1. Kollár Csaba
Kutatási módszerek a
had-, rendészet-, és
biztonságtudományokban
„A tudomány kapujában” workshop
2019. December 9.
Nemzeti Közszolgálati Egyetem Katonai Műszaki Doktori Iskola
Zrínyi Miklós Laktanya és Egyetemi Campus
Budapest

2. Probléma-taxonómia
Nyitott/zárt Típusa
Társadalmi szintje
Nyitott
Zárt
Elméleti
Gyakorlati
Komplex
Egyéni
Csoportos
Szervezeti
Társadalmi

3. A probléma
zárt nyílt
LP, NLP, optimalizálás, keverékek,
szállítás, kritikus út, stb.
Kutatási adatok származása:
szekunder, primer, tercier
L.: bővebben pl.: H. R.
Reidmacher: Excel
közgazdászoknak
Kutatási adatok jellege:
kvalitatív, kvantitatív
Kutatási platform:
online, offline, vegyes
Problémamegoldás

4. • Társadalomtudományos interjú és fókuszcsoportos megkérdezés
• Résztvevő megfigyelés (antropológus módszer)
• Kvalitatív szöveg- tartalom- és dokumentumelemzési módszerek
• Szakértői megkérdezés
• Videoelemzés
• Fényképelemzés
• Elméletalkotás (ground theory)
• Esettanulmány
• Netnográfia (internetes terepen)
• Narratív technika
• Kreatív technikák (pl. oksági fa, gondolatfelhő, elmetérkép)
• Családállítás, szervezetállítás, rendszerállítás
• Stb.
Kvalitatív módszerek

5. Elmetérkép
Forrás: https://taosecurity.blogspot.com/2017/03/cybersecurity-domains-mind-map.html

6. • Kérdőíves megkérdezés
• Adatbányászat
• Szövegbányászat
• Hálózatkutatás
• Logfájl/naplófájl elemzés
Kvantitatív módszerek
Statisztikai
elemzés

7. Kísérlet

8. Hálózatkutatás, gráfelmélet, szociometria
Forrás: https://worldtwodotzero.wordpress.com/2014/01/27/from-moreno-sociometry-to-social-network-analysis/

9. BDA és MI folyamata
Adatforrások
és adatok
meghatározása
Logfájlok
Szervezet
kommunikációja
Szervezet
viselkedése
CERT jelentések
Biztonsági
szoftverek
jelentései
Alkalmazások
jelentései
Adatok
tisztítása
Adatbázisok
Információ-
bázisok
Tudás-
bázisok
Algoritmus-
bázisok
Elő-
feldolg.
Adat-
elemzés
Tanuló-
algoritmusok,
gépi tanítás
MODELL
Kimeneti
adatok,
információk
Szakember
elemzi
Eredmény
Következmény
• Beavatkozás
• Oktatási és
képzési
programok
BDA
MI
Adatvizualizáció

10. Adatvizualizáció, infografika
Forrás: https://towardsdatascience.com/5-quick-and-easy-data-visualizations-in-python-with-code-a2284bae952f
összehasonlítás
Mit akarsz
bemutatni?
kapcsolat
összetétel
eloszlás

11. Gépi tanulás és felhasználás
Tanító
adatbázis
Tanuló
algoritmus Modell
Tanulás
Felhasználás
Adatok Modell
Információ
az adatokról
Elő-
feldolgozás
Elő-
feldolgozás

12. A mesterséges intelligencia környezetei
MI
Tanulókörnyezet
Erőforrások:
• Idő
• Tudás
• Adat
• Információ
• Korábbi tapasztalat
• Szakember
• Hardver
• Szoftver
• Energia
• Stb…
Működési környezet
Szabadságfokok száma
Döntéshozatal
sebessége
• Tárgy sebessége a
környezetéhez
képest
• Adatok mennyisége
• Feldolgozási
sebesség és mélység
• Reakcióidő
Döntés következménye

13. • Microsoft Excel táblázatkezelő
• Libre Office Calc táblázatkezelő https://hu.libreoffice.org
• Google Táblázatok/Űrlapok
• SPSS statisztikai szoftver
• PSPP statisztikai szoftver https://www.gnu.org/software/pspp
• Orange adatbányász szoftver https://orange.biolab.si
• Weka gépi tanulás szoftver https://www.cs.waikato.ac.nz/ml/weka/index.html
• Tensorflow neurális háló https://playground.tensorflow.org
• GroupDynamics szociometria https://sourceforge.net/projects/groupdynamics/files
• Gephi gráf és hálózat https://gephi.org
Néhány fontosabb szoftver/alkalmazás

14. Dr. Kollár Csaba PhD
egyetemi docens, kibernetikus, jövőkutató, műhelyvezető
Nemzeti Közszolgálati Egyetem Katonai Műszaki Doktori Iskola
Óbudai Egyetem Biztonságtudományi Doktori Iskola
www.drkollar.hu | www.linkedin.com/in/drkollarcsaba | www.slideshare.net/drkollarcsaba
Köszönöm megtisztelő figyelmeteket!