, než zkušenost

člověka, získaná empirickým pozorování okolního světa (příroda – růst – zelená)?

Birren (2013, str. 130) uvádí asociaci červené barvy se ztrátou, vzrušením a zvýšeným

svalovým tonusem. To potvrzuje i přiřazení červené barvy ke smazání záznamu (ztráta dat).


Stejně tak červená barva je dle Birren (2013, str. 173) barvou obětování (a tedy i ztráty)

v římsko-katolickém obřadu, jak uvádí v části věnující se symbolice barev.

Rovněž Elliot a Mayer (2014) uvádějí spojitost červené barvy s agresí jak lidí, tak zvířat.

Pokud přijmeme fakt, že smazání záznamu znamená jeho zničení a tedy i agresi vůči datům,

dává použití červené barvy v tomto kontextu smysl. Vzhledem k provedeným testům a výše

uvedeným rešerším lze červenou barvu potvrdit jako vhodnou pro mazání záznamu

v hierarchii CRUD.

Otázka k diskuzi: Lze tento vzor chování a vztah k červené potlačit? Pokud ano, jakým

způsobem?

Nevýrazné výsledky v druhém testu (Subjektivní negativní preference barvy) přisuzuji

malému vzorku respondentů a velkému rozptylu barev. Obecně se negativní preference testují

obtížněji, než preference kladné (subjektivní pozorování). Dalším testováním se pokusím tyto

výsledky upřesnit.

Otázka k diskuzi: Má smysl pro další výzkum zjišťování negativních preferencí přímo?

Lze negaci vyvodit z pořadí preference, čili nepřímo?

5 Závěr

Dosavadní výsledky této úvodní studie na prvním vzorku respondentů lze shrnout následovně.

Předpoklad, že pro vytvoření záznamu uživatelé zvolí zelenou barvu, byl chybný. Nejčastější

barvou spojenou s vytvořením záznamu je modrá. Zatím se podařilo prokázat, že existuje

určitá korelace mezi nejoblíbenější barvou (modrá) a vytvořením záznamu (modrá). Modrou

barvu uvádí Birren (2013, str. 260) jako protiklad k červené. Pokud existuje protiklad mezi

modrou a červenou barvou, platí zde také pravidlo pro opačné případy užití, tedy modrou pro

vytvoření záznamu a červenou pro jeho smazání. Očekávání, že uživatelé pro smazání

záznamu použijí červenou barvu, bylo potvrzeno. Souvislost mezi nejméně oblíbenou barvou

a případem užití „smazání záznamu“ nebyla dosud prokázána.

Současné výsledky nelze použít pro všechny případy užití a typy aplikací. Na základě

provedeného výzkumu však lze nyní shrnout:

1. Modrá barva je vhodná pro případ užití „vytvoření záznamu“.

2. Subjektivní preference barvy (oblíbenost barvy) koreluje s případem užití „vytvoření

nového záznamu“.

3. Červenou barvu je vhodné použít pro případ užití „smazání záznamu“.

Výzkum v oblasti psychologie barev ve vztahu k softwaru bude dále pokračovat s obměnou

barevného klíče i typu aplikace. Výzkum bude také rozšířen o výzkum barevných kombinací

a jejich mapování nejen na typ aplikace či další případy užití. Pro přesnější výsledky je

zejména třeba zvýšit počet respondentů testovací aplikace, aby bylo možno vyvodit

jednoznačnější závěry. Rovněž zvážíme dopad přesnější identifikace uživatele a pokusíme se

provést lepší kategorizaci (věk, pohlaví, geografie). Jak bylo zmíněno, je třeba v tomto

případě postupovat velmi obezřetně, aby uživatelé byli stále ochotni testování dokončit.

Upozorňujeme také na skutečnost, že první testovací skupina byla tvořena studenty VŠE

v Praze – absolventy specializovaného kurzu v oboru, což může mít dopad na výsledky testů.

Psychologie barev je klíčovou částí výzkumu ergonomie software. Preference barev jsou do

značné míry subjektivní, což potvrzuje i výzkum popsaný v článku. Lze však najít vzory,


které jsou pro většinu uživatelů společné. Pokud tyto vzory následně aplikujeme při tvoření

softwaru, bude přirozenější a uživatelé jej budou vnímat lépe.

Zmíněnou subjektivitu vnímání, asociace a preference barev lze s výhodou využít i při

přizpůsobení (customization) softwaru pro každého uživatele či skupiny uživatelů zvlášť.

Software pak nemusí vypadat stejně pro všechny své konzumenty. I toto přizpůsobení

je jednou z možností, jak software lidem přiblížit.


Birren, F. (2013). Color Psychology and Color Therapy: A Factual Study of the Influence of Color on Human Life. Eastford: Martino Fine Books.

Blanc, C. (1867). Grammaire des arts du dessin: architecture, sculpture, peinture. University of Lausanne. Reprinted by Nabu Press.

Bootstrap (2015). Bootstrap 3.3.5, 2015. Retrieved from http://getbootstrap.com/css/#buttons

Cothran, D. L. & Larsen, R. (2008). Comparison of Inhibition in Two Timed Reaction Tasks: The Color and Emotion Stroop Tasks. Journal of Psychology, 142(4), 373-385. doi: 10.3200/JRLP.142.4.373-385

Elliot, A. J. & Maier, M. A. (2014). Color Psychology: Effects of Perceiving Color on Psychological Functioning in Humans. Annual Review of Psychology 65, 95-120. doi: 10.1146/annurev-psych-010213-115035

Gnambs, T., Appel, M. & Oeberst, A. (2015). Red Color and Risk-Taking Behavior in Online Environments. PLoS One, 10(7). doi: 10.1371/journal.pone.0134033

Google (2015a). Google Docs. Retrieved from https://www.google.com/intl/en/docs/about/

Google (2015b). Google Material design. Retrieved from https://www.google.com/design/spec/style/color.html

Gorn, G. J., Chattopadhyay, A., Sengupta, J., & Tripathi, S. (2004). Waiting for the Web: How Screen Color Affects Time Perception. Journal of Marketing Research, 41(2), 215–225.

Hall, R. H., & Hanna, P. (2004). The impact of web page text-background colour combinations on readability, retention, aesthetics and behavioural intention, Behaviour & Information Technology, 23(3), 183-195. doi: 10.1080/01449290410001669932

Hradil, J. (2015). Software Ergonomics Testing Application. Test 3 – Colors & Typical Use Cases. Retrieved from https://hradil.vse.cz/colors

Loffler, D. (2014). Happy is pink: designing for intuitive use with color-to-abstract mappings. In: CHI '14 Extended Abstracts on Human Factors in Computing Systems, (pp. 323-326.). New York: ACM. doi: 10.1145/2559206.2559959

McNab, A. L. (2009). Designing Interfaces for Faster Information Processing: Experimental Studies of Color and Location as Information Cues in Customer Support and Emergency Response Systems. Ann Arbor: Washington State University

Microsoft Office (2015). Office 365 Business. Microsoft. Retrieved from https://products.office.com/en-us/business/office-365-business

Sherman, G., & Clore, G. (2009). The Color of Sin: White and Black Are Perceptual Symbols of Moral Purity and Pollution. Psychological Science, 20(8), 1019-1025. doi: 10.1111/j.1467-9280.2009.02403.x

U. S. Web Design Standards (2015). Retrieved from https://playbook.cio.gov/designstandards/

Zviran, M., Te'eni, D, & Gross, Y. (2006). Does color in email make a difference?. Communications of the ACM, 49(4), 94-99. doi: 10.1145/1121949.1121954

http://getbootstrap.com/css/%23buttons

http://dx.doi.org/10.3200/JRLP.142.4.373-385

http://dx.doi.org/10.1146/annurev-psych-010213-115035

http://dx.doi.org/10.1146/annurev-psych-010213-115035

http://dx.doi.org/10.1371/journal.pone.0134033

https://www.google.com/intl/en/docs/about/

https://www.google.com/design/spec/style/color.html

http://dx.doi.org/10.1080/01449290410001669932

https://hradil.vse.cz/colors

http://dx.doi.org/10.1145/2559206.2559959

https://products.office.com/en-us/business/office-365-business

http://dx.doi.org/10.1111/j.1467-9280.2009.02403.x

http://dx.doi.org/10.1111/j.1467-9280.2009.02403.x

https://playbook.cio.gov/designstandards/

http://dx.doi.org/10.1145/1121949.1121954


DOI: 10.18267/j.aip.68

Peer-reviewed paper


Modifikovaný Ishikawa diagram jako nástroj znalostního mapování agronomických postupů

Modified Ishikawa Diagram as a Tool

for Knowledge-Mapping of Agronomic Practices

Petr Kedaj*, Josef Pavlíček*

Abstrakt

V tomto článku bude popsána nově navržená metoda pro grafické zaznamenávání agronomických postupů pěstování kulturních plodin. V námi navržené metodě bereme v úvahu vliv počátečních faktorů, nutnost časové sledu jednotlivých úkonů a možnost využití těchto informací pro tvorbu znalostních bází. Dále zde budou popsány metody znalostního mapování: myšlenkové mapy, koncepční mapy a kognitivní mapy a metoda Ishikawa diagramu, z něhož námi navrhovaná metoda vychází. Zmíněné metody znalostního mapování byly následně kvalitativně konfrontovány s námi navrženou metodou. Výsledky tohoto šetření naznačují vysoký potenciál využitelnosti námi předložené metody v agronomii. V závěru tohoto článku navrhujeme další kroky pro zvýšení využitelnosti nově popsané metody.

Klíčová slova: Znalostní inženýrství, Znalostní mapy, Ishikawa diagram.

Abstract

This article describes a novel method of graphical representation of agronomic practices in crop production. The influence of initial factors, the need to follow a chronology of individual operations and the possibility of using this information for creating a knowledge base are all considered in the method designed. Consequently, alternate methods of knowledge mapping are described: Mind maps, conceptual maps, cognitive maps as well as Ishikawa diagram, which is the main inspiration for our method. These established methods of knowledge mapping have been confronted with the method proposed by our research team using a qualitative survey. Results of this study suggest a high potential of use of our method in agronomy. At the end of this article, we propose additional steps for possible improvements in usability of the method described.

Keywords: Knowledge Engineering, Knowledge Maps, Ishikawa Diagram.

* Department of Information Engineering, Faculty of Economics and Management,

Czech University of Life Sciences Prague, Kamýcká 129, 165 21 Praha 6, Czech Republic



1 Úvod

Dnešní dobu mnoho světových odborníků označuje termínem informační společnost, kdy

využívání informačních technologií se stalo nedílnou součástí každodenního života. Díky

tomu představuje množství informací a znalosti pro jejich zpracování a jejich správné

využívání jeden z klíčových faktorů pro úspěch v jakémkoli oboru. Agronomický sektor není

výjimkou. Avšak právě v českém agronomickém sektoru, není využívání informačních

technologií běžné.

Každý podnik, který se zabývá rostlinnou výrobou, musí mít ve svých řadách jednoho i více

lidí (agronomů), kteří mají dostatečné znalosti a zkušenosti s pěstováním různých plodin

a jejich odrůd. Na tyto lidi je kladen nesmírný tlak z hlediska rozhodování, protože každá

jejich volba přímo rozhoduje o budoucích příjmech nebo ztrátách podniku. Tento tlak je

ovšem možné do jisté míry redukovat právě vhodně využitými informačními technologiemi.

Hovoříme o systémech pro podporu rozhodování neboli o znalostních systémech.

1.1 Cíle výzkumného týmu

Cílem našeho výzkumného týmu byla kvalitativní konfrontace námi navrženého diagramu

s diagramy pro znalostní mapování popsanými v následující kapitole. Zmíněný cíl byl splněn

a jeho výsledky jsou popsány v tomto článku.

2 Rešerše a výzkumné metody

Znalostní inženýrství je podle (Mařík et al.,1997) jeden z klíčových vědních oborů spadajících

do problematiky umělé inteligence, který se zabývá veškerými aktivitami spjatými

s naplňováním znalostních systémů znalostmi. Znalosti jsou nejčastěji získávány od expertů

nebo induktivně odvozovány z datových souborů. Vytváření znalostní báze nikdy není

jednorázová akce, pokaždé se jedná o dlouhodobý proces získávání, jejich vyhledávání,

identifikace a kódování do příslušného tvaru přizpůsobeného inferenčnímu mechanismu.

Při tvorbě znalostní báze je nezbytná spolupráce mezi znalostním inženýrem a expertem

v daném oboru a to i v případech, kdy se znalosti získávají prostřednictvím indukce

z datových souborů. V rámci této spolupráce jsou často využívány znalostní mapy (Gordon,

2000), které mohou být použity jako nástroj pro objevování a získávání znalostí. Znalostí

mapy jsou děleny na tři základní typy (Gordon, 2000): myšlenkové mapy, koncepční mapy

a kognitivní mapy. O využití znalostního mapování v agronomii se zmiňuje i zdroj (Brožová

et al., 2008).

2.1 Myšlenkové mapy

Myšlenkové mapy jsou diagramem, který se používá pro reprezentaci slov, myšlenek či

poznatků provázaných a rovnoměrně umístěných okolo klíčového slova nebo myšlenky.

Myšlenkové mapy se běžně využívají k zobecňování, strukturování, klasifikaci myšlenek,

studiu, organizaci, řešení problémů a tvorbě rozhodování (Buzan, 1996). Tento nástroj v sobě

skýtá řadu nevýhod a hodí se spíše pro prvotní proces získávání znalostí. Mezi tyto nevýhody

se může například řadit redundance dat, chaotičnost ve struktuře. Problematika užití

myšlenkových map v praxi byla řešena naším týmem v (Kedaj et al., 2014) a je i popsána ve

zdroji (Mildeová, 2013).


2.2 Koncepční mapy

Koncepční mapa neboli koncepční diagram je podle (Novak & Cañas, 2006) grafický nástroj

pro zaznamenání vztahů mezi pojmy. Tento nástroj běžně používají designéři, znalostní

inženýři, tvůrci technických dokumentací k uspořádání a strukturování znalostí. Koncepční

mapa reprezentuje nápady a informace jako boxy nebo kruhy, které spojuje s orientovanými

šipkami do stromově orientované hierarchické struktury. Vztahy mezi pojmy je možné

vyjádřit prostřednictvím spojujících frází.

2.3 Kognitivní mapy

Šubrt et al. (2010) popisují kognitivní mapy jako pro evidování mentálních procesů složených

ze sekvencí psychologických transformací, které může jedinec získat, kódovat, ukládat a

odvozovat, které jsou součástí každodenního života.

Dále v tomto samém zdroji je uveden poznatek o Edwardu C. Tolmanovi (1948). Kognitivní

mapy byly studovány pro mnoho oborových celků jako například pro: psychologii,

vzdělávání, archeologii, plánování, geografii a management.

Kognitivní mapa reprezentuje osobní koncepty jako body a kauzální vazby mezi těmito

koncepty a jsou reprezentovány prostřednictvím orientovaných šipek mezi jednotlivými body.

(Hwang & Lin, 1987)

2.4 Ishikawa diagram

Podle zdroje (Lévay, 2007) je Ishikawa diagram neboli diagram příčin a následků, nástroj pro

řešení úloh pro určení pravděpodobné příčiny problému. Je používán například při

brainstormingu, během nějž jsou hledány všechny potenciální zdroje problému. Při

sestavování diagramu tvoří problém hlavu pomyslné rybí kosti a hlavní kosti vedoucí od

páteře znamenají oblasti či kategorie, ve kterých se může problém nacházet. Vedlejší kosti

pak znamenají konkrétní potenciální příčiny. Takto lze diagram vést ve více úrovních příčin a

podpříčin. Obvykle se však doporučuje použít nejvýše 2 úrovně.

3 Řešení a výsledky

Hlavním cílem našeho výzkumného záměru bylo navření přehledného a jednoduchého

diagramu, který bude sloužit jako zdroj dat, informací i znalostí pro obor znalostního

inženýrství a zároveň jako nástroj pro zaznamenávání metodik z oboru rostlinné výroby.

3.1 Vznik a popis nově navržené metody

Pro modelování znalostí a postupů v agronomii jsme původně zvolili dvojici metod: metodu

myšlenkových a koncepčních map, jak doporučoval informační zdroj (Šubrt et al., 2010).

Zvolením těchto metod jsme narazili na dva zásadní problémy:

přílišná komplikovanost s vyjádřením časové závislosti,

nepřehlednost a nejasnost těchto map jak pro agronomického pracovníka, tak pro

znalostního inženýra.

Z toho důvodu náš výzkumný tým začal nahlížet na problematiku agronomických postupů

z jiné perspektivy. Agronomický postup pro nás představoval sekvenci úkonů, kde výsledek

je přímo závislý na předchozích technologických vstupech a na počátečních faktorech. Z toho

důvodu jsme se rozhodli využít metody Ishikawa diagram, který se běžně používá pro


identifikaci příčin a následků. Tento typ diagramu jsme modifikovali do formy pro

zaznamenávání agronomických postupů tím, že jsme jej zkombinovali s metodou

myšlenkových map, přidali časovou osu a zaměnili vnitřní části diagramu rybí kosti pro

specifickou problematiku záznamu agronomických postupů. Navržená metoda tedy

představuje grafickou analogii diagramu rybí kosti zkombinovanou s metodou pro znalostní

mapování. Modifikovaný Ishikawa diagram je znázorněn na obr. 1. a jeho praktické použití

demonstrováno na obr. 2.

Obr. 1. Obecné znároznění naší metody. Zdroj autoři

Zkratka Význam

1 F1-Fn Množina počátečních faktorů

2 T0-Tn Týdny od zasetí po sklizeň

3 C1-Cn-1 Kontroly provedené v příslušných týdnech

4

5

6

7

I1-In-1

A

V

R1-Rn

Technologické vstupy

Atributy

Průměrné hodnoty z měření

Množina výsledků

Tab. 1. Vysvětlení zkratek z obr. 2. Zdroj Autoři.

Tento modifikovaný diagram je možné rozdělit na tři stěžejní části:

Počáteční stav (obr. 1. rámec č. 1) slouží k evidenci počátečních faktorů, jako jsou

například: úprava půdy, datum setí, odrůda plodiny, typ hnojení, typ půdy, nadmořská

výška a podobně. Tyto faktory jsou neměnné v rámci celé metody pěstování dané

plodiny (pokud je něco vyseto nebo aplikováno, není možné to vzít zpět).

Sekvence úkonů (obr. 1. rámec č. 2) představuje časovou osu složenou z relevantních

dat. Každému datu je možné přiřadit dvě na sobě nezávislé operace: kontrola a

prostředek. Operace kontrola (nad časovou osou) má za účel evidovat průměrné

hodnoty atributů daných plodin ve vybraných týdnech. Těmito hodnotami mohou být


například: délka kořene, délka nadzemní části rostliny, průměr kořenového krčku,

počet listů, délka listů a podobě (Bečka et al., 2014). Operace prostředek (pod časovou

osou) představuje technologický zásah do porostu jako například: postřiky proti

negativním faktorům, přihnojení, regulace a podobně.

A v poslední řadě koncový stav (obr. 1. rámec č. 3) představuje reálné výsledky při

sklizni. Mezi tyto výsledky se bude řadit: výnos na hektar, vlhkost, podíl oleje,

hmotnost tisíce semen a podobně. Výsledné hodnoty jsou přímo vázané na počátečním

stavu a na posloupnosti aplikací prostředků vzhledem k času.

Zdůvodnění charakteru dat v metodě:

Data by bylo možné reprezentovat i intervalově podle naměřených hodnot ale vzhledem

k tomu, že tato metoda je cílena i pro agronomické pracovníky, kteří pracují spíše

s průměrnými hodnotami než intervaly, byly inputové vazby brány jako pevná data

průměrných hodnot měření v kostře grafu.

Outputy jsme brali opět jako konkrétní hodnoty (reálné a naměřené hodnoty při sklizni).

Jme obeznámení se skutečností, že v průběhu vegetačního cyklu hráli významnou roli

i jiné faktory, které nejsou zaznamenávány prostřednictvím této metody (srážky, teplota,

vítr a jiné), ale jsou k dispozici na jiných zdrojích. Tato metoda primárné slouží pro

zaznamenávání již nastalé skutečnosti, nikoliv k prognostice. Z toho důvodu pracujeme

s absolutními hodnotami.

Obr. 2. Intenzitní metoda pěstování řepky ozimé. Zdroj Autoři.


3.2 Vyhodnocení z hlediska použitelnosti v praxi

Prvním naším cílem byla konfrontace již existujících metod z problematiky znalostního

mapování. Tato konfrontace byla provedena agronomy formou bodového hodnocení

charakteristik použitelnosti vymezených ve SQuaRE. Pro volbu této metody jsme byli

inspirováni hodnocením použitelnosti Jakoba Nielsena (Nielsen, 1996).

S hodnocením souhlasilo 29 z 65 oslovených agronomických expertů (náš znalostní inženýr

osobně cestoval na zemědělské podniky, vedl rozhovory s agronomy, kteří následně

přiřazovali metodám body). Agronomové přiřazovali body od 1 do 5 na každou

charakteristiku vzhledem k agronomické praxi. V tab. 2 jsou uvedeny četnosti pro přidělené

body jednotlivým charakteristikám použitelnosti pro jednotlivé metody.

Z konfrontace metod je patrné, že náš Modifikovaný Ishikawa diagram celkově dosahoval

nejlepších hodnocení pro přímé využití v praxi a to přímo od cílové skupiny expertů

v agronomickém sektoru.

Charakteristika Metoda 5 bodů 4 body 3 Body 2 body 1 bod

Srozumitelnost Naše metoda 2 10 8 6 3

Myšlenkové mapy 0 5 9 9 6

Koncepční mapy 0 4 11 8 6

Kognitivní mapy 0 3 8 11 7

Naučitelnost Naše metoda 2 6 14 7 0




Provozovatelnost Naše metoda 0 9 11 4 5




Atraktivnost Naše metoda 3 9 10 4 3




Tab. 2. Četnosti bodového hodnocení. Zdroj Autoři.

4 Diskuse

Na základě výsledku konfrontace metod, kdy se ukázalo, že Modifikovaný Ishikawa diagram

může představovat použitelný nástroj pro agronomickou praxi, náš výzkumný tým začal řešit

další dílčí cíle výzkumného záměru. Druhým dílčím cílem je formalizovat Modifikovaný

Ishikawa diagram do formy tisknutelných šablon a využít jej jako zdroj dat, informací a

znalostí pro tvorbu znalostní báze plánovacího expertního systému.

Třetí dílčí cíl představuje vytvoření funkční aplikace pro agronomy, která bude plnit funkci

pro záznam postupu pěstování a navíc bude schopna doporučovat metodu pro získání určitého

množství požadovaného výstupu (výnos, vlhkost, množství oleje…). Tato aplikace bude mít

za úkol doporučovat postupy pěstování, které v minulých letech vedly ke konkrétním


výsledkům. V rámci tvorby aplikačního prototypu uvažujeme o třech přístupech k tvorbě

doporučení. První přístup zahrnuje provedení shlukové analýzy na datech a prostřednictvím

této analýzy identifikovat meze intervalů pro jednotlivé shluky a vytvořit datový soubor IF

THEN pravidel pro metody pěstování. Druhý přístup zahrnuje zkonstruování neuronové sítě,

která dokáže kategorizovat měřená data na základě dat z předchozích let a poskytovat

informace o čase a nezbytném dalším kroku pro maximalizaci výsledků metody. Třetí přístup

zahrnuje sestavení vektorů dat a prostřednictvím metody nejbližšího souseda vyhledávat

podobné (ideálně totožné) vektory dat z let minulých a na základě této podobnosti

doporučovat či nedoporučovat kroky z metody pěstování.

Před tím, než náš výzkumný tým přistoupí ke tvorbě funkční aplikace, je nutné zvolit

optimální přístup z výše zmíněných. Pro tuto volbu je nezbytné testovat jednotlivé přístupy na

obsáhlém zdroji dat. Každý zmíněný přístup v sobě zahrnuje problematiky, které budou

zapotřebí řešit, aby aplikace pro agronomy dospěla svého zdárného vytvoření a zprovoznění.

5 Závěr

První dílčí cíl již byl splněn a výsledky konfrontace jsou uvedeny v tomto článku. Díky této

skutečnosti námi navrhovaná metoda z hlediska použitelnosti vychází jako nástroj, který by

bylo možné uplatnit v agronomické praxi. Bere v úvahu relevantní vliv počátečních faktorů a

společně se sekvencí jednotlivých úkonů představuje metodický vektor vedoucí k určitým

výsledkům.

Tým autorů pracuje na softwarovém produktu určeném pro agronomy, který by bylo možno

provozovat jako aplikaci na mobilním zařízení, tabletu a notebooku. Jednotlivé kroky tvorby a

možnosti využití aplikace budeme dále publikovat. Současně se softwarovým produktem

připravujeme i vhodné šablony (ve formátu PDF), které sníží náklady na vytvoření znalostní

báze na minimum. V agronomickém sektoru se z řady logických důvodů stále využívá tužka a

papír. Proto je i formalizace diagramu do formy tisknutelných šablon (a jejich případného

strojového zpracování) dalším krokem výzkumu našeho týmu.


Bečka, B., Bokor, P., Vašák, J. & Béreš, J. (2014). Výsledky odrůdových pokusů s řepkou ozimou v roce 2013/2014 na slovensku. In Prosperující olejniny 2014, (pp. 17-20). Praha: ČZU.

Brožová, H., Šubrt, T. & Bartoška. J. (2008). Knowledge maps in agriculture and rural development. Agricultural Economics, 54(11), 546–553.

Buzan, T. (1996). The Mind map book: How to Use Radiant Thinking to Maximize Your Brain's Untapped Potential. London: Penguin books.

Gordon, J. L. (2000). Creating knowledge maps by exploiting dependent relationships. Knowledge-based systems, 13(2-3), 71-79. doi: 10.1016/S0950-7051(00)00048-4

Hwang, C. L., & Lin, M. J. (1987). Group decision making under multiple criteria: methods and applications. Berlin: Springer.

Kedaj P., Pavlíček J. & Hanzlík, P. (2014). Effective Mind Maps in E-learning. Acta Informatica Pragensia, 3(3), 239–250. doi: 10.18267/j.aip.51

Lévay, R. (2007). Diagramy příčin a následků. Retrieved from http://www.ikvalita.cz/tools.php?ID=26

Mařík, V., Štěpánková, O., & Lažanský, J. (1997). Umělá inteligence 2. Praha: Academia Praha.

Mildeová, S. (2013) Research Problem Description and Definition: From Mental Map to Connection Circle. Journal on Efficiency and Responsibility in Education and Science, 6(4), 328-335. doi: 10.7160/eriesj.2013.060409

http://dx.doi.org/10.1016/S0950-7051(00)00048-4

http://dx.doi.org/10.18267/j.aip.51

http://www.ikvalita.cz/tools.php?ID=26

http://dx.doi.org/10.7160/eriesj.2013.060409


Nielsen, J. (1996). Usability metrics: Tracking interface improvements. IEEE Software, 13(6), 12-13.

Novak, J. D., & Cañas, A. J. (2008). The theory underlying concept maps and how to construct and use them. Technical Report IHMC CmapTools 2006-01 Rev 2008-01. Pensacola: Institute for Human and Machine Cognition.

Šubrt, T. et al. (2010). Mastering knowledge. Praha: Alfa Publishing.

Tolaman, E. C. (1948). Cognitive maps in rats and men. Psychological Review, 55(4), 189-208. doi: 10.1037/h0061626

http://dx.doi.org/10.1037/h0061626


DOI: 10.18267/j.aip.69

Perspective


Predátorští vydavatelé s otevřeným přístupem k obsahu a další nebezpečí pro současnou vědeckou komunitu

Predatory Open Access Publishers

and other Dangers to Today’s Scientific Community

Zdeněk Smutný*, Václav Řezníček*

Abstrakt

Cílem tohoto příspěvku je představit souhrnné informace a aktuální stav problematiky predátorských vydavatelů a kriticky diskutovat obecné predátorské chování a vybraná související témata v českém i mezinárodním kontextu. V článku jsou přehledně uvedeny výstupy prvních zahraničních studií zabývajících se predátorskými vydavatelstvími a časopisy. Zjišťujeme, že ačkoli je v posledních třech letech problematika predátorství aktivně řešena v zahraničí, české vysokoškolské instituce nejsou na tento nový fenomén připraveny stejně jako většina akademických a výzkumných pracovníků, kteří o něm vůbec neví. Kromě upozornění na potenciální hrozby, kterým vědecká komunita (případně věda a vzdělávání obecně) čelí, reaguje článek na popsanou situaci návrhem opatření z pohledu jednotlivce i vysokoškolské instituce. Na závěr článku jsou uvedeny trendy v chování predátorských vydavatelů a dilemata, před kterými stojí poctiví vydavatelé časopisů a mezinárodní indexovací databáze.

Klíčová slova: Beallův seznam, predátorští vydavatelé, vanity press, vědecké časopisy, virtuální konference.

Abstract

The aim of this paper is to introduce a summary and current state of the issue of predatory open access publishers and to critically discuss general predatory behaviour and related topics in the Czech and international context. The article summarizes outputs of the first foreign studies dealing with predatory publishers and journals. We find that although in the past three years, the issue of predation is actively addressed in foreign countries, the Czech higher education institutions are not prepared for this new phenomenon as well as most of academics and researchers do not know about it at all. The text highlights the threats with which the scientific community (science and education in general) is confronted and proposes countermeasures from the view of an individual and higher education institutions. At the end of the article, there are mentioned trends in the behaviour of predatory publishers and dilemmas which non-predatory journal publishers and international indexing databases are faced with.

Keywords: Beall’s List, predatory publishers, scholarly journals, vanity press, virtual conferences.

* Department of Systems Analysis, Faculty of Informatics and Statistics, University of Economics, Prague,

nám. W. Churchilla 4, 130 67 Praha 3, Czech Republic



1 Úvod

Cílem tohoto příspěvku je na základě rešerše českých a zahraničních zdrojů představit

aktuální stav problematiky predátorských vydavatelství a s tím úzce spojená témata, která

musí či bude muset české vysoké školství řešit. V předkládané perspektivě poukazujeme

zejména na konsekventní problémy dotýkající se hodnocení a financování vědy

a souvisejících etických aspektů práce na vysoké škole a v oblasti výzkumu a vývoje.

Problematika predátorských vydavatelů je velmi mladá a v akademických kruzích ve světě se

začala řešit v letech 2011 a 20121, přičemž většina článků na toto téma je uveřejňována od

roku 2013. V současnosti (2015) se tedy jedná o velmi aktuální fenomén. Zatímco v zahraničí

je toto téma spojováno v naprosté většině pouze s vydavateli časopisů a sekundárně knih,

v tomto příspěvku bychom chtěli zajít dále a popsat predátorské chování v obecné rovině.

Následující text nejprve seznamuje s historickým pozadím publikování s otevřeným

přístupem – open access (dále OA), a dále navazuje představením tzv. predátorských

vydavatelů a popisem jejich chování. Toto predátorské chování ze strany vydavatelů časopisů

či knih nebo pořadatelů virtuálních konferencí lze označit za určitý „novodobý“ fenomén,

s nímž se úzce pojí takové jevy a problémy, jako je „nadproduktivní věda“, etické chování

akademických pracovníků nebo instrumentalizace a komodifikace (Liessmann, 2009)

v oblasti vědy (poznání) a vzdělávání obecně.

V rámci diskuse je dále navrženo několik opatření, která by bylo vhodné prosadit na úrovni

jednotlivých vysokoškolských institucí. Předložení těchto návrhů bylo motivováno faktem, že

se daná problematika začala dotýkat i českých veřejných vysokých škol, což je ilustrováno na

sporu kolem neetických publikačních praktik na Fakultě sociálních věd, UK v Praze (dále

FSV, UK v Praze). V tomto článku představovaný problém se ve zvýšené míře týká zejména

takových pracovišť, na kterých je vyvíjen tlak na akademické pracovníky, aby publikovali co

největší množství výstupů, případně tam, kde je ona „nadprodukce“ článků motivačně

odměňována.

Případná opatření by neměla být aktivně zaváděna pouze vysokoškolskými institucemi, nýbrž

také „poctivými“ vydavateli vědeckých časopisů či knih a pořadateli mezinárodních

vědeckých konferencí, kterým jde zejména o rozvoj vědy. Také tímto tématem se budeme

zabývat v úplném závěru předkládaného článku.

2 Predátorští vydavatelé

Hned na začátku představme vymezení predátorského časopisu, respektive jeho vydavatele:

„Predátorský časopis (…) zneužívá myšlenku otevřeného přístupu ve svůj prospěch. Takové

časopisy vznikají primárně s cílem vybírat autorské publikační poplatky a generovat zisk.

Nikoliv podporovat a rozvíjet vědeckou komunikaci.“ (ÚK UK, 2014)

V prostředí českých vysokých škol se touto problematikou v praxi zabývají nejčastěji

pracovníci univerzitních knihoven, stejně jako v zahraničí – uveďme alespoň některé odkazy

na základní informace o této problematice poskytnuté jednotlivými knihovnami pro jejich

čtenáře: Knihovna AV ČR (Burešová, 2015), Ústřední knihovna ČVUT v Praze (ÚK ČVUT,

2015), Knihovna UK v Praze (ÚK UK, 2014), Knihovna UTB ve Zlíně (Knihovna UTB,

2015), Knihovny VUT v Brně (Skůpa, 2015). Vedle toho se tímto tématem v minulosti

1 Počátek tohoto fenoménu lze vysledovat i před rok 2010 – viz (Shen & Björk, 2015; Komm, Vojtková, Dvořáček, 2015).


zabývali i další akademici ve svých článcích např. (Knecht, 2013; Bláhová, 2013).

V neposlední řadě toto téma přitáhlo i české novináře v souvislosti s prvními zahraničními

studiemi a spory např. (Komm, 2015; Lázňovský, 2015; Novotný, 2015).

To, co zejména v posledních pěti letech umožnilo predátorské chování některých

vydavatelství, spočívá v technologické změně, která se uskutečnila po roce 2000, kdy již

zaběhnuté časopisy začali jejich vydavatelé nabízet v online verzi a nové časopisy začaly

(v zájmu snížení nákladů vydavatelů) vycházet pouze elektronicky. Dle studie (Laakso et al.,

2011) existovalo v roce 2000 přibližně 800 OA časopisů, v roce 2009 již téměř 5000. Tento

přechod umožnil zejména rozvoj Internetu a související zvýšení jeho dostupnosti ve

společnosti (Shen & Björk, 2015). Původně byla většina online obsahu dostupná pouze

v placené formě – tzv. e-licencování, kdy se za stažení článku platí poplatek.

S technologickou změnou se objevily první OA časopisy, které svůj provoz hradily buď

z vlastních institucionálních zdrojů 2 (např. univerzity, zájmová sdružení) nebo formou

poplatku za otevřené publikování článku. Vznikly také iniciativy za přístupný obsah a

možnost sdílení znalostí, které vymezovaly OA přístupy – mezi tyto patří Budapešťská

iniciativa, Prohlášení z Bethesdy, Berlínská deklarace (Bartošek, 2009). Na těchto základech

postavené otevřené publikování má dva hlavní modely (Laakso et al., 2011; Bartošek, 2009;

Bláhová, 2013):

Zelená cesta (Green Access) – kde otevřený přístup k publikovaným článkům

poskytují autoři skrze otevřené repozitáře, např. institucionální a předmětové

repozitáře, osobní webové stránky.

Zlatá cesta (Gold Access) – kde otevřený přístup k publikacím poskytují přímo

vydavatelé.

V případě zlaté cesty mohou (ale nemusí) autoři hradit časopisu náklady na recenzní řízení

a publikování článku. Je zde nutné poznamenat, že tento poplatek hradí až ti autoři, jejichž

článek uspěl v rigorózním recenzním řízení. Také OA časopisy můžeme rozdělit na

nekomerční (náklady hradí třetí strana; jsou přístupné a bezplatné pro autory i čtenáře,

příkladem je i tento časopis Acta Informatica Pragensia) a komerční (náklady hradí autoři,

případně jejich sponzoři; jsou přístupné a bezplatné pro čtenáře).

OA přístup měl pomoci akcelerovat současnou vědu díky novým možnostem otevřeného

sdílení kvalitních výsledků vědeckého výzkumu: „Správně zvolený otevřený přístup může

přinést výhody všem hráčům v oblasti vědeckého publikování – autorům, čtenářům,

knihovnám, univerzitám, grantovým agenturám i běžným občanům.“ (Bartošek, 2009)

Bohužel se kolem roku 2010 začaly stahovat mraky a přichází devalvace OA přístupu (Beall,

2012) v souvislosti s novými „podnikatelskými“ možnostmi, které jsou spojeny nejen s tzv.

predátorskými časopisy a vydavatelstvími.

Ještě, než se naplno objevil fenomén predátorů v oblasti OA časopisů, byly publikovány

příspěvky zabývající se kvalitou dlouholetých, zavedených a ve vědecké komunitě široce

uznávaných časopisů (indexovaných často v databázích Web of Science či Scopus). Z 90. let

20. století je známa především tzv. „Sokalova aféra“, kdy A. Sokalovi přijali nesmyslný

článek do uznávaného časopisu. Téměř okamžitě po vydání provedl své odhalení v článku

(Sokal, 1996) – od té doby se toto „testovací“ zasílání článků nazývá Sokal hoax. Mnozí další

autoři po tomto vzoru provedli obdobné zkoušky na řadě prestižních časopisů (tzv. sting

2 Případně nadšenci jako kupříkladu prof. Tom D. Wilson, který ze svého elektronického časopisu Information Research

vytvořil v průběhu let mezinárodně uznávaný časopis indexovaný ve Web of Science a Scopus.


operation). Zajímavá je zkouška (Bohannon, 2013) provedená v roce 2013 na 304 OA

časopisech a publikovaná v časopise Science, mezi kterými byla i periodika velmi prestižní.

Bohannonův absurdní článek byl přijat ve více než polovině případů! Jednalo se dokonce

o časopisy, které hostovali vydavatelé jako Sage nebo Elsevier. Toto je také nejsilnější

argument těch, kteří neuznávají predátorství jako jasně vymezený jev a jeho současné

základní podchycení v tzv. Beallově seznamu (Beall’s List, 2015). Avšak než budeme

rezignovat a konstatovat, že se jedná o jev provázející všechny OA časopisy bez rozdílu,

podívejme se na Obr. 1, kde je vidět překryv s (Beall’s List, 2015). Není třeba dodávat, že

negativní jev přijetí nesmyslného článku je typičtější pro časopisy uvedené na (Beall’s List,

2015).

Obr. 1: Výsledky zkoušky Bohannona na vybraných OA časopisech. Dodejme, že 49 časopisů se do uzávěrky článku publikovaného v časopise Science nevyjádřilo. Zdroj: (Bohannon, 2013).

Na druhou stranu Obr. 1 odhaluje další problém, na který poukazují kritici vytváření seznamů

– viz např. (Crawford, 2014). Co bude s těmi časopisy, které v Bohannonově zkoušce správně

odmítly nesmyslný článek, ale jsou uvedeny v (Beall’s List, 2015)? Jsou to snad povolené

ztráty, náhoda nebo dřívější nedopatření při tvorbě Beallova seznamu? Narážíme na problém

moci, která je spojena s tímto seznamem. Ten, kdo má možnost do tohoto seznamu přidávat

a odebírat z něj časopisy či vydavatele (v současnosti je to pouze J. Beall), dokáže poškodit či

zničit pověst, koho bude chtít (nejenom nyní, ale i do budoucna). To je také důvodem určité

opatrnosti při používání tohoto seznamu, která je na místě. Nebezpečí „diktatury“ tohoto

seznamu může vést až k cenzurnímu chování (knihoven, indexovacích databází, vysokých

škol aj.), což může poškozovat i kvalitní časopisy snažící se poctivě o rozvoj vybrané vědecké

oblasti.

Příkladem může být chybné zanesení egyptského vydavatelství Hindawi, které je také

uvedeno v asociaci OASPA3, do zmiňovaného seznamu a jeho pozdější odstranění (Butler,

2013; Crawford, 2014). Crawford v tomto ohledu upozorňuje, že se na tento seznam mohou

dostat i časopisy, které mají na svých webových stránkách uveden popis ve špatné angličtině.

Jiným případem je vydavatelství Dove Medical Press, které bylo nejdříve přijato jako kvalitní

a prověřené vydavatelství asociací OASPA – jedná se o tzv. white list, tedy seznam kvalitních

vydavatelství. Později bylo vyloučeno kvůli vážným chybám v rámci recenzního řízení

(Berger & Cirasella, 2015), načež bylo opět v září 2015 do této asociace přijato.

Zatím, naštěstí a zřejmě i díky svému charakteru, predátorské časopisy neprosákly do

univerzitních knihoven ve větším rozsahu – viz studie (Nelsona & Huffman, 2015). Naopak je

3 Open Access Scholarly Publishers Association, viz jejich webové stránky www.oaspa.org

http://oaspa.org/


určitě ve větším počtu najdeme v databázích jako je DOAJ4 či ERIH Plus5 (sporadicky ve

Scopusu a Web of Science). Zejména posledně jmenovaný má velmi slabá a pouze formální

kritéria pro zařazení – správce databáze ERIH Plus na zde popisovaný fenomén zatím příliš

nereagoval. Naopak DOAJ se k tomuto problému postavila a provádí masivní přeregistrování

všech časopisů registrovaných před změnou pravidel (březen 2014), tak aby musela plnit nové

podmínky a co nejvíce se předešlo indexaci predátorských časopisů. DOAJ tak můžeme

označit za hlavního hráče v oblasti tvorby tzv. white listů (Berger & Cirasella, 2015).

V databázi Scopus se také objevily časopisy chovající se predátorsky, přičemž jsou

individuálně odstraňovány, nicméně dříve získaná data jsou ve Scopusu zachována

– příkladem je vydavatelství IDOSI, kde bylo v roce 2014 vyřazeno šest jejich časopisů6.

V případě Web of Science tkví nebezpečí zejména ve formě různých podvodných (hijacked)

časopisů tvářících se jako ty, co byly (a v současnosti už nejsou) či jsou indexovány v této

databázi7. Není nám známo, zda v této věci vlastník dané databáze Thomson Reuters nějak

postupuje. Fenoménem napodobování prestižních časopisů se zabývá kupříkladu článek (Tin

et al., 2014) a objevují se i první řešení (Asadi et al., 2016). Přesto i v prostředí

impaktfaktorových časopisů najdeme predátory. Článek (Djuric, 2015) popisuje praxi jednoho

časopisu indexovaného ve Web of Science, jež odpovídá predátorskému chování – články

byly bez recenzního řízení publikovány a za toto publikování byl vybírán poplatek.

Aby si predátorská vydavatelství a časopisy upevnily svoji „vědeckou pozici“, využívají

pochybné scientometrické portály8, které udělují časopisům vlastní indexy. Tyto indexy mají

často v názvu slovní spojení „impakt faktor“ – příkladem je např. Global Impact Factor,

Journal Impact Factor nebo Universal Impact Factor. Je zde tedy jasná snaha parazitovat na

zaběhnutém termínu známém z databáze Web of Science. Sekundárním problémem je, že se

do těchto indexů hlásí i jinak poctivé OA časopisy, neboť jsou zde pouze formální podmínky

pro přijetí. Tím také posilují „prestiž“ těchto databází. Blíže se touto problematikou zabývají

kupříkladu články (Jalalian, 2015; Sohail, 2014). Druhý způsob, jak se tyto časopisy „zasazují

do vědeckého kontextu“, je lákání vědců a akademických pracovníků do redakčních rad

těchto časopisů. Predátorské časopisy tak mají „krytí“ pro svoji činnost a participují na

renomé daných lidí (mnohdy kapacit ve svém oboru).

První studií zabývající se komplexně vývojem a charakteristikami tohoto svébytného trhu

mezi roky 2010 až 2014 z globální perspektivy je (Shen & Björk, 2015). Autoři studují vlastní

výběrový vzorek, který reprezentuje 11 873 časopisů, které vydává 966 vydavatelů, jež jsou

označeni za predátorské dle (Beall’s List, 2015) k 1. září 2014. Mezi nejzajímavější výsledky

studie (Shen & Björk, 2015) patří:

4 Directory of Open Access Journals, další informace jsou na k dispozici zde: www.doaj.org/

5 European Reference Index for the Humanities and the Social Sciences, další informace

jsou uvedeny na webu European Science Foundation.

6 Pro lepší představu uvádíme časopis World Applied Sciences Journal, který byl indexován v letech 2011-2014, přičemž

za toto období zařadil do Scopusu více než 5000 článků s mohutným nárůstem počtu publikovaných článků v letech 2012

a 2013. Většina jeho citací pochází z jiných časopisů vydavatelství IDOSI.

7 Příkladem je parazitování časopisu Asian Journal of Animal and Veterinary Advances (ISSN 1996-3289) na časopisu s

naprosto stejným názvem, který byl však indexován v letech 2008-2012 ve Web of Science (ISSN 1683-9919).

8 Lze oprávněně předpokládat, že některé z těchto scientometrických portálů jsou (zprostředkovaně) zakládány predátorskými

vydavatelstvími.

https://doaj.org/

https://dbh.nsd.uib.no/publiseringskanaler/erihplus/


Z těchto téměř 12 000 časopisů bylo aktivních pouze cca 8 000. Pro srovnání

v databázi DOAJ bylo registrováno v květnu 2014 na 9 700 OA časopisů, přičemž 26

% z nich mělo poplatek za publikování (Morrison et al., 2015).

Dle jejich odhadu bylo v roce 2010 publikováno 53 000 článků v těchto časopisech,

nicméně v roce 2014 jich bylo již 420 000 článků. Pro srovnání obdobné množství,

tedy téměř půl milionu článků za rok 2014, vydaly časopisy registrované v DOAJ.

Pokud bychom tyto časopisy chtěli rozdělit dle vědeckých disciplín, tak mezi prvních

pět tematických celků patří: obecné (multidisciplinární), inženýrství, biomedicína,

sociální vědy a podnikání a ekonomie. První tři ale oproti ostatním dominují.

Průměrný počet zveřejněných článků na jeden časopis za rok vzrostl z 30 v roce 2010

na 53 v roce 2012, přičemž na tomto čísle se počet pro další roky stabilizoval.

U národnosti autorů takto publikovaných článků dominují Indové (35%), Nigerijci

(8%) a Američané (6%). Většina autorů je z Asie a Afriky.

Průměrné poplatky za zveřejnění článku se liší dle velikosti vydavatele. Autoři však

upřednostňují ty s nižšími poplatky a v celkovém průměru se jedná o částku

v přepočtu přibližně 5 000 Kč. Velcí vydavatelé mají poplatek i přibližně 21 000 Kč

za zveřejnění jednoho článku. Do roku 2012 dominovali zejména velcí vydavatelé,

jejichž portfolio mělo více než 100 časopisů. V posledních třech letech trh ovládli

středně velcí vydavatelé (s portfoliem 10-99 časopisů), jejich průměrný poplatek je

přibližně 3000 Kč.

Průměrná doba od zaslání k publikování článku jsou přibližně 3 měsíce. Což může být

ovlivněno i vyčkáváním na platbu před samotným vydáním.

Je velmi překvapivé, že právě autoři z rozvojových zemí v Asii a Africe mají finanční

prostředky, aby mohli platit tak vysoké poplatky za publikování. Pokud se podíváme na jinou

studii (Solomon & Björk, 2012) zabývající se zdroji financování poplatků za publikování

v OA časopisech vybraných z databáze DOAJ, pouze 10 % ze všech poplatků platí autoři

z vlastních finančních prostředků. Zbytek pochází tedy z grantů a institucionální podpory. Dle

této studie 39 % autorů, kteří takto publikovali, je z rozvojových států. Samozřejmě vedle OA

časopisů mohou autoři z rozvojových zemí publikovat zdarma v komerčních časopisech, které

mají omezený přístup pro čtenáře (např. skrze poplatek za stažení článku). Vidíme, že

nedostatek finančních prostředků není pro tyto autory kruciální problém. Naopak se zřejmě

jedná o tlak dané vědecké komunity spolu s nastavením systému financování výsledků

výzkumu a vývoje, stejně jako je tomu často i ve vyspělých zemích. Jak uvádí kvalitativní

studie (Omobowale et al., 2014) zaměřená na nigerijské akademické prostředí – Nigerijci dle

(Shen & Björk, 2015) tvoří 8 % všech autorů publikujících v predátorských časopisech – mezi

dva hlavní důvody, proč Nigerijci publikují v takových časopisech, patří: (1) tlak

představitelů univerzit, aby jejich akademičtí pracovníci publikovali v zahraničních

časopisech, (2) vysoká náročnost respektive obtížnost publikovat svůj článek v tzv. západních

časopisech, což pomyslně otevírá možnosti pro trh predátorských časopisů.

Ačkoli se slovo „predátorské“ používá v zahraniční literatuře téměř výhradně v souvislosti

s časopisy a vydavatelstvími, jsou opomíjeny další činnosti, které mají podobné rysy.

Můžeme tedy mluvit o predátorském chování, které postihuje i další oblasti spojené

s akademickým životem. Predátorské chování nejčastěji postihuje:

- Vydavatele časopisů, kteří inkasují poplatky za zveřejňování v režimu OA – viz

(Beall’s List, 2015).

- Knižní vydavatele, kteří aktivně spamují nejčastěji mladé vědecké pracovníky, kdy

takto vydané „odborné“ publikace vycházejí bez recenzního řízení k obsahu publikace

a minimálních nákladech (např. Lambert Academic Publishing lákají / spamují autory


zejména na publikování disertačních či diplomových prací). Nově se jedná také o

podvržené nabídky, které se tváří, jako by pocházely z prestižního vydavatelství.

- Pořadatele hromadných virtuálních konferencí, kde neprobíhá fyzické setkání

účastníků ani regulérní recenzní řízení příspěvků, a přesto je vybíráno vložné.

Blíže rozebereme poslední dva případy. Prvním jsou knižní vydavatelství typu „vanity press“,

které dovolují komukoli publikovat cokoli za určitý poplatek. Využívají možnosti digitálního

tisku na vyžádání od 1 kusu. Nejedná se tedy o skutečnou monografii s nákladem v počtu

stovek kusů, která by mohla mít vědecký dopad. Výše uvedený příklad Lambert Academic

Publishing je nebezpečný také tím, že vydělává na zaslání fyzické kopie autorovi, kdy tento

autor může následně nechat nakoupit tyto knihy kupříkladu do univerzitní knihovny. Studenti

pak mohou tyto nekvalitní či pochybné materiály užívat pro svoje studium či vlastní

akademické práce. Druhou oblast tvoří soukromá vydavatelství jednotlivců či organizací,

která mohou publikovat opět pochybný obsah nebo pouze vlastní knihy v kusových

nákladech. Ani v této oblasti nelze zcela generalizovat a tvrdit, že každé takové jednání je

špatné.

Méně probádanou a často tiše tolerovanou aktivitou jsou masové virtuální (elektronické)

konference, kde autor zašle článek, zaplatí poplatek za publikování ve sborníku (vložné) a

dostane přístup do elektronického systému, kde může vzdáleně komunikovat s dalšími

účastníky ve dny konání konference. Dané příspěvky často procházejí pouze formální, ale

nikoli obsahovou kontrolou v rámci rigorózního recenzního řízení. Také v České republice

najdeme takové konference pořádané nejčastěji akademickým sdružením lidí napojených

přímo na různé české univerzity – z institucionální či grantové podpory jsou tímto způsobem

vyváděny statisíce až miliony korun. V zahraničí je bohužel běžné, že tyto elektronické

konference pořádají či na nich participují také vysokoškolské instituce.

2.1 Nadproduktivní věda

Pojem „nadproduktivní věda“ zajímavým způsobem tematizují Stöckelová a Vostal (2015).

Exponenciální nárůst publikací ve vědecké sféře dle jejich slov „souvisí se zdánlivým

paradoxem moderní společnosti, která zůstává relativně stabilní, jen pokud je dynamická

(pokud roste).“ Onu „logiku růstu a zrychlování“ zasazují autoři po bok dalších moderních

principů, jako je individualizace nebo komodifikace. A právě pojem komodifikace se

s otázkou na „nadprodukci“ a (ne)kvalitu vědeckých výstupů pojí velmi úzce, neboť se lze

ztotožnit s tvrzením Liessmanna (2009), že pro redukci vědění (poznání a poznávání) na zboží

(službu), kterou pojmenovává jako „kapitalizaci ducha“, nezbývá na samotnou vědu místo.

V jedné pasáži své známé publikace „Teorie nevzdělanosti“ Liessmann (2009, str. 58) hovoří

o dnešní posedlosti „falešnou představou, že posuzovat znamená kvantifikovat.“ Tuzemské

podmínky dobře popisuje Štech, který dává za příklad „Metodiku hodnocení výsledků

výzkumu, vývoje a inovací“, přičemž konstatuje, že při jejím „bližším prozkoumání vidíme,

k jak rozmanitým a umným strategiím nikoli jen elaborace podob výzkumné práce, ale

zejména vykazování jejích výsledků to vedlo. A je tomu tak na všech typech škol.“

(Dvořáčková et al., 2014, str. 14) Štech hovoří o připisování autorů k publikacím, o taktice

variace pořadí autorů, o dělení výzkumných zpráv na více výstupů nebo o situacích

hraničících s kompilací, resp. s plagiátorstvím v případě profesních oborů. Při hodnocení

vědecké práce pak mnohdy dochází k „redukci kvality na citační ohlas, případně dokonce na

pouhou kvantitu výstupů“ (Dvořáčková et al., 2014, str. 186). Uvedené fenomény vysvětluje

Lears (2015) jako výsledek manažerského přístupu ve vědě a vzdělávání. Lears (2015, str.

118) v této souvislosti mimo jiné poukazuje na závislost akademických pracovníků na

krátkodobých pracovních závazcích, kterou vidí jako „příznačnou pro manažerskou


perspektivu a její důraz na okamžité zisky.“ Learsem kritizovaný manažerský pohled je

rovněž v rozporu s tím, co Brandt (2015, str. 143) považuje za jádro univerzity, totiž

s „kritickým, autonomním zacházením s různými tématy bádání a výuky.“

O souvislosti „nadproduktivní vědy“ s ekonomizací ve vědě hovoří v podobných intencích

i Stöckelová a Vostal (2015), když uvádějí, že „kvazitržní étos současného hodnocení souvisí

s upevňováním podnikatelsky orientovaného manažerismu a správy vědeckého provozu

obecně. Asi nejviditelnější proměnou je plíživá, ale systematická redukce smyslu vědy

a poznání ve vztahu ke společnosti na výrobní prostředek, kdy jsou výzkumné instituce

a univerzity se svými aktivitami pojímány primárně jako další součásti ekonomiky… Český

kafemlejnek, podobně jako řada jiných zahraničních systémů hodnocení, prohlubuje to, čemu

někteří kritici říkají posedlost kvantitou, kdy více je vždy automaticky lépe: více publikací

v impaktovaných časopisech (tedy časopisech vedených v databázi soukromé společnosti

Thomson Reuters), více grantových peněz, více citací. Akademici tak tráví velké množství

času vytvářením potřebných vykazatelných indikátorů/bodů, vyráběním excelentních

životopisů (CV), vyplňováním formulářů.“ Uvedený „nezodpovědný“ přístup k vědecké práci

přináší problémy nejen samotné vědě či vědecké obci, nýbrž resultuje v nebezpečí hrozící

široké veřejnosti, na která se zaměříme v části 2.2.

Akademické a vědecké pracovníky vědomě a systematicky publikující v predátorských

časopisech můžeme i na základě sporu popsaného v části 3 nazývat „upíry“, neboť zneužívají

nastavený systém financování a podpory a doslova jej vysávají. Takoví lidé se snaží

maximalizovat svůj „zisk“, pročež se uchylují nejen k neustálému předělávání stále stejného

příspěvku, ale díky charakteru predátorských časopisů mohou využít i cyklický

autoplagiatorismus k maximalizaci počtu svých výstupů. Predátorské časopisy totiž často po

několika málo letech náhle zanikají – např. z důvodů, že splnily svůj účel, již nevydělávají,

jsou nechvalně známé či je na ně negativní zpětná vazba – nebo se jinak transformují. Jedná

se tedy o velmi živé prostředí. Aktivní autor tak může vzít svůj dříve publikovaný článek (či

hůře i článek někoho jiného) z již „mrtvého“ predátorského časopisu, změnit název a abstrakt

a tento článek dále publikovat v jiném živém predátorském časopise. I když na Internetu

najdeme odkazy či metadata o dřívějším článku, tyto informace se omezují v naprosté většině

na název a abstrakt. Původní plný text článku bývá dostupný pouze na webových stránkách

daného časopisu, které již nefungují. Tito „upíři“ doufají, že se ztratí v publikační záplavě

článků vydávaných elektronickými časopisy. Bohužel nezbývá než konstatovat, že současné

podmínky hrají v jejich prospěch.

Určitým řešením by bylo vytvářet institucionální repozitáře, kam by měli autoři povinnost

vkládat všechny příspěvky (postačují pracovní či autorské verze) afilované k dané instituci

v elektronické podobě. Kdokoli z této instituce by k nim měl přístup a mohl by upozornit na

různé formy neetického jednání.

2.2 Nová nebezpečí pro současnou společnost

První články zmiňující potenciální nebezpečí ukrývající se v publikační masovosti

predátorských vydavatelství vyšly v lékařských a teprve následně v knihovnických

časopisech, viz (Beall, 2013; Crawford, 2014; Shen & Björk, 2015; Grgić, 2015). Tito

predátoři s sebou totiž přinášejí až životu nebezpečné negativní konsekventní jevy. Uveďme

tři nejdůležitější:

1) Úvodníky i důležité články a studie o predátorech vychází v lékařských časopisech –

např. (Nahai, 2015; Shen & Björk, 2015; Nicoll, 2015; Flanagan, 2015; Beall, 2013) –

a upozorňují na nebezpečí, že běžný lékař na základě takového článku, který neprošel


rigorózním recenzním řízením, může léčit své pacienty. Vedle přímého nebezpečí pro

lékařství a zdravotnictví existuje nebezpečí i pro další vědní oblasti jako biologie,

chemie či fyzika, kde hrozí spíše finanční škody, kdy se výzkumníci na základě

takového článku nebo souboru článků vydají špatným směrem a „promrhají“ přidělené

finanční prostředky z grantu.

2) Tyto mnohdy pseudovědecké články mohou přebrat populárně-vědecké časopisy jako

je např. 21. století a šířit tak nevědomě nepravdivé informace. Navíc čím

překvapivější je „závěr“, tím je zajímavější pro čtenáře těchto populárně-vědeckých

časopisů.

3) Veřejnost predátorské vydavatele nevědomky dotuje, když jsou autoři článků

systematicky publikujících v predátorských časopisech placeni z veřejných zdrojů

výzkumnými institucemi a jejich takto publikovaný výzkum je dotován granty.

Problémem je, že takové články zpravidla nemají žádnou přidanou hodnotu jak pro

veřejnost tak odborníky, ba naopak mohou mít nebezpečné negativní konsekvence.

Žijeme v době bezprecedentní dostupnosti informačních zdrojů. Tato skutečnost však klade

na jednotlivce nové nároky, pokud jde o schopnost s těmito zdroji (potažmo informacemi)

pracovat. Kromě nutnosti (neustálého) rozvoje znalostí (zejména o problematice, v rámci

které potřebuje něco řešit, rozhodovat se) tvořících nutný základ individuální interpretace

skutečnosti roste zejména potřeba kriticky (systémově) myslet – viz (Řezníček, Čermák,

2014). Nejen psychiatr Spitzer (2014), který ve svém titulu „Digitální demence“ popisuje vliv

médií na zmenšování hloubky zpracování informace, ale například také autor zabývající se

aplikací informačních technologií Carr (2011) však poukazují na neblahou skutečnost, že jsou

mnozí právě díky snadné dostupnosti informací (dat), kterou umožňují moderní technologie,

„líní přemýšlet“, neboť je jim „vše potřebné“ jednoduše bez námahy „naservírováno.“ Tento

„přepych“ však může u daného konkrétního člověka vést bez přemíry nadsázky ke ztrátě

smyslu pro realitu (Řezníček, Smutný, 2011), neboť se dotyčný stává pouhým pasivním

konzumentem mediálního obsahu (mediální reality). Zde lze vysledovat implikace i do oblasti

vědy, resp. vědecké práce. Šíření „nekvalitních“ vědeckých výstupů, které je dnes mnohem

snazší než v minulosti, může být nebezpečné nejen v případě „děl“ z oblasti lékařství. Jistě by

šlo jmenovat více oborů a jejich témat, kde by šíření nepravdivého či různě

desinterpretovaného obsahu mohlo mít fatální důsledky. Edukovat v informační gramotnosti

je potřeba nejen ty, kdo vědecké výstupy vytvářejí, ale také jejich „konzumenty“, resp. ty,

kteří budou využívat jejich interpretace (více v rámci diskuse v části 4).

3 Za etické publikace

V současnosti je velmi živě diskutován spor spojený s predátorskými časopisy a neetickými

publikačními praktikami na Univerzitě Karlově v Praze. Na jaře 2015 se přišlo na to, že se

některým zaměstnancům institutu IKSŽ9 na FSV, UK v Praze zvýšil počet publikovaných

článků v časopisech, načež se zjistilo, že některé tyto články vycházely v takových

časopisech, které je možno označit jako predátorské (Hajek et al., 2015). Ačkoli Ústřední

knihovna UK v Praze na problém s predátory upozorňovala na svých webových stránkách

(ÚK UK, 2014), vedení tohoto institutu se ocitlo ve zcela nové situaci, která nebyla do té

doby nijak postižena (např. v předpisech univerzity, pravidly nebo opatřením děkana).

U jednoho zaměstnance byla shledána i další závažná (etická) pochybení – články vycházely

9 Institut komunikačních studií a žurnalistiky


ve spoluautorství s neexistujícím člověkem (tzv. falešné autorství10). Postupem času vznikl

spor, který daleko přesahuje problematiku článků v predátorských časopisech – např. že

mohlo docházet k autoplagiátorství, že za tuto pochybnou publikační činnost byli zaměstnanci

odměňováni desítkami tisíc korun, případně další nekalé praktiky, kdy mohlo být zneužíváno

dobré jméno Univerzity Karlovy v Praze k vlastnímu obohacování.

Představu o rozsahu tohoto sporu si lze udělat z následujících publicistických článků Jak

vysát rozpočet na vědu do poslední kapky, který vyšel na webu E15 Euro (Novotný, 2015)

nebo Predátoři a upíři aneb horor vědeckých publikací, který vyšel v Deníku Referendum

(Komm, 2015). Tento spor má v současnosti tři hlavní aktéry: Wadima Strielkowského

(Strielkowski, 2015), UK v Praze (FSV UK, 2015; Končelík, 2015) a iniciativu zaměstnanců

IKSŽ Za etické publikace a svobodu kritiky na IKSŽ (Hajek, et al., 2015; Transparency

International, 2015). Vyjádření a pohledy jednotlivých stran na tento spor lze najít na daných

odkazech11. V následujícím textu jsme vycházeli z veřejně dostupných zdrojů, přičemž naším

cílem je poukázat na problémy a paradoxy, se kterými se v souvislosti s probíraným tématem

potýkají jak autoři, tak instituce.

Z tohoto rozsáhlého sporu nás zajímá chování již bývalého zaměstnance IKSŽ Wadima

Strielkowského (autor) z doby, kdy byl ještě zaměstnancem na jedné straně, a IKSŽ

respektive UK v Praze na straně druhé (instituce). Dr. Strielkowski má velmi kvalitní

publikační výstupy, přičemž desítky jeho článků jsou indexovány v databázích Scopus a Web

of Science. Vedle toho však publikoval velké množství svých článků v predátorských

časopisech (Novotný, 2015; Hajek, et al., 2015). Vysoký počet těchto článků nasvědčuje

tomu, že se nejedná o omluvitelné jednání z důvodu neznalosti, kdy bylo uveřejněno několik

málo náhodných publikací. Naopak to připomíná spíše systematické vyhledávání těchto

predátorských časopisů, které mají velmi nízké etické i publikační standardy a zveřejní, cokoli

jim kdokoli pošle. Jako příklad uveďme článek uvedený v RIV12 databázi z roku 2013 „How

to Stop a Vampiric Infection? Using Mathematical Modeling to Fight Infectious Diseases“

nebo jiný článek13 „Intertemporal Model of Co-Existence of Two Rival Species: A Case

of Vampires and Humans Co-Habitation“ vydaný v roce 2012.

Autorem obou článků je Wadim Strielkowski, přičemž k publikování v predátorských

časopisech si dokonce vymyslel neexistující spoluautorku Emily Welkins a předstíral afilaci k

prestižním zahraničním univerzitám jako University of Strasbourg nebo University of

Cambridge (Hajek et al., 2015), čímž je vědomě poškozoval. Ve svém prohlášení

(Strielkowski, 2015), kde prezentuje svoji verzi sporu, je tato skutečnost zlehčována tím, že se

10 Jak bude dále uvedeno, jednalo se spíše o dvojité autorství, kdy jeden autor vystupoval v článcích pod svým jménem

a zároveň pod svým pseudonymem. Tento přístup je však absurdní a poškodil zahraniční univerzity.

11 Za předpokladu, že blog zaetickepublikace.webnode.cz opravdu založil dr. Strielkowský. V době vydání článku nebyl

důvod myslet si opak.

12 Identifikační kód výsledku v RIV databázi je RIV/00216208:11230/13:10194049. Je vhodné zde dodat, že autor vědomě

zanesl tento výsledek do databáze RIV jakožto vědecký výsledek ze specifického výzkumu na UK v Praze.

13 Z pochopitelných důvodů žádný z těchto článků nechceme přímo citovat. V tomto případě se jedná o článek v Modern

Economy z roku 2012 (str. 826-831), jehož autory jsou Wadim Strielkowski, E. L. a Emily Welkins. Publikován byl v rámci

predátorského vydavatelství Scientific Research Publishing (SCIRP), dle (Beall’s List, 2015).

http://zaetickepublikace.webnode.cz/

http://www.isvav.cz/resultDetail.do?rowId=RIV%2F00216208%3A11230%2F13%3A10194049!RIV14-MSM-11230___


jedná o jeho registrovaný pseudonym a celé to byla vlastně jenom legrace14. Nepopiratelně se

však skrze tento svůj pseudonym nepravdivě afiloval k těmto univerzitám. V oficiálním

prohlášení fakulty je uvedeno, že „vedení FSV UK se důrazně distancuje od eticky

problematických aktivit PhDr. Wadima Strielkowského, Ph.D.“ (FSV UK, 2015) Všemi

těmito pochybeními se v současnosti zabývá Etická komise, UK v Praze (FSV UK, 2015),

která však zasedne až v roce 2016 – viz odpověď děkana FSV, UK v Praze na otevřený dopis

Transparency International (Končelík, 2015).

Ohledně velkého množství svých článků v predátorských časopisech argumentuje: „Ze strany

IKSŽ jsem nebyl osobou odpovědnou za kvalitu publikací a vědecký výkon pracoviště nikdy

upozorněn na žádný problematický bod a neproběhlo ani žádné školení o etice publikační

činnosti, kde by byl např. definován pojem ‚predátorské časopisy’.“ (Strielkowski, 2015)

Bohužel je to pravda, neboť jeho chování nebylo v rozporu s tehdejšími předpisy dané

instituce. Nejedná se ani o nezákonné chování. Predátorské časopisy navíc nejsou nijak

postiženy v Metodice hodnocení výsledků výzkumných organizací a hodnocení výsledků

ukončených programů15, která je platná pro léta 2013 až 2015. Avšak zásadní otázkou je, zda

se máme takto chovat všichni anebo ctít vyšší akademické principy. Pokud je tedy masivní

publikování v predátorských časopisech přípustné (neboť není veřejně odsouzené či

zakázané), tak jediné, co lze oprávněně vytknout dr. Strielkowskému, je jeho přístup

k používání svého pseudonymu Emily Welkins. Dodejme, že dr. Strielkowský vlastní také

firmu Univerzitní servis, s.r.o., která vydává vlastní časopisy jako např. European Review

of Social Sciences; Czech Journal of Social Sciences, Business and Economics; International

Economics Letters.

Podívejme se, jak se z tohoto eticky pochybného chování jednoho zaměstnance (autora) stává

postupně závažný systémový institucionální problém. Nejedná se totiž o jediného pracovníka

IKSŽ, který v takových časopisech publikoval. Úspěšnost tohoto jednotlivce při své masové

publikační činnosti, která kromě své masovosti nevypadala na první pohled podezřele,

inspirovala i další. Zřejmě nevědoma si plně, o jaké časopisy se jedná, tak v roce 2015

v predátorských časopisech publikovala i ředitelka IKSŽ. Později k tomu uvedla, že kdyby

věděla, co ví teď, nepublikovala by v nich a dále zažádala o vyřazení dvou starších výstupů

z RIV databáze a dalších ze systému evidence publikační činnosti na UK v Praze (AS FSV

UK, 2015). Nebezpečím je ono strhnutí dalších lidí k praxi, která do té doby nebyla oficiálně

vyhodnocena jako špatná. Navíc tito další lidé nemusejí o problematice predátorských

vydavatelství a časopisů nic vědět a pouze „napodobují“ činnosti, které jsou obecně pozitivně

přijímány danou komunitou.

Pokud by bylo toto chování uplatňováno dlouhodobě a stále více lidí by se začalo chovat

stejným způsobem, může dojít až k rezistenci vůči případné vnitřní zpětné vazbě či kritice

této činnosti. V případě uvedeného sporu je tato kritika shrnuta na webu (Hajek et al., 2015),

za kterým stojí část zaměstnanců IKSŽ. Dle jejich mínění však IKSŽ stále stojí před zásadním

krokem otevřeně přiznat, k čemu docházelo, a explicitně odsoudit neetické praktiky, které

budou důležitým mementem pro ostatní vysokoškolské instituce v ČR. UK v Praze nebyla

14 "Posléze jsem své fiktivní alter ego použil jako spoluautorku v několika svých článcích (tři z nich se objevily v databází

Scopus). Bylo to spíš z legrace (uznávám, že se možná jednalo o nepromyšlený vtip), ale mám za to, že jsem tímto nikoho

nepoškodil (už vůbec ne českého daňového poplatníka nebo Unverzitu Karlovu). (...) Myslím si, že etický problém v

akademických publikacích nastává v případě plagiátorství (opsaní cizích prací a textů). V případě fiktivních autorů (á la Jára

Cimrman) postačí pousmání a corrigendum." (Strielkowski, 2015)

15 Tato metodika je volně dostupná na webu www.vyzkum.cz

http://www.vyzkum.cz/FrontClanek.aspx?idsekce=685899


v této věci nečinná a provedla od vypuknutí problému řadu opatření dle vyjádření děkana

FSV UK v Praze (Končelík, 2015):

Dne 15. 6. 2015 začalo šetření podnětu části zaměstnanců na podezření z neetických

publikačních praktik dr. Strielkowského.

Byla nově přijatá Pravidla publikační činnosti na IKSŽ FSV, UK v Praze platná ode

dne 20. 8. 2015, kde jsou již tzv. predátoři zmiňováni (Němcová Tejkalová, 2015).

Dne 25. 8. 2015 proběhla schůzka vedení IKSŽ, kde byly prezentovány výsledky

šetření. Neetické praktiky však byly jednoznačně odmítnuty.

Vedení IKSŽ v září 2015 požádalo o vyjmutí dvou sporných publikací

dr. Strielkowského uvedených v RIV databázi.

Od září 2015 projednává podnět skupiny zaměstnanců na dr. Strielkowského také

Etická komise UK v Praze.

Dne 18. 11. 2015 bylo ředitelkou IKSŽ svoláno k tématu etiky publikování setkání

akademické obce IKSŽ.

Dne 1. 12. 2015 se vedení FSV, UK v Praze distancovalo od neetických publikačních

postupů ve svém prohlášení (FSV UK, 2015). Dále proběhla rozsáhlá diskuze

jednotlivých problémů i celého sporu na Akademickém senátu FSV UK v Praze, který

se usnesl na následujícím (AS FSV UK, 2015): „AS FSV UK děkuje za otevření

diskuse o kvalitě publikací na fakultě a vítá záměr vedení FSV UK stanovit pravidla

zajišťující etiku publikační činnosti. AS FSV UK zdůrazňuje nutnost diskutovat

o problémech fakulty v rámci institucí akademické samosprávy a jejich kontrolních

orgánů a odsuzuje negativní medializaci FSV UK ze strany aktérů sporu. AS FSV UK

apeluje na jednotlivé aktéry na IKSŽ, aby spolupracovali na uzavření sporu.“

Na druhou stranu, díky tomuto sporu bude UK v Praze zřejmě první vysokoškolskou institucí

v ČR, která ve svých předpisech a pravidlech publikování bude řešit problematiku

predátorských časopisů. Doufejme, že účastníci svůj spor brzy uzavřou. V této názorné

ukázce vidíme, že dokud instituce jasně neřeknou, že určité chování je nevhodné, tak

odpovědí autorů, kteří vědomě a systematicky publikují v predátorských časopisech, bude ta,

že to není nikde zakázané.

O nebezpečí souvisejícím s predátorskými časopisy a vydavatelstvími vyšly články v mnoha

impaktfaktorových časopisech, např. (Sohail, 2014; Nicoll, 2015; Nahai, 2015; Shen & Björk,

2015; Flanagan, 2015), kde je Beallův seznam označován (alespoň doposud) za první pokus

podchytit tento nový fenomén – viz také jeho článek v prestižním časopisu Nature (Beall,

2012). Jedná se tedy o téma, které opravdu trápí současnou vědeckou a akademickou

komunitu na celém světě. Ačkoli ve světě tento problém rezonuje už téměř tři roky, v ČR na

něj očividně připraveni nejsme – ať už se jedná o autory nebo instituce. Uvedený spor bude,

doufejme, dostatečnou výstrahou pro další vysoké školy a akademické pracovníky. Tito by se

více než doposud měli zamyslet nad podstatou své publikační činnosti vzhledem k vážnosti

své pozice, a dále nad tím, kde a co publikují.

Na závěr této části si každý čtenář musí ujasnit sám, zda postačuje se řídit zákony či

aktuálními předpisy a pravidly dané univerzity, nebo zda je potřeba se řídit i podle určitých

morálních hodnot – viz diskuze ze zasedání Akademického senátu FSV, UK v Praze (AS FSV

UK, 2015).


4 Diskuse a návrhy na opatření

V ohrožení nejsou pouze jednotlivci, ale také reputace jednotlivých vysokoškolských

institucí. Ty musejí své akademické pracovníky poučit o přijatelném a nepřijatelném

(etickém) chování při publikování vědeckých článků, sborníkových příspěvků a knih (např.

povinným školením, vydáním a propagováním příručky o nástrahách publikování16). V tomto

ohledu vyzývá i sám Beall (2015) v jednom ze svých posledních článků ke změnám

hodnocení na úrovni jednotlivých akademických institucí (nečekat tedy, až se plošně změní

hodnocení výsledků kupříkladu v daném státě, ale začít na nižší institucionální úrovni).

Řešené téma bude určitě v příštích letech rezonovat v akademické sféře nejen v souvislosti

s udělováním vědecko-pedagogických hodností vysokoškolským pedagogům (např. uznávání

publikací při habilitačním řízení), ale zejména při odměňování publikačních aktivit

jednotlivých akademických pracovníků. Je potřeba, aby tyto instituce především ve vlastním

zájmu co nejdříve stanovily mantinely pro své pracovníky a nemotivovaly je k publikování

v predátorských časopisech. Naopak je potřeba systematicky motivovat tak, aby se tito

pracovníci rozvíjeli v kontextu evropsky pojímané vědy na světové úrovni.

Na první pohled by v zájmu vysokoškolských institucí mohlo být také aktivní odmítání

nežádoucích publikací a jejich vyřazování z exportu do RIV databáze a s tím spojené

vytváření zakázaných (tzv. black listy) nebo naopak povolených seznamů časopisů či

vydavatelů (tzv. white listy). Avšak jak bylo poukázáno výše, nelze vždy a s naprostou

jistotou říci, že určitý časopis je predátorský. V prosinci 2015 přišel český spolek Fórum Věda

žije!, z.s. s iniciativou Antipredátor17, kde nabízí nejen vlastní black list, nýbrž také přehled

českých výzkumných institucí a přehled článků v predátorských časopisech, které tyto

instituce v posledních letech uplatnily v RIV databázi (Komm, Vojtková, Dvořáček, 2015).

Tento přehled je zatím značně neúplný a bude se dále rozšiřovat, přesto již nyní jsou na tomto

seznamu stovky článků uplatněných v RIV databázi. I v českém kontextu můžeme očekávat

studie vycházející z RIV databáze a Beallova nebo jiného seznamu, kde budou porovnávány

jednotlivé vysoké školy či výzkumná pracoviště. Proto je nutné již nyní zavádět patřičná

opatření v daných organizacích, a reagovat tak dříve, než tato potřeba začne být akutní.

Je třeba však také upozornit, že ani striktní používání Beallova seznamu (Beall’s List, 2015)

či jiného seznamu nic nezaručuje, neboť mezi „zakázané“ časopisy může být zařazeno

periodikum neprávem, případně v něm může zůstat, i když napravilo svá pochybení (např. při

recenzním řízení), jak jsme demonstrovali na dvou vydavatelstvích (Dove Medical Press

a Hindawi). Tyto seznamy by měly být zejména orientační.

Naopak veškeré institucionální snahy by měly být směřovány na akademické pracovníky –

poskytnout jim potřebné informace o predátorských časopisech a adekvátně je motivovat

k určitému chování. Určité chování by však nemělo být vynucované, neboť bychom naráželi

na možné potlačování akademické svobody, kterou je nutné na vysokých školách dodržovat.

Vedle motivace jednotlivců jde zejména o to, aby profesoři a docenti ze své pozice

uznávaných kapacit byli vzorem pro ostatní členy vědecké komunity podílející se na

publikační činnosti (odborní asistenti, asistenti, doktorandi). Jde o to vytvářet pozitivní

sociální tlak vědecké komunity dané instituce na své jednotlivé členy. Právě o chování

jednotlivců celý tento problém je. Na straně jednotlivců je podstatné mít své vlastní pevné

16 Jak se stalo již zvykem na zahraničních univerzitách – viz např. Ryerson University, University of Western Australia

nebo University of Manchester.

17 Podrobnosti zde: antipredator.vedazije.cz

http://learn.library.ryerson.ca/scholcomm

http://guides.is.uwa.edu.au/c.php?g=325342&p=2178782

http://www.openaccess.manchester.ac.uk/checkjournal/predatoryjournals/

http://antipredator.vedazije.cz/


etické zásady a odpovědnost vůči své pozici na vysoké škole, tak aby neztratila svou vážnost.

Zde se opět vracíme k naznačenému tématu, resp. implicitně položené otázce, zda je

vysokoškolské studium možno pojímat jako komoditu a jeho výsledkem je diplom či

certifikát, nebo zda by mělo být také o kultivaci člověka „jako osobnosti“, tedy o celkovém

osobnostním rozvoji včetně etické dimenze apod. Z předchozího textu je názor autorů tohoto

příspěvku čtenáři jistě patrný.

V tuto chvíli asi jediným způsobem, jak mohou akademici pomoci k pozitivní změně, je, že

jako jednotlivci budeme pečlivě individuálně prověřovat každý nový časopis či vydavatelství,

u kterého chceme publikovat, neboť právě tímto způsobem můžeme predátory vyhladovět a ti

začnou postupně ukončovat svou existenci. Vedle toho jsou potřeba také institucionální kroky

a tlak světové vědecké komunity zejména na kolegy z rozvojových zemí. V globální

perspektivě to tedy bude běh na dlouhou trať.

Dále se nabízí otázka: Jak se zachovat k těm, kteří několik svých článků (v naprosté většině

nevědomě a omylem) publikovali v predátorských časopisech? Je potřeba opět zdůraznit, že

se jedná o nový fenomén, o kterém většina nejen akademických pracovníků neměla a často

stále nemá žádné ponětí. Dle počtu publikovaných článků daného pracovníka je vhodné

zjistit, zda se nejednalo o systematickou a vědomou činnost. Dále zohlednit, zda od té doby,

co byl o tomto problému daný pracovník poučen, se jeho jednání opakovalo. Ve sporných

případech by mohla rozhodnout příslušná etická komise, která by měla být tvořena zejména

lidmi mimo danou instituci. Nelze však bezhlavě perzekuovat každého, kdo publikoval svůj

článek v predátorském časopisu, který se pak za danou instituci exportoval do RIV databáze

a tím pomyslně poškodil dobré jméno své instituce. Je třeba se vyhnout „procesům

s čarodějnicemi“ a zaměřit se na to, jak tomuto předcházet do budoucna a budovat

dlouhodobě udržitelnou vědu na kvalitní úrovni. Měli bychom najít pochopení, že každý se

může nevědomky ocitnout v této situaci. Není na místě své kolegy hned odsuzovat, jen je

nutné, aby publikování v predátorských časopisech nebylo nebo se z toho nestalo

systematické a vědomé jednání.

Připusťme i krajní scénář, že každý, i největší odpůrce publikování v predátorských

časopisech se může do stejné situace v budoucnu dostat. K tomu může dojít v případě, kdy

v současnosti stále ještě prestižní časopis začne v budoucnu uplatňovat predátorské chování

a bude vložen na seznam predátorských časopisů. Viz příklad v (Djuric, 2015), kdy se

takového chování dopouštěl časopis v uznávané vědecké databázi Web of Science, kde autor

očekává, že dané časopisy prošly rigorózním přijímacím řízením, jsou pod přísným dohledem

provozovatele této databáze a nehrozí tedy nebezpečí publikování v predátorském časopisu.

Je tedy naprosto na místě si také archivovat veškeré recenzní posudky k jednotlivým

publikovaným článkům pro možnost budoucí evaluace.

Dodejme, že články v takových časopisech by neměly být uznávány při řízení k udělování

vědecko-pedagogických hodností vysokoškolským pedagogům. V případě, že článek vyšel

v časopisu, který byl přidán na „seznam“ až později, měl by být takový článek důsledně

přezkoumán příslušnou komisí z hlediska kvality. Shrneme-li výše uvedené, pak navrhujeme

následující „protiopatření“ na úrovni organizační i individuální:

Škola by měla pozitivně motivovat (např. odměnami) akademické pracovníky, aby

publikovali především v tzv. indexovaných časopisech – Web of Science, Scopus a

tzv. Pozitivní seznam (Seznam recenzovaných neimpaktovaných periodik vydávaných

v ČR). Jak jsme uvedli výše, není to ale úplnou zárukou, neboť někteří predátoři již

pronikli i do těchto indexů. Dalším problémem je v současnosti snadno infikovatelná

databáze ERIH Plus.


Škola by měla negativně motivovat akademické pracovníky kupříkladu tím, že za

„neindexované“ články v časopisech není žádná odměna a v případě zvyšování

kvalifikace (doktorské studium, habilitační řízení a řízení ke jmenování profesorem)

budou tyto články buď odmítnuty, nebo zvlášť zkoumány příslušnou komisí (nejen

z hlediska odbornosti, ale také dalšího možného neetického chování).

Škola by měla také poskytovat možnost se poradit s odborníkem v této oblasti (např.

informačním odborníkem, knihovníkem).

Škola by měla vytvořit repozitář otevřený pro všechny členy akademické obce, kam

by měli mít všichni autoři povinnost vkládat plné texty všech publikovaných výstupů

afilovaných na danou školu v elektronické podobě, jak je tomu běžné v zahraničí

(postačují i autorské či pracovní verze odeslané do recenzního řízení, tak aby se

neporušila další licenční ujednání). Akademici by se tak mohli lépe vzájemně

kontrolovat a rychleji odhalovat neetické či nepatřičné chování v dané vědecké

komunitě.

Škola by měla připravit krátkou příručku, kde by shrnovala znaky predátorského

časopisu (vydavatelství) a dále uvedla rady, jak identifikovat nestandardní chování

časopisu při recenzním řízení. Toto může být spojené i se školením zaměstnanců.

Cílem je, aby se jednotlivec vyvaroval zaslání článku do podezřelého periodika,

a v případě, že tak učiní, aby měl možnost odstoupit po nestandardním recenzním

řízení jakožto varovném znaku.

Pokud se jednotlivec rozhodne publikovat v zahraničním „neindexovaném“ časopisu,

měl by preferovat časopisy vydávané přímo vysokými školami a nikoli komerčními

vydavatelstvími či spolky. Sníží tím riziko, že se bude jednat o predátorský časopis.

Každá vědecká komunita zabývající se určitou tématikou má své hlavní představitele.

Jednotlivec by se však neměl spoléhat pouze na to, že když v určitém časopise

publikuje světově uznávaný představitel nebo jeho dobrý kolega, tak se jedná

o „bezpečný“ časopis. I přesto je třeba daný časopis podrobit pečlivému zkoumání.

Obdobně opatrně by se měl jednotlivec chovat i v případě vyhledávání zdrojů pro své

publikace, neboť citováním článků v predátorských časopisech autorovi na prestiži

nepřidá a naopak pomůže predátorským vydavatelům. Rešeršní práci obecně by měla

být věnována větší pozornost a větší prostor.

Vzhledem k tomu, že se jedná ve světovém měřítku o byznys v miliardách korun (Shen

& Björk, 2015), lze očekávat, že se bude vyvíjet i stále rafinovanější přístup predátorských

vydavatelství a časopisů k oslovování autorů o možnostech publikování. Současným trendem

mezi predátorskými vydavatelstvími je snižování poplatků za publikování (Shen & Björk,

2015), neboť jejich konkurenční prostředí se zahušťuje. Mezi další (očekávatelné) trendy

řadíme zejména:

Vytváření kvalitních webových prezentací, které budou vypadat moderně a jaké mají

renomované časopisy18.

Jak bude klesat poplatek za uveřejnění, mohou střední a velká vydavatelství nabízet

interdisciplinární publikační balíčky (např. 2+1 článek zdarma).

Predátorské časopisy se budou dále snažit dostat se do regionálních (např. Polska

Bibliografia Naukowa, ERIH Plus) i světových indexů (např. DOAJ, Scopus).

18 Nyní téměř všechny predátorské časopisy vypadají, jakoby byly „dělané na koleně“. Konkurenční výhodou pro ně může

být přejít na lákavější design po vzoru renomovaných OA časopisů a vydavatelství jako jsou cogentoa.tandfonline.com nebo

plos.org, případně využívání moderních a robustních publikačních systémů jako je např. Ambra.

http://cogentoa.tandfonline.com/

https://www.plos.org/


Predátorské časopisy či jejich vydavatelé se budou snažit vytvořit paradox, který

zmate návštěvníka, např. jeden časopis predátorského vydavatelství se na základě

rigorózního přijímacího procesu dostane do Scopusu, avšak ostatní desítky časopisů

daného vydavatelství se budou chovat predátorsky.

Predátorské časopisy mohou (nechat) vytvořit články, které budou vypadat, jakoby je

napsaly kapacity v příslušné oblasti, a tím zmást návštěvníka, který si tak může

vytvořit „falešný“ názor (to může být odhaleno křížovou kontrolou s osobní webovou

stránkou dané vědecké kapacity).

Masivní nábory vědeckých kapacit do redakčních rad predátorských časopisů. Mnohé

z těchto časopisů měly či mají redakční rady tvořené neexistujícími lidmi.

Je třeba se mít tedy stále na pozoru a ověřovat nevyžádané informace o možnostech

publikování zasílané na e-maily.

Vidíme, že se jedná o systémový problém, který nebude lehké v dohledné době zcela

uspokojivě vyřešit. Dle mínění autorů se blížíme do bodu velké změny či hluboké krize

v současnosti pojímaného vědeckého výzkumu, jeho sdílení a prezentace – a to nejenom

v České republice, ale i ve světě. Nyní jsme stále pouze na počátku problému, který se dotýká

vědeckých komunit po celém světě. Je to boj zřejmě na několik příštích let. České

vysokoškolské instituce by však měly reagovat na tento stav již nyní. Důvodem je, kromě již

řečeného, i připravovaná IPN metodika 2017+19, kde bude velmi pravděpodobně uplatněno

mezinárodní posouzení kvality výstupů dané organizace. V případě velkého množství článků

v predátorských časopisech lze tedy očekávat menší finanční příspěvek ze strany státu.

Poslední oblast, kterou se tato problematika dotýká, jsou „poctiví“ vydavatelé a v současnosti

světově uznávané indexační databáze odborné recenzované literatury. Lze očekávat, že tato

oblast, která je nyní plná spíše pasivních hráčů, rozporů či paradoxů, se bude postupem času

konsolidovat a jasně vymezovat vůči predátorským časopisům a jejich vydavatelům.

Kupříkladu otázka, která nyní trápí vydavatele, respektive zodpovědné editory, je, zda

vyškrtávat autorům články uvedené v predátorských časopisech ze seznamu použité literatury,

a tedy de facto provádět cenzuru? A obdobné to je i v případě mezinárodních indexovacích

databází, jako jsou např. DOAJ, ERIH Plus, Scopus či Web of Science. Některé z nich jsou

již takovými časopisy zamořeny, jiné proti nim bojují, a proto se nabízí otázek hned několik:

Zda nějak postihovat již indexované časopisy, když budou články v nich uveřejněné

vycházet z článků v predátorských časopisech? A tím vlastně sekundárně potvrzovat

jejich kvalitativní aspekty.

Zda vyřazovat již indexované časopisy chovající se nově predátorsky? Scopus již toto

aktivně činí.

Zda indexovat i dříve predátorské časopisy (nyní již nikoli) a v současnosti naplňující

kritéria pro přijetí k indexování do dané databáze?

Zda automaticky odmítat žádosti o indexaci od vydavatelů, kteří mají predátorské

aktivity v jakékoli formě?

Jak se zachovat a jaké jsou možnosti obrany při hijackingu vydávaného prestižního

časopisu?

19 Viz souhrnná studie (MŠMT, 2015). Podrobné informace o dané metodice

naleznete zde: metodika.reformy-msmt.cz

http://metodika.reformy-msmt.cz/


Avšak nejdůležitější a prvotní otázkou pro všechny dotčené strany, na kterou jsou navázány ty

další výše vyřčené, je: Kdo a jak bude určovat, že se jedná o predátorský časopis, vydavatele

či predátorské chování? A tím jsme opět na začátku.

Autorská poznámka:

Vzhledem k tomu, že mnohé webové stránky, na které odkazuje v souvislosti s neetickými

praktikami zejména zdroj (Hajek, et al., 2015), jsou mimo provoz, upravené nebo nedostupné,

doporučujeme čtenářům využít službu Wayback Machine na Archiv.org, kde jsou starší verze

těchto webových stránek k dispozici v původním znění.


AS FSV UK. (2015). Zápis a usnesení ze zasedání AS FSV UK ze dne 1. 12. 2015. Retrieved from: https://intranet.fsv.cuni.cz/FSVINT-2521-version1-2015_12_01_zapis_ze_zasedani_a.pdf

Asadi, A., Rahbar, N., Asadi, M., Asadi, F., & Paji, K.K. (2016). Online-Based Approaches to Identify Real Journals and Publishers from Hijacked Ones. Science and Engineering Ethics. doi: 10.1007/s11948-015-9747-9 (článek v tisku)

Bartošek, M. (2009). Open access – otevřený přístup k vědeckým informacím. Úvod do problematiky. Zpravodaj ÚVT MU, 20(2), 1-7.

Beall’s List. (2015). Beall’s List: Potential, possible, or probable predatory scholarly open-access publishers. Retrieved from: http://scholarlyoa.com/publishers/

Beall, J. (2015). Predatory journals and the breakdown of research cultures. Information development, 31(5), 473-476. doi: 10.1177/0266666915601421

Beall, J. (2013). Medical Publishing Triage – Chronicling Predatory Open Access Publishers. Annals of Medicine and Surgery, 2(2), 47-49. doi: 10.1016/S2049-0801(13)70035-9

Beall, J. (2012). Predatory publishers are corrupting open access. Nature, 489(7415), 179-179. doi: 10.1038/489179a

Berger, M., & Cirasella, J. (2015). Beyond Beall’s List: Better understanding predatory publishers. College & Research Libraries News, 76(3), 132-135.

Bláhová, D. (2013). Přínos, hrozby a možný vývoj otevřeného publikování (Open Access) jako nové formy vědeckého sdílení informací. ITlib: Informačné technológie a knižnice, 13(4), 26-32.

Bohannon, J. (2013). Who's Afraid of Peer Review? Science, 342(6154), 60-65. doi: 10.1126/science.342.6154.60

Brandt, R. (2015). K čemu ještě univerzity? A jaké? In: Jirsa, J. et al, Idea university (pp. 136-158). Praha: Academia.

Burešová, I. (2015). Predátorští vydavatelé – hrozba pro Open Access. Informace – zpravodaj Knihovny AV ČR, 5(2-3). Retrieved from: https://www.lib.cas.cz/casopis-informace/predatorsti-vydavatele-hrozba-open-access/

Butler, D. (2013). Investigating journals: The dark side of publishing. Nature, 495, 433–435. doi: 10.1038/495433a

Carr, N. (2011). The Shallows: How the internet is changing the way we think, read and remember. London: Atlantic Books.

Crawford, W. (2014). Ethics and Access 1: The Sad Case of Jeffrey Beall. Cites & Insights, 14(4), 1-14.

http://archive.org/web/

https://intranet.fsv.cuni.cz/FSVINT-2521-version1-2015_12_01_zapis_ze_zasedani_a.pdf

http://dx.doi.org/10.1007/s11948-015-9747-9

http://scholarlyoa.com/publishers/

http://dx.doi.org/10.1177/0266666915601421

http://dx.doi.org/10.1016/S2049-0801(13)70035-9

http://dx.doi.org/10.1038/489179a

http://dx.doi.org/10.1126/science.342.6154.60

https://www.lib.cas.cz/casopis-informace/predatorsti-vydavatele-hrozba-open-access/

https://www.lib.cas.cz/casopis-informace/predatorsti-vydavatele-hrozba-open-access/

http://dx.doi.org/10.1038/495433a


Djuric, D. (2015). Penetrating the Omerta of Predatory Publishing: The Romanian Connection. Science and Engineering Ethics, 21(1), 183-202. doi: 10.1007/s11948-014-9521-4

Dvořáčková, J., Pabian, P., Smith, S., Stöckelová, T., Šima, K., & Virtová, T. (2014). Politika a každodennost na českých vysokých školách: etnografické pohledy na vzdělávání a výzkum. Praha: Sociologické nakladatelství.

Flanagan, J. (2015). Predatory Publishers: Authors Beware. International Journal of Nursing Knowledge, 26(1), 1. doi: 10.1111/2047-3095.12069

FSV UK. (2015). Vyjádření FSV UK ve věci neetických publikačních praktik. Retrieved from: http://www.fsv.cuni.cz/FSVTEMP-1837.html

Grgić, I. H. (2015). Open access – Deus ex machina for publishing scholarly journals? Libellarium: Journal for the research of writing, books, and cultural heritage institutions, 8(2). doi: 10.15291/libellarium.v0i0.228

Hajek, R. et al. (2015). Za etické publikace a svobodu kritiky na IKSŽ. Retrieved from: https://zaetickepublikace.wordpress.com/

Jalalian, M. (2015). The story of fake impact factor companies and how we detected them. Electron Physician, 7(2), 1069–1072. doi: 10.14661/2015.1069-1072

Knecht, P. (2013). Už jste se setkali s predátorem? Pedagogická Orientace, 23(3), 277-278.

Knihovna UTB. (2015). Kde publikovat. Knihovna UTB ve Zlíně. Retrieved from: http://www.utb.cz/knihovna/veda-a-vyzkum/kde-publikovat

Komm, M. (2015). Predátoři a upíři aneb horor vědeckých publikací. Deník Referendum. Retrieved from: http://denikreferendum.cz/clanek/21850-predatori-a-upiri-aneb-horor-vedeckych-publikaci

Komm, M., Vojtková, M., Dvořáček, L. (2015). Do systému hodnocení vědeckých výsledků pronikly predátorské časopisy. Fórum Věda žije! Retrieved from: http://vedazije.cz/sites/default/files/TZ_antipredator_v4.pdf

Končelík, J. (2015). Reakce na Otevřený dopis ze dne 19. listopadu 2015. Retrieved from: http://www.transparency.cz/wp-content/uploads/Odpov%C4%9B%C4%8F-d%C4%9Bkana.pdf

Laakso, M., Welling, P., Bukvova, H., Nyman, L., Björk, B-C., Hedlund, T. (2011). The Development of Open Access Journal Publishing from 1993 to 2009. PLoS ONE, 6(6), e20961. doi: 10.1371/journal.pone.0020961

Lázňovský, M. (2015). Akademická „žumpa“ vynáší ročně přes miliardu korun, tvrdí studie. Technet.cz. Retrieved from: http://technet.idnes.cz/pavedecke-casopisy-vydelavaji-des-/veda.aspx?c=A151002_150910_veda_mla

Lears, J. (2015). Radikální odkaz tradice: výuka svobodných umění v manažerské době. In: Jirsa, J. et al, Idea university (pp 106-121). Praha: Academia.

Liessmann, K. P. (2009). Teorie nevzdělanosti: omyly společnosti vědění. Praha: Academia.

Morrison, H., Salhab, J., Calvé-Genest, A., & Horava, T. (2015). Open Access Article Processing Charges: DOAJ Survey May 2014. Publications, 3, 1-16. doi: 10.3390/publications3010001

MŠMT. (2015). Metodika hodnocení ve výzkumu a vývoji a zásady financování. Praha: Ministerstvo školství, mládeže a tělovýchovy. Retrieved from: http://metodika.reformy-msmt.cz/metodika-hodnoceni-a-zasad-financovani-vystupy

Nahai, F. (2015). The Rise of Predatory Journals: What Difference Does It Make?. Aesthetic Surgery Journal, 35(8), 1042-1043. doi: 10.1093/asj/sjv085

Nelsona, N., & Huffman, J. (2015). Predatory Journals in Library Databases: How Much Should We Worry? The Serials Librarian: From the Printed Page to the Digital Age, 69(2), 169-192. doi: 10.1080/0361526X.2015.1080782

Němcová Tejkalová, A. (2015). Pravidla publikační činnosti pro Institut komunikačních studií a žurnalistiky FSV UK. Retrieved from: http://iksz.fsv.cuni.cz/IKSZFSV-402-version1-pravidla_publikacni_cinnosti.pdf

http://dx.doi.org/10.1007/s11948-014-9521-4

http://dx.doi.org/10.1111/2047-3095.12069

http://www.fsv.cuni.cz/FSVTEMP-1837.html

http://dx.doi.org/10.15291/libellarium.v0i0.228

https://zaetickepublikace.wordpress.com/

http://dx.doi.org/10.14661/2015.1069-1072

http://www.utb.cz/knihovna/veda-a-vyzkum/kde-publikovat

http://denikreferendum.cz/clanek/21850-predatori-a-upiri-aneb-horor-vedeckych-publikaci

http://vedazije.cz/sites/default/files/TZ_antipredator_v4.pdf

http://www.transparency.cz/wp-content/uploads/Odpov%C4%9B%C4%8F-d%C4%9Bkana.pdf

http://dx.doi.org/10.1371/journal.pone.0020961

http://technet.idnes.cz/pavedecke-casopisy-vydelavaji-des-/veda.aspx?c=A151002_150910_veda_mla

http://technet.idnes.cz/pavedecke-casopisy-vydelavaji-des-/veda.aspx?c=A151002_150910_veda_mla

http://dx.doi.org/10.3390/publications3010001

http://metodika.reformy-msmt.cz/metodika-hodnoceni-a-zasad-financovani-vystupy

http://metodika.reformy-msmt.cz/metodika-hodnoceni-a-zasad-financovani-vystupy

http://dx.doi.org/10.1093/asj/sjv085

http://dx.doi.org/10.1080/0361526X.2015.1080782

http://iksz.fsv.cuni.cz/IKSZFSV-402-version1-pravidla_publikacni_cinnosti.pdf

http://iksz.fsv.cuni.cz/IKSZFSV-402-version1-pravidla_publikacni_cinnosti.pdf


Nicoll, L. H. (2015). Predatory Publisher Statement. CIN – Computers, Informatics, Nursing, 33(2), 43-45. doi: 10.1097/CIN.0000000000000138

Novotný, J. (2015). Jak vysát rozpočet na vědu do poslední kapky. E15 Euro, (49). Retrieved from: http://euro.e15.cz/archiv/jak-vysat-rozpocet-na-vedu-do-posledni-kapky-1252838

Omobowale, A. O., Akanle, A., Adeniran, I., Olayinka, K. (2014). Peripheral scholarship and the context of foreign paid publishing in Nigeria. Current Sociology, 62(5), 666-684. doi: 10.1177/0011392113508127

Řezníček, V., & Čermák, R. (2014). The importance of thinking in the field of education for the „information age”. In System approaches'14. Systems thinking and global problems of the world (pp. 5-9). Praha: Oeconomica.

Řezníček, V., & Smutný, Z. (2011). Změna komplexity, datová přesycenost a role znalosti. In Systémové přístupy '11 – Systémové myšlení jako změna paradigmatu (pp. 128–131). Praha: Oeconomica.

Shen, C., & Björk, B-C. (2015). ‘Predatory’ open access: a longitudinal study of article volumes and market characteristics. BMC Medicine, 13(230). doi: 10.1186/s12916-015-0469-2

Skůpa, J. (2015). Zlatá cesta Open Access. Portál knihoven VUT v Brně. Retrieved from: https://www.vutbr.cz/knihovny/openaccess/gold

Sohail, S. (2014). Of Predatory Publishers and Spurious Impact Factors. Journal of the College of Physicians and Surgeons Pakistan, 24(8), 537-538.

Sokal, A. D. (1996). A Physicist Experiment with Cultural Studies. Lingua Franca. 6(4), 62–64.

Solomon, D.J., & Björk, B-C. (2012). A study of open access journals using article processing charges. Journal of the American Society for Information Science and Technology, 63(8), 1485-1495. doi: 10.1002/asi.22673

Spitzer, M. (2014). Digitální demence: jak připravujeme sami sebe a naše děti o rozum. Brno: Host.

Stöckelová, T., & Vostal, F. (2015). Texty bez čtenářů aneb Horečná nehybnost vědy. Časopis HOST. Retrieved from: http://casopis.hostbrno.cz/aktualni-rocnik/2015/06-2015/texty-bez-ctenaru-aneb-horecna-nehybnost-vedy

Strielkowski, W. (2015). Za etické publikace (pravdivá) Fakta o publikační činnosti na IKSŽ FSV UK. Retrieved from: http://zaetickepublikace.webnode.cz/

Tin, L., Ivana, B., Biljana, B., Ljubica, I. B., Dragan, M., Dušan, S. (2014). Predatory and fake scientific journals/publishers – A global outbreak with rising trend: A review. Geographica Pannonica, 18(3), 69-81.

Transparency International. (2015). Shoda okolností, nebo whistleblowing? Retrieved from: http://www.transparency.cz/shoda-okolnosti-nebo-whistleblowing/

ÚK ČVUT. (2015). Predátorské časopisy. Ústřední knihovna ČVUT v Praze. Retrieved from: http://knihovna.cvut.cz/veda/predatorske-casopisy/

ÚK UK. (2014). Predátoři: Nenechte se polapit predátory! A napálit podvodným časopisem! Ústřední knihovna Univerzity Karlovy v Praze. Retrieved from: http://knihovna.cuni.cz/open-access/zakladni-informace/predatori/

http://dx.doi.org/10.1097/CIN.0000000000000138

http://euro.e15.cz/archiv/jak-vysat-rozpocet-na-vedu-do-posledni-kapky-1252838

http://dx.doi.org/10.1177/0011392113508127

http://dx.doi.org/10.1186/s12916-015-0469-2

https://www.vutbr.cz/knihovny/openaccess/gold

http://dx.doi.org/10.1002/asi.22673

http://casopis.hostbrno.cz/aktualni-rocnik/2015/06-2015/texty-bez-ctenaru-aneb-horecna-nehybnost-vedy

http://casopis.hostbrno.cz/aktualni-rocnik/2015/06-2015/texty-bez-ctenaru-aneb-horecna-nehybnost-vedy

http://zaetickepublikace.webnode.cz/

http://www.transparency.cz/shoda-okolnosti-nebo-whistleblowing/

http://knihovna.cvut.cz/veda/predatorske-casopisy/

http://knihovna.cuni.cz/open-access/zakladni-informace/predatori/

http://knihovna.cuni.cz/open-access/zakladni-informace/predatori/

Call for paper / Informace pro autory

Detailed information about the scope of the journal and its sections including the review process

can be found here. Templates for the articles are available on the journal website.

Podrobné informace o zaměření časopisu a jednotlivých sekcích včetně průběhu recenzního

řízení získáte zde. Šablony pro psaní příspěvků jsou k dispozici na webových stránkách.

June issue / Červnové číslo

Deadline 27th March 2016 / Termín uzávěrky 27. března 2016

December issue / Prosincové číslo

Deadline 16th October 2016 / Termín uzávěrky 16. října 2016

Acta Informatica Pragensia

Publisher


Faculty of Informatics and Statistics

nám. W. Churchilla 4, 130 67 Praha 3

Editor-in-Chief

Stanislava Mildeová

e-mail: [email protected], tel.: +420 224 095 474

Layout

Daniel Hamerník & Zdeněk Smutný

The journal Acta Informatica Pragensia

is open access and has no charge

for article publishing.

Abstracting & Indexing

European Reference Index for the Humanities and the Social Sciences (ERIH Plus), Research Papers

in Economics (RePEc), Open Archives Initiative (OAI), Directory of Open Access Journals (DOAJ),

Bielefeld Academic Search Engine (BASE), OCLC WorldCat, Google Scholar, Open Academic

Journals Index, Academic Journals Database, ResearchBib Journal Database, National Library of the

Czech Republic (WebArchiv project).

The journal Acta Informatica Pragensia is also included in the government list

of peer-reviewed journals published in the Czech Republic.

http://aip.vse.cz/index.php/aip/pages/view/editorial-policies

http://aip.vse.cz/index.php/aip/pages/view/call-for-papers

http://aip.vse.cz/index.php/aip/pages/view/editorial-policies

http://aip.vse.cz/index.php/aip/pages/view/call-for-papers

General partner University of Economics, PragueGenerální partner Vysoké školy ekonomické v Praze

http://aip.vse.cz

Date post:	25-Jul-2016
Category:	Documents
Upload:	acta-informatica-pragensia
View:	223 times
Download:	1 times

Acta Informatica Pragensia Vol. 4, No. 2, 2015

Documents