Адаптивната държава: Интегриране на блокчейн, изкуствен интелект и гъвкави методологии за управление

Георги Пашев (Jidai Mirai)

georgepashev@uni-plovdiv.bg https://bit.ly/gpashev

Пловдивски университет "Паисий Хилендарски"

Резюме

Развиващата се сложност на съвременното управление изисква иновативни системи, които съчетават технологичния напредък с адаптивни методологии. Въз основа на концепцията за адаптивната държава в тази статия се разглежда модел на управление, който интегрира блокчейн (чрез токена ARDIAN), задвижвано от изкуствен интелект вземане на решения и гъвкави методологии (като Kanban в Jira). Тази рамка има за цел да създаде отзивчива, справедлива и динамична система за управление чрез справяне със системните предизвикателства и използване на децентрализирани, меритократични и основани на експертни знания принципи.

Ключови думи: Адаптивно управление, блокчейн технология, изкуствен интелект, децентрализирани системи, сапиентокрация

 

---

 

Въведение

Предистория и теоретични основи

Сближаването на блокчейн технологията, изкуствения интелект (ИИ) и адаптивното управление предефинира съвременните системи за вземане на решения и организация на обществото. Последните трудове, като например анализът на децентрализираното управление на ИИ на Chaffer и von Goins (2024) и изследването на Nafiu et al. за управление на риска на финансовите пазари, базирано на блокчейн, илюстрират трансформационния потенциал на тези технологии за повишаване на прозрачността, ефективността и всеобхватността. Изследването на Liu (2024) за електронното управление при управлението на проекти и прозренията на Kalluri (2025) за модулните блокчейн-ИИ системи допълнително подчертават адаптивността на тези подходи при решаването на сложни обществени нужди.

Силните страни на тези системи се изразяват в способността им да намаляват традиционната неефективност на управлението. Блокчейн предлага несравнима прозрачност чрез неизменно записване на решенията и транзакциите, което гарантира отчетност (Chaffer & von Goins, 2024). ИИ подобрява вземането на решения чрез динамично анализиране на рисковете и оптимизиране на работните процеси, както показва изследването на Кумар и Джак (2024) за устойчиви системи за възстановяване след бедствия. Освен това комбинацията от ИИ и блокчейн улеснява надеждните механизми за доверие, като например федеративните рамки за доверие, изследвани от Tuncel и Öztoprak (2025).

Въпреки обещанията си, тези иновации са съпроводени с предизвикателства. Интеграцията на блокчейн и ИИ изисква значителни изчислителни ресурси, което поражда опасения относно мащабируемостта, потреблението на енергия и поверителността на данните (Singh & Singh, 2025). Техническата сложност и пречките при внедряването, изтъкнати в проучването на Холоуей (2025 г.) за адаптивните вериги за доставки, допълнително подчертават тези трудности. Освен това неравномерният достъп до модерни технологии рискува да задълбочи цифровото разделение, а алгоритмичните пристрастия и прекомерното разчитане на автоматизацията пораждат етични и практически опасения.

Въпреки това синергията между блокчейн и изкуствен интелект, подкрепена от принципите на адаптивното управление, притежава огромен потенциал за революция в системите за управление. Като се справят с неефективността, насърчават приобщаването и устойчивостта, тези технологии осигуряват основа за справедливо и отзивчиво вземане на решения. Този документ се основава на предишни изследвания, като проучва как блокчейн, ИИ и адаптивните методологии могат да се интегрират в съгласувана рамка за по-устойчив и ефективен модел на управление.

Съвременните системи за управление, повлияни от традиционни модели, често не успяват да се адаптират ефективно към сложността на обществото и глобалната взаимосвързаност. Моделът "Адаптивна държава" представя управлението като гъвкава и динамична система. Структурата му, вдъхновена от швейцарската пряка демокрация, съчетава елементи от теорията на игрите, теорията на адаптивните системи и игрите с положителна сума. За разлика от статичното управление, Адаптивната държава се развива непрекъснато, като целите и стратегиите се калибрират динамично въз основа на обратна връзка в реално време и експертни данни.

Основните компоненти на този модел включват:

· Структура на управление: Граждани (Г), законодателна власт (З), съдебна власт (С), изпълнителна власт (И) и медии (Мд).

· Обратна връзка и адаптация: Целите (G) се актуализират чрез вериги за обратна връзка (R), като се осигурява устойчивост на промените в обществото и околната среда.

· Участие въз основа на заслугите: Експертните познания и измеримият принос дават ново определение на демократичното участие, като излизат извън парадигмата "един човек - един глас".

Съвременните системи за управление, дълбоко вкоренени в традиционните рамки, често се затрудняват да се справят с динамичните и многостранни предизвикателства, породени от сложността на обществото и глобалната взаимосвързаност на съвременния свят. Тези системи, макар и ефективни в определени условия, често не разполагат с необходимата гъвкавост и адаптивност, за да се приспособят към бързите промени в социалната, икономическата и екологичната среда. Концепцията за адаптивната държава има за цел да промени този статичен подход към управлението, като въведе модел, който по своята същност е динамичен, отзивчив и основан на участието. За разлика от традиционните управленски структури, които функционират в рамките на фиксирани рамки, адаптивната държава е проектирана да се развива непрекъснато, като пренастройва стратегиите и целите си в отговор на обратната връзка в реално време и експертните прозрения.

Вдъхновена от принципите на швейцарската пряка демокрация, адаптивната държава обединява елементи от теорията на игрите, теорията на адаптивните системи и концепцията за игрите с положителна сума. Този синтез създава модел на управление, при който сътрудничеството между заинтересованите страни води до резултати, които са от полза за всички участници, а не до затвърждаване на конфликти с нулева сума. Моделът предвижда управлението не като твърда йерархия, а като взаимосвързана система, способна на саморегулиране и иновации. Този адаптивен характер му позволява да реагира ефективно на нововъзникващите предизвикателства, като същевременно запазва демократичната легитимност и насърчава приобщаването.

В основата на адаптивната държава стои добре дефинирана управленска структура, която обхваща множество взаимосвързани компоненти. Гражданите служат като основа на тази система, като активно участват в процесите на вземане на решения и допринасят със своя опит за провеждането на информирани политики. Законодателният орган осигурява форум за обсъждане и създаване на закони, а съдебната власт гарантира, че действията са в съответствие с върховенството на закона. Изпълнителната власт изпълнява ефективно политиките, като се ръководи от ясни цели и механизми за отчетност. Медиите и обществените фигури играят решаваща роля за улесняване на прозрачната комуникация, насърчаване на обществения дискурс и гарантиране, че гражданите остават информирани и ангажирани.

Една от отличителните характеристики на адаптивното състояние е способността му да включва непрекъсната обратна връзка и адаптация. Целите и стратегиите в тази система не са статични, а подлежат на редовен преглед и адаптиране чрез установени цикли на обратна връзка. Тези механизми позволяват на управленската структура да оценява ефективността на действията си, да идентифицира нововъзникващи предизвикателства и да пренастройва приоритетите си. Като вгражда устойчивост и адаптивност в своята същност, адаптивната държава е по-добре подготвена да се ориентира в сложността на съвременното управление, като гарантира неговата актуалност и ефикасност във времето.

Може би най-променящият се аспект на адаптивната държава е нейният акцент върху участието, основано на заслуги. За разлика от традиционните демократични модели, които работят на принципа "един човек - един глас", адаптивната държава цени експертния опит и измеримия принос. Този подход издига ролята на информираното вземане на решения, като предоставя по-голямо влияние на лицата, които са демонстрирали задълбочено разбиране на конкретни области. Участието в управлението не е просто право, а отговорност, при която хората се насърчават да дават значим принос и се възнаграждават за своя опит и отдаденост. Този меритократичен принцип гарантира, че управленските решения се основават на знания и опит, което насърчава по-добри резултати за обществото като цяло.

В тази развиваща се парадигма адаптивната държава определя управлението като колективно и динамично начинание. Като използва принципите на сътрудничество, адаптивност и експертност, тя осигурява рамка, способна да отговори на сложните изисквания на съвременната епоха, като същевременно насърчава приобщаването и иновациите. Адаптивната държава е визионерски модел за бъдещето, в който управлението се развива в хармония с нуждите и стремежите на обществото.

 

---

 

Представяне на сапиентокрацията: Ядрото на адаптивното управление

С развитието на съвременните системи за управление все повече се признава, че традиционните структури за вземане на решения, включително тези, основани на традиционната меритокрация, често не успяват да се справят със сложността на съвременното общество. Адаптивната държава въвежда сапиентокрацията - нова управленска парадигма, при която влиянието, правомощията за вземане на решения и участието се основават на доказани знания, опит в конкретна област и мъдрост.

Сапиентокрацията представлява преход от общо управление, основано на заслуги, към подход, ориентиран към знанието. За разлика от меритокрацията, която възнаграждава широко приноса и постиженията в различни области, сапиентокрацията подчертава ролята на информираното вземане на решения. При този модел експертните познания в конкретни области - като науката за околната среда, здравеопазването или икономиката - дават на хората по-голяма тежест при формирането на политиките в тези области. Това гарантира, че управлението се ръководи от мъдрост, данни и доказателства, а не от неинформирано мнение или популистки тенденции.

Терминът "сапиентокрация" е особено подходящ в контекста на адаптивната държава, в която модерни технологии като блокчейн и агенти на изкуствения интелект утвърждават и засилват ролята на експертния опит. Блокчейн осигурява прозрачност и отчетност чрез неизменно записване на действията, докато системите на ИИ оценяват качеството и значимостта на приноса, като гарантират, че процесите на вземане на решения остават справедливи и основани на знанието. Заедно тези технологии позволяват на сапиентокрацията да функционира като стабилен, мащабируем и адаптивен модел на управление.

Чрез вграждането на сапиентокрацията в основите на адаптивната държава този подход се справя с ограниченията на традиционните системи за управление, като например податливостта на неинформирано вземане на решения, лобиране и несправедливо представителство. Той насърчава общество, в което участието и влиянието са съгласувани с мъдростта и експертните познания, като гарантира, че политиките са не само ефективни, но и основани на дълбоко разбиране на проблемите, които целят да решат.

Сапиентокрацията е нещо повече от теоретична концепция - това е практическа рамка за управление в свят, основан на знанието, където технологиите и човешкият опит съвместно оформят справедливо и устойчиво бъдеще.

 

---

 

Използване на технологиите за модерно управление

Блокчейн и ARDIAN Token: Революция в управлението и икономиката

Токенът ARDIAN, патентована криптовалута от трето ниво, изградена върху блокчейна Solana, представлява промяна на парадигмата в управлението и икономиката. Проектирана за мащабируемост и ефективност, инфраструктурата на Solana позволява на токена ARDIAN да обработва до 65 000 трансакции в секунда при минимални разходи, което го прави идеален за високочестотни управленски взаимодействия. Отвъд простото техническо превъзходство, токенът въплъщава принципите на прозрачност, децентрализация и стимулиране, които са от съществено значение за насърчаването на модерен, справедлив модел на управление.

Защо централното банкиране е остаряло и недемократично

Съществуващата система на централно банкиране, макар и исторически основополагаща за глобалната икономическа стабилност, все повече разкрива своите ограничения при посрещането на изискванията на бързо променящия се и взаимосвързан свят. Централните банки, контролирани от ограничен кръг лица, вземащи решения, имат непропорционална власт да влияят върху икономиките чрез паричната политика. Тази концентрация на власт често действа извън прекия контрол на демократичните институции, като създава присъщо разминаване между широките слоеве от населението и финансовите механизми, които управляват живота им.

Централните банки разчитат на фиатни валути, чиято стойност е свързана с доверието в централизирани институции, а не с вътрешни или децентрализирани механизми. Тези институции могат произволно да манипулират паричното предлагане, лихвените проценти и инфлацията, като често обслужват приоритетите на избрани групи или геополитически стратегии, а не по-широки обществени интереси. Липсата на прозрачност и ограничената отчетност допълнително изострят тези проблеми, като подкопават доверието в системата.

Освен това централните банкови системи не са достатъчно подготвени, за да се адаптират към темповете на технологичните и икономическите трансформации. Тяхната закостеняла рамка трудно включва нововъзникващи тенденции като цифрови валути, децентрализирани финанси и блокчейн технологии. Тъй като световните икономики се диверсифицират, а технологичните иновации променят облика на търговията и търгуването, централизираните парични политики рискуват да станат все по-откъснати от реалностите на децентрализирания свят, основан на цифровите технологии.

Адаптивна държава и криптобазирана икономика

Моделът на адаптивната държава се справя с недостатъците на централното банкиране, като възприема икономика, базирана на блокчейн, в основата на която е токенът ARDIAN. Тази икономика, базирана на токени, се отдалечава от централизирания контрол към децентрализирана, меритократична рамка, в която гражданите активно участват в икономическите и управленските процеси.

Техническо изпълнение

Токенът ARDIAN е нещо повече от цифрова валута - той е неразделна част от децентрализирана екосистема за управление. Чрез използването на интелигентни договори тя гарантира, че всички разпределения на токени и транзакции се управляват прозрачно и автоматично, като се елиминира възможността за манипулация. Смарт договорите кодират правила за проверка на експертизата, изчисляване на тежестта на гласовете и оценка на приноса, като гарантират справедлив и последователен процес.

Икономическо участие чрез механизми за печелене

В системата ARDIAN гражданите печелят токени, като допринасят с ценните си идеи и експертни познания за обсъждането на политики и процесите на вземане на решения. Приносът се оценява чрез сложна комбинация от партньорска проверка и валидиране с изкуствен интелект. Тази двупластова система гарантира, че качеството на приноса се оценява както с човешка преценка, така и с изчислителна ефективност. Като свързва икономическите възнаграждения със смисленото участие, системата насърчава непрекъснатото ангажиране и учене, насърчавайки добре информирани граждани.

Например специалист с опит в областта на възобновяемите енергийни източници може да допринесе за подробни анализи на предложените енергийни политики. Тези приноси се оценяват за техническа точност, практическа приложимост и съответствие с обществените цели. Въз основа на оценката участникът печели жетони, които отразяват стойността на неговия принос.

Динамична сила на гласа

Един от най-революционните аспекти на токена ARDIAN е неговата динамична система за гласуване. За разлика от традиционните демокрации, при които силата на гласа е статична и еднородна, системата ARDIAN коригира тежестта на гласа въз основа на демонстрирания опит в конкретни области. Това гарантира, че лицата със съответни знания имат по-голямо влияние върху решенията в рамките на техните области на компетентност. Например, участник, признат за своите прозрения в областта на здравната политика, би имал по-голяма сила на глас при решения, свързани със здравеопазването, докато влиянието му в несвързани области, като например икономическата политика, остава стандартно.

Тази специализация предотвратява изкривяването на критичните решения от неинформирано гласуване и обвързва правомощията за вземане на решения с доказаните знания. Освен това системата включва механизми за разпадане на неизползваните жетони, което гарантира, че влиянието е свързано с активното участие, а не с трупането на ресурси. Този подход елиминира риска от утвърдени властови структури, като насърчава непрекъснатия принос и ангажираност.

Съгласуване на стимулите и икономическо равенство

Токеномиката ARDIAN съгласува индивидуалните стимули с колективните цели. Като възнаграждава експертния опит и ангажираността, системата насърчава икономика, в която приносът към управлението се превръща директно в икономическо овластяване. Гражданите са мотивирани не само да участват в управлението, но и да задълбочават експертните си познания в области от лична и обществена значимост. Тази обратна връзка създава благоприятен цикъл на придобиване на знания, гражданска активност и справедливо влияние.

За разлика от системите на централното банкиране, при които натрупването на богатство често е отделено от приноса към обществото, моделът ARDIAN обвързва икономическите награди с осезаемо, меритократично участие. Тази децентрализация на икономическата власт намалява неравенството и насърчава по-справедливото разпределение на ресурсите.

Съвместното управление и ролята на блокчейн

Интегрирането на блокчейн технологията гарантира, че токенът ARDIAN функционира в рамките на прозрачна, децентрализирана екосистема. Всяка транзакция и разпределение се записват по неизменен начин, което позволява на гражданите да проверяват процесите независимо. Тази прозрачност изгражда доверие в системата и премахва непрозрачността, която е характерна за традиционните финансови системи.

Освен това рамката, базирана на блокчейн, повишава устойчивостта на икономиката, като намалява зависимостта от централизирани органи. В адаптивната държава икономическите политики се формират в сътрудничество, като блокчейн служи като основополагаща инфраструктура за управление на ресурсите, валидиране на приноса и изпълнение на решенията.

Към децентрализирано бъдеще

Като възприема икономика, базирана на крипто, адаптивната държава се справя с присъщите на централните банкови системи недостатъци. Тя прехвърля властта от централизираните органи към гражданите, което дава възможност за по-всеобхватен и отзивчив икономически модел. Токенът ARDIAN е пример за това как технологията може да трансформира управлението, насърчавайки общество, в което участието, експертизата и справедливостта определят икономическия пейзаж.

Този преход не е просто технологично усъвършенстване, а основно преосмисляне на икономическите и управленските системи. Той отразява ангажимента за децентрализация, прозрачност и адаптивност, като гарантира, че адаптивната държава може да посрещне предизвикателствата на съвременната епоха, като същевременно овластява своите граждани.

 

---

 

2. Интеграция на AI

Разширяване на ролята на изкуствения интелект в адаптивната държава и проектиране на комуникационна архитектура

Агентите с изкуствен интелект в адаптивната държава са от ключово значение за осигуряването на отзивчиво и ефективно управление, като използват двойната си роля на експерти в конкретната област и на всеобхватни координатори. Тези агенти колективно формират сложна мрежа, която насърчава сътрудничеството, анализира сложни данни и съгласува стратегиите с адаптивните цели на управлението.

Разширяване на ролите на агентите на ИИ в адаптивната държава

Експертни познания в конкретната област

Специализираните агенти с изкуствен интелект са пригодени за работа в различни сектори на управлението, като например екология, здравеопазване, образование, икономика и публична инфраструктура. Тези агенти са оборудвани със специфични за областта алгоритми и набори от данни, които им позволяват да:

1. Анализиране на сценарии: Оценяване на предложения за политики, моделиране на потенциални резултати и прогнозиране на дългосрочни въздействия.

2. Идентифициране на рисковете: Откриване на уязвимости в съществуващите системи и предвиждане на нововъзникващи заплахи.

3. Политически препоръки: Изготвяне на практически идеи и проекти на политики за лицата, вземащи решения, въз основа на строги симулации и анализ на данни.

Например агент с изкуствен интелект, фокусиран върху науката за околната среда, може да моделира ефектите от предложените разпоредби за въглеродните емисии върху емисиите и биоразнообразието, като отчита икономическите и социалните ограничения. Неговите препоръки ще бъдат подкрепени от обширни симулации на данни, което ще гарантира вземането на информирани решения.

Координация и мониторинг

Агентите Meta-AI служат като гръбнак на екосистемата за изкуствен интелект на Adaptive State. Тези агенти:

1. Надзор на операциите в рамките на цялата система: Наблюдавайте работата на агентите, специфични за отделните области, като гарантирате съответствие с общите цели на управлението.

2. Анализ на риска и ефикасността: Идентифициране на неефективността и открояване на тесните места в процесите на адаптивната система.

3. Динамично регулиране: Периодично преконфигуриране на операциите на специфичните за областта агенти, за да се съобразят с обратната връзка в реално време, новите обществени приоритети и адаптивните цели.

Агентите с мета-Интелигентен интелект анализират медийните тенденции, обществените дискусии и социалните настроения, за да гарантират, че управлението отговаря на обществените нужди. Например, като откриват нарастващата загриженост за достъпа до здравеопазване в обществените дискусии, тези агенти могат да подтикнат ИИ, фокусиран върху здравеопазването, да даде приоритет на решаването на тези проблеми.

 

---

 

Предложена архитектура за комуникационна шина между агенти с изкуствен интелект

Сложността на адаптивното състояние изисква надеждна, мащабируема и сигурна комуникационна рамка, която да позволява безпроблемно взаимодействие между агентите на ИИ, специфични за дадена област, и координаторите на мета-ИИ. По-долу е представена предложената архитектура за комуникационна шина, която да поддържа тази екосистема.

1. Преглед на комуникационната архитектура

Комуникационната шина служи като централна нервна система за всички агенти с изкуствен интелект в Адаптивното състояние. Тя улеснява:

· Комуникация между агентите: Обмен на данни и прозрения между агенти, специфични за дадена област.

· Координатор Комуникация: Предаване на директиви и синтезирана информация между агентите на мета-Института и агентите, специфични за областта.

· Интеграция на блокчейн: Сигурно записване на данни и валидиране на всички взаимодействия с помощта на блокчейн, за да се гарантира прозрачност и неизменност.

2. Основни компоненти на комуникационната шина

a. Слой за маршрутизиране на съобщения

Слоят за маршрутизиране на съобщения действа като посредник между агентите, като използва протоколи за маршрутизиране, базирани на теми или съдържание. Той гарантира, че:

· Специфичните за домейна агенти получават само съответните данни или заявки.

· Агентите с мета-Информационен интерфейс ефективно събират данни от множество агенти в областта за анализ на цялата система.

b. Слой за преобразуване на данни

Този слой стандартизира форматите на данни за всички агенти, което позволява безпроблемно взаимодействие между агенти, използващи различни алгоритми и набори от данни. Например данните на здравните агенти трябва да са оперативно съвместими с икономическите модели при анализа на въздействието на финансирането на общественото здраве.

c. Слой от данни, базиран на блокчейн

Блокчейнът служи като децентрализирана счетоводна книга за:

· Регистриране на всички комуникации между агентите за целите на одита.

· Осигуряване на неизменност на критичните решения и взаимодействия.

· Утвърждаване на приноса на всеки агент на ИИ, за да се гарантира отчетност.

d. Слой за обратна връзка и обучение

Този слой използва протоколи за усилено обучение за:

· Дайте възможност на агентите да се учат от обратната връзка и да усъвършенстват резултатите си с течение на времето.

· Улесняване на съвместното решаване на проблеми чрез споделяне на придобитите знания между агентите.

3. Поток на данни в комуникационната шина

1. Придобиване на входни данни: Данните от медиите, обществените дискусии, сензорите и други източници се приемат от шината.

2. Обработка на данни: Специфичните за домейна агенти анализират данните и споделят прозренията си с шината.

3. Координация: Агентите на мета-ИП синтезират информация, идентифицират тенденции и изпращат указания до агентите на домейна.

4. Контур на обратна връзка: Резултатите се валидират и необходимите корекции се връщат обратно в системата за непрекъснато обучение.

4. Сигурност и управление

Сигурността е от първостепенно значение в тази архитектура. Слоят на блокчейн не само осигурява сигурността на обмена на данни, но и управлява поведението на агентите, като:

· Осигуряване на съответствие с предварително определените протоколи.

· Откриване и смекчаване на злонамерени или погрешни действия от страна на недобросъвестни агенти.

5. Сценарий за приложение в реалния свят

Представете си сценарий за избухване на пандемия:

1. Медиите и здравните данни се приемат от шината.

2. Здравните агенти с изкуствен интелект моделират разпространението на болестта и препоръчват мерки за ограничаване.

3. Икономическите агенти анализират влиянието на блокирането върху бизнеса.

4. Агентите с метаиндустриален интерфейс синтезират тези данни, за да препоръчат балансирана политика, която свежда до минимум рисковете за здравето и икономическите щети.

5. Всички решения се записват в блокчейн, което гарантира прозрачност и обществено доверие.

 

---

 

Гъвкаво управление на проекти чрез Kanban (Jira) в адаптивното състояние

Адаптивната държава използва принципите на Agile за рационализиране на управлението, като осигурява прозрачност, адаптивност и ефективност при изготвянето и прилагането на политики. Сред гъвкавите рамки Kanban, прилаган чрез инструменти като Jira, се откроява като изключително визуален и динамичен подход. Като разделя сложните процеси на управляеми задачи, Kanban гарантира, че работните процеси в управлението остават прозрачни и отговарят на обществените нужди.

Прозрачността на Kanban позволява на заинтересованите страни да виждат всеки етап от създаването и изпълнението на политиката. От изготвянето на предложенията до анализа на обществената обратна връзка и изпълнението на решенията - всяка задача е визуално представена на споделена дъска. Тази откритост насърчава отчетността, като гарантира, че всяко действие е проследимо и съответства на обществените очаквания.

В адаптивното състояние приоритетите не са статични, а се коригират динамично въз основа на възникващите обществени нужди, наличността на ресурси и спешността. Политиките, изведени от референдумите на гражданите, се подреждат в последователност и се разглеждат итеративно, като се гарантира, че най-належащите проблеми се решават първо. Това динамично определяне на приоритетите позволява на управлението да остане плавно и фокусирано върху областите с най-голямо въздействие.

Планирането в адаптивното състояние е итеративно и рефлективно. Редовните ретроспективни сесии дават възможност да се оцени какво е работило, да се идентифицират слабите места и да се пренастроят стратегиите. Например, ако дадена политическа инициатива се забави поради ограничени ресурси, тези сесии могат да доведат до преразпределяне на ресурсите или до прецизиране на обхвата на работата. Този адаптивен подход гарантира, че процесите на управление винаги се развиват, за да отговарят на променящите се обществени приоритети.

 

---

 

Ролята на изкуствения интелект за подобряване на работните процеси на Kanban

Агентите с изкуствен интелект, интегрирани в адаптивното състояние, значително подобряват работните процеси на Kanban, като действат като проактивни наблюдатели и координатори. Тези агенти анализират работните процеси в реално време, като идентифицират неефективността, предвиждат потенциални закъснения и предлагат корекции за оптимизиране на процесите. Например, ако задачите постоянно закъсняват, агентите с изкуствен интелект могат да анализират разпределението на ресурсите и да препоръчат преразпределение на работното натоварване или коригиране на крайните срокове.

Способността на AI да променя динамично работните процеси е особено важна. Когато подсистема на ИИ открие системни проблеми, тя може самостоятелно да променя работните процеси или да предлага промени за одобрение. Например, ако обществената обратна връзка показва неудовлетвореност от определена политическа насока, ИИ може да промени приоритетите на свързаните задачи, за да отговори на тези опасения незабавно. По подобен начин, по време на извънредни ситуации, като например природни бедствия, агентите на ИИ могат да отменят съществуващите работни потоци, за да се съсредоточат върху незабавното управление на кризата, като разпределят ресурсите и определят съответните приоритети на задачите.

 

---

 

Интегриране на Kanban и AI в адаптивната държава

Интегрирането на работните процеси Kanban с рамка, управлявана от изкуствен интелект, създава мощна система за управление, която съчетава човешкия надзор с машинната прецизност. Данни от множество източници, включително публични данни, специфични за областта анализи и исторически резултати от работните процеси, се вливат в системата, за да информират решенията. Таблата Kanban визуално представят тази информация, като организират задачите в категории като "Неизпълнени", "В процес на изпълнение" и "Завършени". Тази визуализация гарантира, че всички заинтересовани страни - от създателите на политики до гражданите - могат да наблюдават напредъка и да разбират процесите на вземане на решения.

Агентите с изкуствен интелект непрекъснато взаимодействат с този работен процес. Анализирайки изпълнението на задачите и откривайки неефективност, те предлагат промени или ги прилагат директно, когато са оторизирани. Например, ако забавянията са причинени от припокриващи се отговорности или недостатъчен принос на заинтересованите страни, ИИ може да преразпредели задачите или да подкани към по-ранно включване на ключовите участници. Тези агенти също така прогнозират потенциални прекъсвания, което дава възможност за проактивни корекции, които свеждат до минимум въздействието върху общите цели на управлението.

За да се гарантира прозрачност и отчетност, всички промени в работния процес и решения се записват в блокчейн. Тази децентрализирана счетоводна книга записва всяка промяна, независимо дали е инициирана от хора или от изкуствен интелект, създавайки неизменна история на управленските дейности. Такива записи изграждат доверие и осигуряват ясна одитна следа за заинтересованите страни.

 

---

 

Адаптивният работен процес в действие

Да разгледаме сценарий, при който адаптивната държава се занимава с политиката за изменение на климата. Обществената загриженост за качеството на въздуха е сигнализирана, а агентите с изкуствен интелект, специфични за областта, предоставят прогнози за тенденциите в замърсяването. Задачите, свързани с изготвянето на политиката, консултациите с експерти и ангажирането на обществеността, се създават и визуализират на дъска Kanban. С напредването на тези задачи агентите на изкуствения интелект наблюдават състоянието им, като преразпределят ресурсите или предлагат алтернативни експерти, ако възникнат затруднения. Ако медийният анализ разкрие повишено обществено търсене на незабавни действия, подсистемата на ИИ динамично променя приоритетите на задачите, за да ускори мерките с висок приоритет. След прилагането на политиката, ретроспективният анализ подчертава успехите и идентифицира областите за подобрение, като връща тези прозрения обратно в системата за бъдещи итерации.

 

---

 

Интегриране на подсистемите: Изграждане на симбиотична екосистема

Инфраструктурата на Адаптивната държава е проектирана като тясно интегрирана и симбиотична екосистема, която обединява блокчейн технология, задвижвано от изкуствен интелект вземане на решения и гъвкави методологии за управление на проекти. Тази екосистема функционира като динамична и взаимосвързана рамка, в която всяка подсистема играе отделна, но допълваща се роля за постигане на ефективно, прозрачно и адаптивно управление.

Поставяне на цели: От предложенията на гражданите до стимулираното участие

В основата на адаптивната държава е процесът на определяне на целите, при който гражданите и експертите съвместно определят приоритетите на управлението. Това започва с предлагането на цели от отделни лица или групи въз основа на обществените потребности, възникващите предизвикателства или технологичните възможности. Тези предложения се оценяват чрез многостепенен процес на референдум, като се гарантира, че всяка предложена цел отразява колективната воля и експертния опит на общността.

Интегрирането на жетона ARDIAN като механизъм за стимулиране превръща процеса на определяне на целите в приобщаваща и участваща дейност. Гражданите печелят токени, като допринасят със значими идеи или експертни познания към дискусиите около предложените цели. Например учен в областта на околната среда може да предложи набор от цели, насочени към намаляване на въглеродните емисии, придружени от подробни данни и анализи. Техният принос не само ще повлияе на дневния ред на управлението, но и ще бъде възнаграден чрез токени ARDIAN, които отразяват стойността на техния принос.

Чрез игровизация на участието и съгласуване на индивидуалните стимули с колективните цели адаптивната държава насърчава активни и ангажирани граждани. Тази система гарантира, че приоритетите на управлението не се определят само от политиците, а се определят от информирано и меритократично участие.

 

---

 

Изпълнение на политиката: Осъществяване на целите чрез ИИ и гъвкави рамки

След като целите са установени и приоритизирани, следващата стъпка е изпълнението на политиката. Този процес съчетава изчислителната мощ на агентите с изкуствен интелект с организационната яснота на гъвкавите рамки, като например дъските Kanban.

Агентите с изкуствен интелект играят важна роля в превръщането на целите на високо ниво в изпълними задачи. Специфичните за областта агенти анализират предложените цели и ги разбиват на подробни планове, като отчитат фактори като ограничения на ресурсите, взаимозависимости и потенциални рискове. Например, ако целта е градът да премине към възобновяема енергия, агентите на ИИ могат да създадат задачи за предпроектни проучвания, модернизация на инфраструктурата и кампании за ангажиране на обществеността.

Тези задачи се визуализират и управляват с помощта на табла Kanban, които осигуряват ясно представяне на работните процеси. Всяка задача преминава през етапи, като например "Незавършено", "В процес на изпълнение" и "Завършено", което позволява на заинтересованите страни да наблюдават напредъка в реално време. Прозрачността на тази система осигурява отчетност на всяко ниво - от отделните сътрудници до всеобхватните органи за управление.

Агентите с изкуствен интелект действат и като координатори, които непрекъснато наблюдават процеса на изпълнение за неефективност или забавяне. Ако възникнат затруднения, като например недостиг на ресурси или непредвидени предизвикателства, агентите на ИИ могат динамично да преразпределят задачите, да променят приоритетите на целите или да предлагат алтернативни стратегии. Например, ако въвеждането на дадена политика се забави поради липса на обществена осведоменост, ИИ може да предложи ускоряване на медийните кампании или преразпределяне на ресурсите към усилията за обществено образование.

 

---

 

Непрекъсната обратна връзка: Адаптиране на стратегиите чрез данни в реално време

Адаптивната държава процъфтява благодарение на непрекъснатата обратна връзка, която гарантира, че управлението остава динамично и съобразено с реалностите на променящия се свят. Медийните анализи, мненията на гражданите и данните от реалния свят се вливат в системата, като създават цялостна обратна връзка, която информира и коригира стратегиите за управление.

Агентите с изкуствен интелект играят централна роля в обработката и интерпретирането на тази обратна връзка. Анализирайки обществените настроения, медийните тенденции и данните от различни сектори, тези агенти идентифицират възникващи проблеми, променящи се приоритети или потенциални кризи. Например, ако общественият дискурс разкрие широко разпространена загриженост относно достъпността на здравеопазването, системата на ИИ може да отбележи това като въпрос с висок приоритет и да препоръча преразпределяне на ресурсите за решаването му.

Инфраструктурата на блокчейн допълнително подобрява този процес на обратна връзка, като осигурява сигурен и прозрачен запис на всички входящи данни и действия на управлението. Гражданите могат да проследят как техният принос е отразен в процеса на вземане на решения, което повишава доверието и отчетността. Нещо повече, тази прозрачност гарантира, че циклите за обратна връзка не са манипулирани или пристрастни, като по този начин се запазва целостта на системата.

 

---

 

Симбиотичната екосистема в действие

Взаимодействието между тези подсистеми - определяне на цели, изпълнение на политики и непрекъсната обратна връзка - създава модел на управление, който е едновременно устойчив и адаптивен. Представете си сценарий, при който настъпва внезапен икономически спад. Гражданите и експертите предлагат цели за стабилизиране на икономиката, като например прилагане на програми за подпомагане на малкия бизнес или увеличаване на инвестициите в развитието на работната сила. Тези предложения се оценяват чрез референдум, като участниците се възнаграждават чрез токени ARDIAN.

Агентите с изкуствен интелект приемат тези цели и разработват подробен план за изпълнение, като ги разделят на изпълними задачи, управлявани чрез рамка Kanban. По време на изпълнението на политиките системата получава непрекъсната обратна връзка от медийните доклади, икономическите показатели и мненията на гражданите, за да оцени тяхната ефективност. Ако първоначалните политики не доведат до желаните резултати, подсистемата за изкуствен интелект препоръчва корекции, като например преразпределяне на ресурси или усъвършенстване на стратегиите.

Този повтарящ се процес е пример за способността на адаптивната държава да реагира на предизвикателствата в реално време, като същевременно поддържа прозрачност и всеобхватност. Той демонстрира как блокчейн, изкуственият интелект и гъвкавото управление работят в хармония, за да създадат модел на управление, способен да процъфтява в един постоянно променящ се свят.

 

---

 

Предимства и недостатъци на адаптивния модел на състоянието

Моделът "Адаптивна държава" представлява трансформиращ подход към управлението, който интегрира технологични иновации, меритократични принципи и гражданска ангажираност, за да се справи със сложността на съвременното общество. Въпреки че моделът предлага множество предимства, той също така е свързан с предизвикателства, които трябва да бъдат взети предвид, за да се гарантира неговата ефективност и всеобхватност.

 

---

 

Предимства на адаптивния модел на състоянието

1. Динамична отзивчивост

Способността на адаптивната държава да прави корекции в реално време е една от най-определящите й характеристики. Традиционните системи за управление често разчитат на закостенели структури, които затрудняват бързата реакция на обществените промени или кризи. Чрез включването на агенти с изкуствен интелект и непрекъснати цикли на обратна връзка адаптивната държава може да обработва данни от различни източници - като обществени настроения, икономически тенденции и екологични условия - и да адаптира стратегиите си по подходящ начин.

Например по време на природно бедствие системата може да анализира медийните съобщения, отзивите на гражданите и наличните ресурси, за да определи динамично приоритетите на усилията за оказване на помощ. Тази способност за реагиране гарантира, че управлението остава актуално и ефективно дори при бързо променящи се сценарии.

Недостатъкът обаче е рискът от прекомерно разчитане на данни в реално време, които понякога могат да отразяват по-скоро преходни тенденции, отколкото дългосрочни приоритети. Балансирането между незабавната реакция и стратегическото предвиждане е от решаващо значение за избягване на реактивното вземане на решения.

 

---

 

2. Меритократична ангажираност

В Адаптивната държава влиянието е свързано с експертни познания и значим принос, а не с произволно или еднотипно право на глас. Гражданите печелят ARDIAN токени, като демонстрират знания и допринасят с прозрения в конкретни области. Този подход гарантира, че изготвянето на политики се ръководи от информирани и квалифицирани лица, което намалява риска от неинформирани или популистки решения.

Меритократичната ангажираност също така насърчава непрекъснатото учене и специализацията на гражданите, тъй като тези, които се стремят към по-голямо влияние, са стимулирани да развиват експертни познания в области от лично или обществено значение. Например един учен в областта на околната среда може да има по-голямо право на глас в политиките, свързани с изменението на климата, като гарантира, че решенията се основават на съответните експертни познания.

Меритократичният модел обаче поражда опасения относно приобщаването. Той рискува да маргинализира отделни лица или групи, които нямат достъп до необходимите ресурси или образование, за да участват пълноценно. Преодоляването на тези неравенства изисква стабилни системи за демократизиране на достъпа до знания и гарантиране, че всички граждани имат възможност да допринасят.

 

---

 

3. Децентрализирано вземане на решения

Интегрирането на блокчейн технологията гарантира, че процесите на вземане на решения в адаптивната държава са децентрализирани, прозрачни и отговорни. Блокчейн записва всяка транзакция, политическо предложение и гласуване, създавайки неизменна счетоводна книга, до която гражданите имат достъп, за да проверят почтеността на управлението.

Децентрализацията намалява риска от корупция и консолидиране на властта, тъй като нито една организация или лице нямат едностранен контрол върху процесите на управление. Тя също така дава възможност на гражданите да участват пряко, като засилва чувството за съпричастност и доверието в системата.

Децентрализираният характер на блокчейн обаче може да доведе до предизвикателства по отношение на мащабируемостта и ефективността. Управлението на широкомащабни децентрализирани системи изисква значителни изчислителни ресурси и надеждна инфраструктура, което може да е трудно за изпълнение в условия на ограничени ресурси.

 

---

 

4. Стимулирано участие

Системата ARDIAN tokenomics съгласува личните и колективните интереси, като възнаграждава гражданите за техния принос към управлението. Това стимулиране насърчава активното участие, било то чрез предлагане на цели, участие в дискусии или гласуване на референдуми. Токен системата гарантира, че приносът е не само признат, но и икономически оценен, създавайки осезаема връзка между участието и личната полза.

Като възнаграждава смисленото участие, адаптивната държава намалява апатията и насърчава гражданите да играят активна роля във формирането на управлението. Например гражданин, който предоставя добре проучена обратна връзка за политика в областта на здравеопазването, може да спечели жетони, които могат да увеличат тежестта на гласа му при вземане на бъдещи решения, свързани със здравеопазването.

Рискът от стимулираното участие се крие в потенциалната манипулация. Отделни лица или групи могат да се опитат да играят със системата, за да трупат жетони, без да правят значим принос. Защитните мерки, като например надеждно валидиране на ИИ и механизми за периодично разпадане на токените, са от съществено значение за поддържане на целостта на системата.

 

---

 

5. Ефективно изпълнение

Гъвкавите методологии, като например Kanban, рационализират прилагането на политиките и процесите на управление в адаптивното състояние. Тези методологии осигуряват прозрачност, динамично приоритизират задачите и позволяват итеративно планиране. Агентите с изкуствен интелект допълнително повишават ефективността, като идентифицират тесните места, преразпределят ресурсите и предлагат подобрения в реално време.

Например една политика, насочена към безработицата, може да бъде разделена на изпълними задачи, като например създаване на програми за обучение за работа или стимулиране на предприятията да наемат служители на местно ниво. Таблата Kanban позволяват на заинтересованите страни да наблюдават напредъка, а агентите с изкуствен интелект гарантират, че задачите се изпълняват ефективно и че работните процеси се адаптират към възникващите предизвикателства.

Въпреки че методологиите Agile са изключително ефективни, те изискват култура на сътрудничество и адаптивност сред заинтересованите страни. Съпротивата срещу промяната или липсата на технически познания може да попречи на успешното прилагане на тези практики.

 

---

 

Недостатъци и предизвикателства на адаптивния модел на състоянието

Въпреки че адаптивната държава предлага значителни предимства, тя е свързана и с предизвикателства, които изискват внимателно разглеждане:

Сложност на интеграцията: Комбинирането на блокчейн, изкуствен интелект и гъвкаво управление изисква сложна инфраструктура и технически опит. Разработването и поддържането на такава система може да изисква много ресурси и да е недостъпно за по-малко технологично напредналите общества.

Цифрово разделение: Разчитането на цифрови инструменти и технологии крие риск от изключване на населението без достъп до интернет, цифрова грамотност или съвременни устройства. Преодоляването на това разделение е от съществено значение, за да се гарантира, че адаптивната държава ще остане приобщаваща.

Загриженост за поверителността: Събирането и анализирането на данни от граждани поражда опасения относно неприкосновеността на личния живот и сигурността на данните. Трябва да се въведат надеждни предпазни мерки за защита на чувствителната информация и предотвратяване на злоупотреби.

Потенциални предубеждения в ИИ: Макар и мощни, системите за ИИ не са защитени от предубеждения, които могат да възникнат от грешни алгоритми или предубедени данни за обучение. Осигуряването на справедливост и отчетност при вземането на решения от ИИ е критично предизвикателство.

Културна съпротива: Преходът към адаптивна държава може да срещне съпротива от страна на заинтересованите страни, свикнали с традиционните модели на управление. Преодоляването на тази съпротива изисква ефективна комуникация, обучение и ангажиране на заинтересованите страни.

 

---

 

Усъвършенстван математически модел на адаптивното състояние

Адаптивното състояние може да бъде формално определено като структура:

M' = ⟨S, L, C, I, Md, G, R, Ch, O, Res, A, B, K, T⟩

Къде:

1. S: Множеството от граждани в държавата

2. L: Законодателната власт, представляваща орган за вземане на решения, който отговаря за законите и политиките.

3. В: Съдебната власт, която следи за спазването на законите и разрешава спорове.

4. I: Изпълнителният орган, който отговаря за изпълнението на решенията и управлението на процесите на управление.

5. Md: Медиите, отделните журналисти, коментатори и обществени фигури, които улесняват информационния поток и обществения дискурс

6. G: набор от адаптивни цели на управлението, които се актуализират динамично чрез механизми за участие

7. R: Циклите за обратна връзка, които събират информация от гражданите, медиите и реалните условия, за да се усъвършенстват целите и стратегиите.

8. Ch: Верига от актуализации на целите на управлението, подредени по приоритет и многоизмерно въздействие

9. О: Съвкупността от външни фактори, които оказват влияние върху държавата (напр. геополитически събития, природни бедствия).

10. Res: Наборът от налични ресурси (напр. финансови активи, инфраструктура, физически ресурси)

11. О: Наборът от агенти на ИИ, включително:

1. A_d ⊂ A: агенти, специализирани в области като здравеопазване, икономика и екология.

2. A_m ⊂ A: Агенти с метаинформационен интерфейс, отговорни за координацията, наблюдението и стратегическите корекции

12. Б: Блокчейн инфраструктурата, която осигурява прозрачност, сигурност и неизменност на действията по управление и транзакциите с токени ARDIAN.

13. K: Наборът от Kanban работни потоци, представени като насочени графи, където възлите са задачи, а ребрата представляват зависимостите между тях.

14. T: Системата ARDIAN tokenomics, която включва:

1. T_e: Механизми за печелене на токени въз основа на приноса към управлението

2. T_w: Тежести на гласовете, получени от баланса на жетоните в конкретни области

3. T_d: Механизми за разпад, които гарантират активно участие

Взаимоотношения и взаимодействия

Поставяне на цели и обратна връзка

Процесът на поставяне на цели е представен с функцията:

P: S × G × R → Λ

Където Λ = list(G) е подреденият списък на целите на управлението, приоритизирани въз основа на обратната връзка и многоизмерното въздействие. Целите се предлагат от гражданите (S) и се усъвършенстват чрез повтарящи се данни от цикли за обратна връзка (R), които обобщават данни от медиите (Md) и външни фактори (O).

Принос на AI

Агентите с изкуствен интелект (A) взаимодействат с други компоненти чрез съпоставки:

1. Препоръка за политика: F_a: G × Res → K Специфични за домейна агенти на изкуствения интелект (A_d) генерират подробни работни процеси на задачите (K) въз основа на целите на управлението и наличните ресурси.

2. Оптимизиране на системата: F_m: K × R → K' Агенти с метаинтелигентен интелект (A_m) наблюдават работните процеси (K), като включват обратна връзка (R), за да оптимизират изпълнението на задачите и да отстранят неефективността.

Интеграция на блокчейн

Блокчейнът (B) осигурява цялостност и отчетност в цялата система. Всички действия по управление, транзакции с токени и препоръки на ИИ се регистрират чрез функцията:

L_b: (S ∪ A ∪ T) → B

Тази функция записва действията на гражданите, агентите на изкуствения интелект и дейностите, свързани с токени, като създава неизменна история, достъпна за одит.

Tokenomics

Системата от жетони ARDIAN (T) стимулира участието и експертизата:

1. Печелене на жетони: E: S → T_e Гражданите печелят жетони (T_e), като допринасят за управлението, а наградите се определят от качеството на техния принос.

2. Право на глас: W: T_e × A_d → T_w Токените, спечелени в конкретни области (A_d), увеличават тежестта на гласа (T_w), като осигуряват информирано вземане на решения.

3. Механизъм на разпадане: D: T_e → T_d Балансите на токените се разпадат с течение на времето (T_d), за да се насърчи непрекъснатото участие и да се предотврати натрупването на власт.

Работни процеси на Kanban

Работните потоци (K) се моделират като насочени ациклични графи (DAG), където:

· Възлите (k_i ∈ K) представляват задачи

· Ребрата (e_ij ∈ K) представляват зависимостите между задачите

Работните процеси се актуализират динамично от агенти на мета-Интелигентния интелект (A_m), като се осигурява съответствие с приоритетите и корекции в реално време.

Динамика на системата

1. Адаптация в реално време: Обратната връзка (R) непрекъснато актуализира целите (G) и работните процеси (K), като гарантира, че стратегиите за управление остават актуални и адаптивни.

2. Изпълнение на политики в сътрудничество: Агенти с изкуствен интелект (A), блокчейн (B) и граждани (S) работят в хармония, за да изпълняват процеси на управление, наблюдавани и оптимизирани от работните процеси на Канбан (K).

3. Прозрачност и доверие: Блокчейн (B) гарантира, че всички действия са прозрачни и проверими, а ARDIAN tokenomics (T) стимулира смисленото участие.

 

---

 

Заключение: Трансформиране на управлението чрез адаптивната държава

Адаптивната държава представлява трансформираща еволюция в управлението, която фундаментално преосмисля начина, по който обществата се справят със сложността, насърчават сътрудничеството и осигуряват приобщаване. Чрез интегрирането на блокчейн технологията, задвижваното от изкуствен интелект вземане на решения и гъвкавите методологии този модел предлага рамка за управление, която е не само мащабируема и ефективна, но и справедлива и адаптивна към предизвикателствата на съвременния свят.

В своята същност адаптивната държава преодолява много от вкоренените ограничения на традиционните системи за управление. Като възприема принципите на децентрализация, прозрачност и меритократично участие, тя създава структура, в която вземането на решения се основава на експертни познания, ръководи се от колективна интелигентност и се захранва от модерни технологии. Тази синергия между човешкото участие и технологичната прецизност гарантира, че управлението ще продължи да отговаря на променящите се обществени потребности.

Едно от най-значимите предимства на адаптивната държава е способността й да премахне отрицателните ефекти от лобирането, което е широко разпространен проблем дори в утвърдени демокрации като Швейцария. Въпреки че швейцарската пряка демокрация е широко възхвалявана заради механизмите си за участие, тя не е имунизирана срещу влиянието на лобизма и групите със специални интереси. Тези структури често оказват непропорционално влияние върху изготвянето на политики, като насочват решенията в полза на тесни програми, а не на по-широкото обществено благо.

Адаптивната държава фундаментално нарушава тази динамика, като използва блокчейн технологията и токена ARDIAN. Блокчейн гарантира, че всички приноси - от предложенията за политики до гласуванията - се записват прозрачно и са достъпни за обществеността. Тази неизменна счетоводна книга премахва непрозрачността, която позволява на лобистите да действат безконтролно, като гарантира, че всички действия са проследими и отговорни. Освен това меритократичният модел на ангажиране намалява влиянието на финансовото влияние, тъй като правото на глас е обвързано с доказан експертен опит и значим принос, а не с парични средства или връзки.

Въвеждането на токена ARDIAN допълнително овластява гражданите, като създава пряк стимул за участие и експертни познания. За разлика от традиционните системи, при които влиянието често е функция на богатството или достъпа, системата с токени гарантира, че влиянието се разпределя въз основа на заслуги и активен принос. Това съгласуване на личните и колективните интереси премахва транзакционния характер на лобирането, като го заменя със система, която цени информираното и справедливо вземане на решения.

Освен това задвижваното от изкуствен интелект управление в адаптивната държава допълнително намалява влиянието на лобирането, като действа като безпристрастен арбитър на информация и приоритети. Агентите на ИИ, снабдени с експертен опит в конкретна област, оценяват предложенията за политики и обществения принос въз основа на данни и доказателства, а не на политически или финансов натиск. Тази обективност гарантира, че управленските решения се ръководят от това, което е най-добро за обществото като цяло, а не от интересите на малцина избрани.

Итеративният характер на гъвкавите методологии също играе решаваща роля за засилване на отговорността и адаптивността. Като разделя политиките на управляеми задачи и непрекъснато оценява напредъка им чрез ретроспективи, системата гарантира, че управлението остава фокусирано върху постигането на осезаеми резултати. Този процес предотвратява стагнацията и гарантира, че приоритетите на гражданите са последователно отразени в изпълнението на политиките.

В обобщение, адаптивната държава не само се справя с недостатъците на традиционното управление, но и подобрява съществуващите модели като пряката демокрация в Швейцария, като премахва корумпиращото влияние на лобизма и финансовите интереси. Тя насърчава общество, в което технологиите и човешкото сътрудничество работят в хармония, създавайки система, която е прозрачна, справедлива и способна да се развива заедно с нуждите на своите граждани.

Визията на адаптивната държава не се отнася само до управлението, а и до овластяването на гражданите да участват активно във формирането на своето бъдеще. Чрез премахване на пречките пред участието, насърчаване на вземането на информирани решения и осигуряване на прозрачност на всяко ниво този модел полага основите на един по-справедлив и устойчив свят. Тъй като обществата продължават да се сблъскват с безпрецедентни предизвикателства, Адаптивната държава е пример за това какво е възможно, когато иновациите, приобщаването и отчетността са поставени в основата на управлението.

Препратки

Chaffer, T. J., & von Goins, C. (2024). Децентрализирано управление на агенти с изкуствен интелект. ResearchGate. Взето от https://www.researchgate.net/publication/387350593

Nafiu, A., Balogun, S. O., & Oko-Odion, C. (2025). Стратегии за управление на риска: Навигация на волатилността в сложна среда на финансовите пазари. ResearchGate. Взето от https://www.researchgate.net/publication/387824128

Liu, N. M. (2024). e-Governance в управлението на проекти: Трансформиране на процеса на вземане на решения и справяне с рисковете при изпълнението. CVUT. Взето от https://bit.fsv.cvut.cz/issues/02-24/full_02-24_01.pdf

Kalluri, K. (2025). Blockchain augment AI: Securing decision pipelines decentralized in systems (Блокчейн разширява ИИ: осигуряване на децентрализирани в системите конвейери за вземане на решения). ResearchGate (Изследователски портал). Взето от https://www.researchgate.net/publication/388117247

Kumar, W., & Jack, W. (2024). Укрепено възстановяване след бедствие: Изграждане на устойчиви IoT системи с адаптивна сигурност за справяне с уязвимостите и поддържане на непрекъснатостта на бизнеса. ResearchGate (Изследователски портал). Взето от https://www.researchgate.net/publication/387502258

Tuncel, Y. K., & Öztoprak, K. (2025). SAFE-CAST: Сигурно AI-федерирано изброяване за клъстерно базирано автоматизирано наблюдение и доверие в комуникацията между машини. PeerJ Computer Science (Компютърни науки). Взето от https://peerj.com/articles/cs-2551.pdf

Singh, Y., & Singh, H. (2025). Сигурно разпространение на данни от IoT с блокчейн и техники за трансферно обучение. Nature (Природата). Взето от https://www.nature.com/articles/s41598-024-84837-8.pdf

Holloway, S. (2025). Адаптиране към прекъсвания: Ролята на нововъзникващите технологии за гъвкавостта на веригата за доставки. Препринти. Взето от https://www.preprints.org/frontend/manuscript/d7657f4d5622f6b162a957c4a797be09/download_pub

The Adaptive State: Integrating Blockchain, AI, and Agile Governance Methodologies

George Pashev¹ (Jidai Mirai), Rayna Koleva²

georgepashev@uni-plovdiv.bg¹, https://bit.ly/gpashev¹

University of Plovdiv “Paisii Hilendarski”

Abstract

The evolving complexities of modern governance demand innovative systems that combine technological advancements with adaptive methodologies. Building on the concept of the Adaptive State, this article explores a governance model that integrates blockchain (via the ARDIAN token), AI-driven decision-making, and Agile methodologies (such as Kanban in Jira). This framework aims to create a responsive, equitable, and dynamic governance system by addressing systemic challenges and harnessing decentralized, meritocratic, and expertise-driven principles.

Keywords: Adaptive Governance, Blockchain Technology, Artificial Intelligence, Decentralized Systems, Sapientocracy

Introduction

Background and Theoretical Foundations

The convergence of blockchain technology, artificial intelligence (AI), and adaptive governance is redefining modern systems of decision-making and societal organization. Recent works, such as Chaffer and von Goins' (2024) analysis of decentralized AI governance, and Nafiu et al.'s (2025) research on blockchain-based risk management in financial markets, illustrate the transformative potential of these technologies to enhance transparency, efficiency, and inclusivity. Liu's (2024) study on e-governance in project management and Kalluri’s (2025) insights into modular blockchain-AI systems further highlight the adaptability of these approaches in addressing complex societal needs.

The strengths of these systems are evident in their ability to mitigate traditional governance inefficiencies. Blockchain offers unparalleled transparency by immutably recording decisions and transactions, ensuring accountability (Chaffer & von Goins, 2024). AI enhances decision-making by dynamically analyzing risks and optimizing workflows, as demonstrated by Kumar and Jack’s (2024) research on resilient disaster recovery systems. Furthermore, the combination of AI and blockchain facilitates robust trust mechanisms, such as the federated trust frameworks explored by Tuncel and Öztoprak (2025).

Despite their promise, these innovations are accompanied by challenges. The integration of blockchain and AI demands significant computational resources, raising concerns about scalability, energy consumption, and data privacy (Singh & Singh, 2025). Technical complexities and implementation hurdles, highlighted in Holloway's (2025) study on adaptive supply chains, further underscore these difficulties. Additionally, uneven access to advanced technologies risks exacerbating digital divides, while algorithmic bias and over-reliance on automation pose ethical and practical concerns.

Nevertheless, the synergy of blockchain and AI, underpinned by adaptive governance principles, holds immense potential to revolutionize governance systems. By addressing inefficiencies, fostering inclusivity, and promoting resilience, these technologies provide a foundation for equitable and responsive decision-making. This paper builds upon prior research, exploring how blockchain, AI, and adaptive methodologies can integrate into a cohesive framework for a more sustainable and effective governance model.

Modern governance systems, influenced by traditional models, often fail to adapt efficiently to societal complexities and global interconnectedness. The Adaptive State model reimagines governance as a responsive and dynamic system. Its structure, inspired by Swiss direct democracy, combines elements of game theory, adaptive systems theory, and positive-sum games. Unlike static governance, the Adaptive State evolves continuously, with goals and strategies dynamically recalibrated based on real-time feedback and expert input.

Key components of this model include:

· Governance Structure: Citizens (S), legislature (L), judiciary (C), executive (I), and media (Md).

· Feedback and Adaptation: Goals (G) are updated via feedback loops (R), ensuring resilience against societal and environmental changes.

· Merit-Based Participation: Expertise and measurable contributions redefine democratic engagement, moving beyond a one-person-one-vote paradigm.

Modern governance systems, deeply rooted in traditional frameworks, often struggle to address the dynamic and multifaceted challenges posed by societal complexities and the global interconnectedness of the modern world. These systems, while effective in certain contexts, frequently lack the flexibility and responsiveness required to adapt to rapid changes in social, economic, and environmental landscapes. The concept of the Adaptive State seeks to transform this static approach to governance by introducing a model that is inherently dynamic, responsive, and participatory. Unlike traditional governance structures, which operate within fixed frameworks, the Adaptive State is designed to evolve continuously, recalibrating its strategies and goals in response to real-time feedback and expert insights.

Drawing inspiration from the principles of Swiss direct democracy, the Adaptive State integrates elements of game theory, adaptive systems theory, and the concept of positive-sum games. This fusion creates a governance model where collaboration among stakeholders generates outcomes that benefit all participants, rather than perpetuating zero-sum conflicts. The model envisions governance not as a rigid hierarchy but as an interconnected system capable of self-regulation and innovation. This adaptive nature allows it to respond effectively to emerging challenges while maintaining democratic legitimacy and fostering inclusivity.

At the heart of the Adaptive State lies a well-defined governance structure that encompasses multiple interconnected components. Citizens serve as the foundation of this system, actively participating in decision-making processes and contributing their expertise to drive informed policies. The legislature provides a forum for deliberation and lawmaking, while the judiciary ensures that actions align with the rule of law. The executive branch implements policies efficiently, guided by clear objectives and accountability mechanisms. Media and public figures play a crucial role in facilitating transparent communication, fostering public discourse, and ensuring that citizens remain informed and engaged.

One of the distinguishing features of the Adaptive State is its ability to incorporate continuous feedback and adaptation. Goals and strategies within this system are not static but are subject to regular review and adjustment through established feedback loops. These mechanisms allow the governance structure to assess the effectiveness of its actions, identify emerging challenges, and recalibrate its priorities. By embedding resilience and adaptability into its core, the Adaptive State is better equipped to navigate the complexities of modern governance, ensuring its relevance and efficacy over time.

Perhaps the most transformative aspect of the Adaptive State is its emphasis on merit-based participation. Unlike conventional democratic models that operate on a one-person-one-vote principle, the Adaptive State values expertise and measurable contributions. This approach elevates the role of informed decision-making by granting greater influence to individuals who have demonstrated a deep understanding of specific domains. Participation in governance is not merely a right but a responsibility, where individuals are encouraged to contribute meaningfully and are rewarded for their expertise and dedication. This meritocratic principle ensures that governance decisions are informed by knowledge and experience, promoting better outcomes for society as a whole.

In this evolving paradigm, the Adaptive State redefines governance as a collective, dynamic endeavor. By leveraging the principles of collaboration, adaptability, and expertise, it provides a framework capable of addressing the intricate demands of the modern era while fostering inclusivity and innovation. The Adaptive State stands as a visionary model for the future, where governance evolves in harmony with the needs and aspirations of society.

Introducing Sapientocracy: The Core of Adaptive Governance

As modern governance systems evolve, there is a growing recognition that traditional decision-making structures, including those based on conventional meritocracy, often fall short in addressing the complexities of contemporary society. The Adaptive State introduces sapientocracy, a novel governance paradigm where influence, decision-making power, and participation are rooted in demonstrated knowledge, domain-specific expertise, and wisdom.

Sapientocracy represents a shift from general merit-based governance to a knowledge-centric approach. Unlike meritocracy, which broadly rewards contributions and achievements across various domains, sapientocracy emphasizes the role of informed decision-making. In this model, expertise in specific fields—such as environmental science, healthcare, or economics—grants individuals greater weight in shaping policies within those areas. This ensures that governance is driven by wisdom, data, and evidence rather than uninformed opinion or populist tendencies.

The term sapientocracy is particularly relevant in the context of the Adaptive State, where advanced technologies such as blockchain and AI agents validate and amplify the role of expertise. Blockchain ensures transparency and accountability by immutably recording actions, while AI systems assess the quality and relevance of contributions, ensuring that decision-making processes remain equitable and knowledge-driven. Together, these technologies enable sapientocracy to function as a robust, scalable, and adaptive model of governance.

By embedding sapientocracy into the foundation of the Adaptive State, this approach addresses the limitations of traditional governance systems, such as susceptibility to uninformed decision-making, lobbying, and inequitable representation. It fosters a society where participation and influence are aligned with wisdom and expertise, ensuring that policies are not only effective but also grounded in a deep understanding of the issues they aim to address.

Sapientocracy is more than a theoretical concept—it is a practical framework for governance in a knowledge-driven world, where technology and human expertise collaboratively shape a just and sustainable future.

Leveraging Technology for Modern Governance

Blockchain and ARDIAN Token: A Revolution in Governance and Economics

The ARDIAN token, a proprietary Layer 3 cryptocurrency built on the Solana blockchain, represents a paradigm shift in governance and economics. Designed for scalability and efficiency, Solana's infrastructure enables the ARDIAN token to process up to 65,000 transactions per second at minimal cost, making it ideal for high-frequency governance interactions. Beyond mere technical superiority, the token embodies the principles of transparency, decentralization, and incentivization, which are essential for fostering a modern, equitable governance model.

Why Central Banking is Obsolete and Undemocratic

The existing system of central banking, while historically foundational to global economic stability, increasingly reveals its limitations in addressing the demands of a rapidly changing and interconnected world. Central banks, controlled by a limited cadre of decision-makers, have disproportionate power to influence economies through monetary policy. This concentration of authority often operates outside the direct control of democratic institutions, creating an inherent disconnect between the broader populace and the financial mechanisms that govern their lives.

Central banks rely on fiat currencies, whose value is tied to trust in centralized institutions rather than intrinsic or decentralized mechanisms. These institutions can arbitrarily manipulate money supply, interest rates, and inflation, often serving the priorities of select groups or geopolitical strategies over broader societal interests. The lack of transparency and limited accountability further exacerbate these issues, undermining trust in the system.

Moreover, central banking systems are ill-equipped to adapt to the pace of technological and economic transformation. Their rigid frameworks struggle to incorporate emerging trends such as digital currencies, decentralized finance, and blockchain technologies. As global economies diversify and technological innovations reshape commerce and trade, centralized monetary policies risk becoming increasingly detached from the realities of a decentralized, digital-first world.

Adaptive State and Crypto-Based Economics

The Adaptive State model addresses the shortcomings of central banking by embracing blockchain-based economics, with the ARDIAN token at its core. This token-based economy moves away from centralized control toward a decentralized, meritocratic framework where citizens actively participate in economic and governance processes.

Technical Implementation

The ARDIAN token is more than just a digital currency; it is an integral component of a decentralized governance ecosystem. By leveraging smart contracts, it ensures that all token allocations and transactions are governed transparently and automatically, eliminating the potential for manipulation. Smart contracts encode rules for expertise verification, vote weight calculations, and contribution evaluation, guaranteeing a fair and consistent process.

Economic Participation through Earning Mechanisms

In the ARDIAN system, citizens earn tokens by contributing valuable insights and expertise to policy discussions and decision-making processes. Contributions are assessed using a sophisticated combination of peer review and AI validation. This dual-layered system ensures that input quality is evaluated with both human judgment and computational efficiency. By linking economic rewards to meaningful participation, the system encourages continuous engagement and learning, fostering a well-informed citizenry.

For example, a professional with expertise in renewable energy can contribute detailed analyses of proposed energy policies. These contributions are assessed for technical accuracy, practical applicability, and alignment with societal goals. Based on the evaluation, the contributor earns tokens that reflect the value of their input.

Dynamic Voting Power

One of the most revolutionary aspects of the ARDIAN token is its dynamic voting system. Unlike traditional democracies where voting power is static and uniform, the ARDIAN system adjusts voting weight based on demonstrated expertise in specific domains. This ensures that individuals with relevant knowledge have a greater influence on decisions within their areas of expertise. For instance, a contributor recognized for their insights into healthcare policy would have increased voting power in healthcare-related decisions, while their influence in unrelated fields, such as economic policy, remains standard.

This specialization prevents uninformed voting from skewing critical decisions and aligns decision-making power with demonstrated knowledge. The system further incorporates decay mechanisms for unused tokens, ensuring that influence is tied to active participation rather than hoarded resources. This approach eliminates the risk of entrenched power structures, encouraging continual contribution and engagement.

Incentive Alignment and Economic Equity

The ARDIAN tokenomics align individual incentives with collective goals. By rewarding expertise and engagement, the system promotes an economy where contributions to governance translate directly into economic empowerment. Citizens are motivated not only to participate in governance but also to deepen their expertise in areas of personal and societal importance. This feedback loop creates a virtuous cycle of knowledge acquisition, civic engagement, and equitable influence.

In contrast to central banking systems, where wealth accumulation is often detached from societal contributions, the ARDIAN model ties economic rewards to tangible, meritocratic participation. This decentralization of economic power reduces inequality and fosters a more equitable distribution of resources.

Collaborative Governance and the Role of Blockchain

The integration of blockchain technology ensures that the ARDIAN token operates within a transparent, decentralized ecosystem. Every transaction and allocation is recorded immutably, allowing citizens to verify processes independently. This transparency builds trust in the system and eliminates the opacity that characterizes traditional financial systems.

Furthermore, the blockchain-based framework enhances the resilience of the economy by reducing reliance on centralized authorities. In an Adaptive State, economic policies are shaped collaboratively, with blockchain serving as the foundational infrastructure for managing resources, validating contributions, and executing decisions.

Toward a Decentralized Future

By adopting crypto-based economics, the Adaptive State addresses the inherent flaws of central banking systems. It shifts power from centralized authorities to citizens, enabling a more inclusive and responsive economic model. The ARDIAN token exemplifies how technology can transform governance, fostering a society where participation, expertise, and fairness define the economic landscape.

This transition is not merely a technological upgrade but a fundamental reimagining of economic and governance systems. It reflects a commitment to decentralization, transparency, and adaptability, ensuring that the Adaptive State can meet the challenges of the modern era while empowering its citizens.

2. AI Integration

Expanding the Role of AI in the Adaptive State and Designing a Communication Architecture

AI agents in the Adaptive State are pivotal to ensuring responsive and effective governance by leveraging their dual roles as domain-specific experts and overarching coordinators. These agents collectively form an intricate network that fosters collaboration, analyzes complex data, and aligns strategies with the adaptive goals of governance.

Expanding the Roles of AI Agents in the Adaptive State

Domain-Specific Expertise

Specialized AI agents are tailored to address distinct sectors of governance, such as environmental science, healthcare, education, economics, and public infrastructure. These agents are equipped with domain-specific algorithms and datasets that allow them to:

1. Analyze Scenarios: Evaluate policy proposals, model potential outcomes, and predict long-term impacts.

2. Identify Risks: Detect vulnerabilities in existing systems and anticipate emerging threats.

3. Policy Recommendations: Generate actionable insights and policy drafts for decision-makers based on rigorous simulations and data analysis.

For instance, an AI agent focused on environmental science might model the effects of proposed carbon regulations on emissions and biodiversity while factoring in economic and social constraints. Its recommendations would be backed by extensive data simulations, ensuring informed decision-making.

Coordination and Monitoring

Meta-AI agents serve as the backbone of the Adaptive State's AI ecosystem. These agents:

1. System-Wide Operations Oversight: Monitor the performance of domain-specific agents, ensuring alignment with overarching governance goals.

2. Risk and Efficiency Analysis: Identify inefficiencies and highlight bottlenecks in the adaptive system's processes.

3. Dynamic Adjustment: Periodically reconfigure the operations of domain-specific agents to align with real-time feedback, emerging societal priorities, and adaptive goals.

Meta-AI agents analyze media trends, public discourse, and social sentiment to ensure governance remains responsive to societal needs. For example, by detecting rising concerns over healthcare access in public discourse, these agents can prompt healthcare-focused AI to prioritize addressing such issues.

Proposed Architecture for a Communication Bus Between AI Agents

The complexity of the Adaptive State necessitates a robust, scalable, and secure communication framework to enable seamless interaction between domain-specific AI agents and meta-AI coordinators. Below is a proposed architecture for a communication bus to support this ecosystem.

1. Communication Architecture Overview

The communication bus serves as the central nervous system for all AI agents in the Adaptive State. It facilitates:

· Inter-Agent Communication: Exchange of data and insights between domain-specific agents.

· Coordinator Communication: Transmission of directives and synthesized information between meta-AI agents and domain-specific agents.

· Blockchain Integration: Secure data logging and validation of all interactions using a blockchain layer to ensure transparency and immutability.

2. Core Components of the Communication Bus

a. Message Routing Layer

The message routing layer acts as a mediator between agents, using topic-based or content-based routing protocols. It ensures that:

· Domain-specific agents receive only relevant data or queries.

· Meta-AI agents efficiently collect data from multiple domain agents for system-wide analysis.

b. Data Transformation Layer

This layer standardizes data formats across agents, enabling seamless interaction between agents using diverse algorithms and datasets. For instance, healthcare agents' data must be interoperable with economic models when analyzing public health funding impacts.

c. Blockchain-Based Data Layer

A blockchain serves as a decentralized ledger to:

· Log all communications between agents for auditability.

· Ensure immutability of critical decisions and interactions.

· Validate contributions from each AI agent to ensure accountability.

d. Feedback and Learning Layer

This layer uses reinforcement learning protocols to:

· Enable agents to learn from feedback and refine their outputs over time.

· Facilitate collaborative problem-solving by sharing learned insights among agents.

3. Data Flow in the Communication Bus

1. Input Acquisition: Data from media, public discourse, sensors, and other sources are ingested by the bus.

2. Data Processing: Domain-specific agents analyze the data and share insights with the bus.

3. Coordination: Meta-AI agents synthesize information, identify trends, and send directives back to domain agents.

4. Feedback Loop: Outputs are validated, and necessary adjustments are fed back into the system for continuous learning.

4. Security and Governance

Security is paramount in this architecture. The blockchain layer not only secures data exchanges but also governs agent behavior by:

· Ensuring compliance with predefined protocols.

· Detecting and mitigating malicious or erroneous actions by rogue agents.

5. Real-World Application Scenario

Imagine a pandemic outbreak scenario:

1. Media and healthcare data are ingested by the bus.

2. Healthcare AI agents model the spread of the disease and recommend containment measures.

3. Economic agents analyze the impact of lockdowns on businesses.

4. Meta-AI agents synthesize these inputs to recommend a balanced policy that minimizes both health risks and economic damage.

5. All decisions are recorded on the blockchain, ensuring transparency and public trust.

Agile Project Management via Kanban (Jira) in the Adaptive State

The Adaptive State employs Agile principles to streamline governance, enabling transparency, adaptability, and efficiency in policy-making and implementation. Among Agile frameworks, Kanban, implemented through tools like Jira, stands out as a highly visual and dynamic approach. By breaking down complex processes into manageable tasks, Kanban ensures that governance workflows remain transparent and responsive to societal needs.

Kanban’s transparency allows stakeholders to see every stage of policy creation and execution. From drafting proposals to analyzing public feedback and implementing decisions, each task is visually represented on a shared board. This openness fosters accountability, ensuring that every action is traceable and aligned with public expectations.

In the Adaptive State, priorities are not static but dynamically adjusted based on emerging societal needs, resource availability, and urgency. Policies derived from citizen referendums are sequenced and addressed iteratively, ensuring that the most pressing issues are tackled first. This dynamic prioritization allows governance to remain fluid and focused on the most impactful areas.

Planning in the Adaptive State is iterative and reflective. Regular retrospective sessions provide opportunities to assess what worked, identify bottlenecks, and recalibrate strategies. For instance, if a policy initiative is delayed due to resource constraints, these sessions might lead to reallocating resources or refining the scope of work. This adaptive approach ensures that governance processes are always evolving to meet changing societal priorities.

The Role of AI in Enhancing Kanban Workflows

AI agents integrated into the Adaptive State significantly enhance Kanban workflows by acting as proactive monitors and coordinators. These agents analyze workflows in real-time, identifying inefficiencies, predicting potential delays, and suggesting adjustments to optimize processes. For example, if tasks are consistently delayed, AI agents can analyze resource allocation and recommend redistributing workload or adjusting deadlines.

AI’s ability to alter workflows dynamically is particularly impactful. When an AI subsystem detects systemic issues, it can modify workflows autonomously or propose changes for approval. For instance, if public feedback indicates dissatisfaction with a particular policy direction, AI can reprioritize related tasks to address these concerns promptly. Similarly, during emergencies like natural disasters, AI agents can override existing workflows to focus on immediate crisis management, allocating resources and prioritizing tasks accordingly.

Integrating Kanban and AI in the Adaptive State

The integration of Kanban workflows with an AI-driven framework creates a powerful governance system that combines human oversight with machine precision. Data from multiple sources, including public input, domain-specific analyses, and historical workflow performance, flows into the system to inform decisions. Kanban boards visually represent this information, organizing tasks into categories such as "Backlog," "In Progress," and "Completed." This visualization ensures that all stakeholders, from policymakers to citizens, can monitor progress and understand decision-making processes.

AI agents continuously interact with this workflow. By analyzing task performance and detecting inefficiencies, they suggest changes or implement them directly when authorized. For example, if delays are caused by overlapping responsibilities or insufficient stakeholder input, AI can reassign tasks or prompt earlier involvement of key contributors. These agents also forecast potential disruptions, enabling proactive adjustments that minimize the impact on overall governance goals.

To ensure transparency and accountability, all workflow changes and decisions are logged on a blockchain. This decentralized ledger records every alteration, whether initiated by humans or AI, creating an immutable history of governance activities. Such records build trust and provide a clear audit trail for stakeholders.

The Adaptive Workflow in Action

Consider a scenario where the Adaptive State is addressing climate change policy. Public concerns about air quality are flagged, and domain-specific AI agents provide projections on pollution trends. Tasks related to policy drafting, expert consultation, and public engagement are created and visualized on a Kanban board. As these tasks progress, AI agents monitor their status, reallocating resources or suggesting alternative experts if bottlenecks arise. If media analysis reveals increased public demand for immediate action, the AI subsystem dynamically reprioritizes tasks to accelerate high-priority measures. After the policy is implemented, retrospective analysis highlights successes and identifies areas for improvement, feeding these insights back into the system for future iterations.

Integrating the Subsystems: Building a Symbiotic Ecosystem

The infrastructure of the Adaptive State is designed as a tightly integrated and symbiotic ecosystem that merges blockchain technology, AI-driven decision-making, and Agile project management methodologies. This ecosystem operates as a dynamic and interconnected framework where each subsystem plays a distinct yet complementary role in achieving efficient, transparent, and adaptive governance.

Goal Setting: From Citizen Proposals to Incentivized Participation

At the heart of the Adaptive State is the process of goal setting, where citizens and experts collaboratively define the priorities of governance. This begins with individuals or groups proposing goals based on societal needs, emerging challenges, or technological opportunities. These proposals are evaluated through a multi-stage referendum process, ensuring that every proposed goal reflects the collective will and expertise of the community.

The integration of the ARDIAN token as an incentive mechanism transforms the goal-setting process into an inclusive and participatory activity. Citizens earn tokens by contributing meaningful insights or expertise to the discussions around proposed goals. For example, an environmental scientist might propose a set of goals focused on reducing carbon emissions, complete with detailed data and analysis. Their input would not only influence the governance agenda but also be rewarded through ARDIAN tokens, which reflect the value of their contribution.

By gamifying participation and aligning individual incentives with collective goals, the Adaptive State fosters an active and engaged citizenry. This system ensures that governance priorities are not just set by policymakers but are driven by informed, meritocratic participation.

Policy Execution: Operationalizing Goals Through AI and Agile Frameworks

Once goals are established and prioritized, the next step is policy execution. This process combines the computational power of AI agents with the organizational clarity of Agile frameworks, such as Kanban boards.

AI agents play a critical role in translating high-level goals into actionable tasks. Domain-specific agents analyze the proposed goals and break them down into detailed plans, accounting for factors such as resource constraints, interdependencies, and potential risks. For example, if the goal is to transition a city to renewable energy, AI agents might create tasks for feasibility studies, infrastructure upgrades, and public engagement campaigns.

These tasks are visualized and managed using Kanban boards, which provide a clear representation of workflows. Each task progresses through stages such as "Backlog," "In Progress," and "Completed," allowing stakeholders to monitor progress in real-time. The transparency of this system ensures accountability at every level, from individual contributors to overarching governance bodies.

AI agents also act as coordinators, continuously monitoring the execution process for inefficiencies or delays. If bottlenecks arise, such as a shortage of resources or unforeseen challenges, AI agents can dynamically reallocate tasks, reprioritize goals, or propose alternative strategies. For instance, if a policy rollout is delayed due to a lack of public awareness, AI might suggest accelerating media campaigns or reallocating resources to public education efforts.

Continuous Feedback: Adapting Strategies Through Real-Time Data

The Adaptive State thrives on continuous feedback, which ensures that governance remains dynamic and aligned with the realities of a changing world. Media analysis, citizen input, and real-world data flow into the system, creating a comprehensive feedback loop that informs and adjusts governance strategies.

AI agents play a central role in processing and interpreting this feedback. By analyzing public sentiment, media trends, and data from various sectors, these agents identify emerging issues, shifting priorities, or potential crises. For example, if public discourse reveals widespread concern about healthcare accessibility, the AI system can flag this as a high-priority issue and recommend reallocating resources to address it.

The blockchain infrastructure further enhances this feedback process by providing a secure and transparent record of all data inputs and governance actions. Citizens can trace how their input is reflected in decision-making, building trust and accountability. Furthermore, this transparency ensures that feedback loops are free from manipulation or bias, maintaining the integrity of the system.

The Symbiotic Ecosystem in Action

The interplay between these subsystems—goal setting, policy execution, and continuous feedback—creates a governance model that is both resilient and adaptive. Imagine a scenario where a sudden economic downturn occurs. Citizens and experts propose goals to stabilize the economy, such as implementing support programs for small businesses or increasing investments in workforce development. These proposals are evaluated through a referendum, with participants rewarded via ARDIAN tokens.

AI agents take these goals and develop a detailed execution plan, breaking them into actionable tasks managed through a Kanban framework. As the policies are implemented, continuous feedback from media reports, economic indicators, and citizen input allows the system to assess their effectiveness. If the initial policies fail to yield desired outcomes, the AI subsystem recommends adjustments, such as reallocating resources or refining strategies.

This iterative process exemplifies the Adaptive State’s ability to respond to real-time challenges while maintaining transparency and inclusivity. It demonstrates how blockchain, AI, and Agile management work in harmony to create a governance model capable of thriving in an ever-changing world.

Advantages and Disadvantages of the Adaptive State Model

The Adaptive State model presents a transformative approach to governance, integrating technological innovation, meritocratic principles, and citizen engagement to address the complexities of modern society. While the model offers numerous advantages, it also presents challenges that must be considered to ensure its effectiveness and inclusivity.

Advantages of the Adaptive State Model

1. Dynamic Responsiveness

The Adaptive State’s ability to make real-time adjustments is one of its most defining characteristics. Traditional governance systems often rely on rigid structures that make it difficult to respond promptly to societal changes or crises. By incorporating AI agents and continuous feedback loops, the Adaptive State can process data from various sources—such as public sentiment, economic trends, and environmental conditions—and adapt strategies accordingly.

For example, during a natural disaster, the system can analyze media reports, citizen feedback, and resource availability to prioritize relief efforts dynamically. This responsiveness ensures that governance remains relevant and effective, even in rapidly changing scenarios.

The downside, however, is the risk of over-reliance on real-time data, which may sometimes reflect transient trends rather than long-term priorities. Balancing immediate responsiveness with strategic foresight is critical to avoiding reactive decision-making.

2. Meritocratic Engagement

In the Adaptive State, influence is tied to expertise and meaningful contributions rather than arbitrary or uniform voting power. Citizens earn ARDIAN tokens by demonstrating knowledge and contributing insights in specific domains. This approach ensures that policy-making is driven by informed and qualified individuals, reducing the risk of uninformed or populist decisions.

Meritocratic engagement also promotes continuous learning and specialization among citizens, as those seeking greater influence are incentivized to develop expertise in areas of personal or societal importance. For instance, an environmental scientist can have a greater say in policies related to climate change, ensuring that decisions are informed by relevant expertise.

The meritocratic model, however, raises concerns about inclusivity. It risks marginalizing individuals or groups without access to the resources or education necessary to participate meaningfully. Addressing these disparities requires robust systems to democratize access to knowledge and ensure that all citizens have opportunities to contribute.

3. Decentralized Decision-Making

The integration of blockchain technology ensures that decision-making processes in the Adaptive State are decentralized, transparent, and accountable. Blockchain records every transaction, policy proposal, and vote, creating an immutable ledger that citizens can access to verify the integrity of governance.

Decentralization reduces the risk of corruption and power consolidation, as no single entity or individual has unilateral control over governance processes. It also empowers citizens to participate directly, fostering a sense of ownership and trust in the system.

However, the decentralized nature of blockchain can lead to challenges in scalability and efficiency. Managing large-scale, decentralized systems requires significant computational resources and robust infrastructure, which may be difficult to implement in resource-constrained settings.

4. Incentivized Participation

The ARDIAN tokenomics system aligns personal and collective interests by rewarding citizens for their contributions to governance. This incentivization encourages active engagement, whether through proposing goals, participating in discussions, or voting in referendums. The token system ensures that contributions are not only recognized but also economically valued, creating a tangible link between participation and personal benefit.

By rewarding meaningful participation, the Adaptive State reduces apathy and encourages citizens to take an active role in shaping governance. For instance, a citizen who provides well-researched feedback on a healthcare policy can earn tokens, which may increase their voting weight in future healthcare-related decisions.

The risk of incentivized participation lies in potential manipulation. Individuals or groups might attempt to game the system to accumulate tokens without making meaningful contributions. Safeguards, such as robust AI validation and periodic token decay mechanisms, are essential to maintaining the integrity of the system.

5. Efficient Execution

Agile methodologies, such as Kanban, streamline the implementation of policies and governance processes in the Adaptive State. These methodologies provide transparency, prioritize tasks dynamically, and enable iterative planning. AI agents further enhance efficiency by identifying bottlenecks, reallocating resources, and suggesting improvements in real time.

For example, a policy addressing unemployment might be broken down into actionable tasks, such as creating job training programs or incentivizing businesses to hire locally. Kanban boards allow stakeholders to monitor progress, while AI agents ensure that tasks are completed efficiently and that workflows adapt to emerging challenges.

While Agile methodologies are highly effective, they require a culture of collaboration and adaptability among stakeholders. Resistance to change or a lack of technical expertise may hinder the successful implementation of these practices.

Disadvantages and Challenges of the Adaptive State Model

While the Adaptive State offers significant advantages, it also presents challenges that require careful consideration:

Complexity of Integration: Combining blockchain, AI, and Agile management requires sophisticated infrastructure and technical expertise. Developing and maintaining such a system may be resource-intensive and inaccessible to less technologically advanced societies.

Digital Divide: The reliance on digital tools and technologies risks excluding populations without access to the internet, digital literacy, or modern devices. Bridging this divide is essential to ensuring that the Adaptive State remains inclusive.

Privacy Concerns: Collecting and analyzing data from citizens raises concerns about privacy and data security. Robust safeguards must be in place to protect sensitive information and prevent misuse.

Potential Biases in AI: AI systems, while powerful, are not immune to biases that can arise from flawed algorithms or biased training data. Ensuring fairness and accountability in AI decision-making is a critical challenge.

Cultural Resistance: The transition to an Adaptive State may face resistance from stakeholders accustomed to traditional governance models. Overcoming this resistance requires effective communication, education, and stakeholder engagement.

Enhanced Mathematical Model of the Adaptive State

The Adaptive State can be formally defined as a structure:

M' = ⟨S, L, C, I, Md, G, R, Ch, O, Res, A, B, K, T⟩

Where:

1. S: The set of citizens in the state

2. L: The legislature, representing the decision-making body responsible for laws and policies

3. C: The judiciary, which ensures adherence to laws and resolves disputes

4. I: The executive, responsible for implementing decisions and managing governance processes

5. Md: Media, individual journalists, commentators, and public figures who facilitate information flow and public discourse

6. G: The set of adaptive governance goals, updated dynamically through participatory mechanisms

7. R: The feedback loops that collect input from citizens, media, and real-world conditions to refine goals and strategies

8. Ch: The chain of updates to the governance goals, ordered by priority and multidimensional impact

9. O: The set of external factors influencing the state (e.g., geopolitical events, natural disasters)

10. Res: The set of available resources (e.g., financial assets, infrastructure, physical resources)

11. A: The set of AI agents, including:

1. A_d ⊂ A: Domain-specific agents specialized in fields like healthcare, economics, and environmental science

2. A_m ⊂ A: Meta-AI agents responsible for coordination, monitoring, and strategic adjustments

12. B: The blockchain infrastructure, which provides transparency, security, and immutability for governance actions and ARDIAN token transactions

13. K: The set of Kanban workflows, represented as directed graphs, where nodes are tasks and edges represent dependencies between them

14. T: The ARDIAN tokenomics system, comprising:

1. T_e: Token earning mechanisms based on contributions to governance

2. T_w: Voting weights derived from token balances in specific domains

3. T_d: Decay mechanisms to ensure active participation

Relationships and Interactions

Goal Setting and Feedback

The goal setting process is represented by the function:

P: S × G × R → Λ

Where Λ = list(G) is the ordered list of governance goals, prioritized based on feedback and multidimensional impact. Goals are proposed by citizens (S) and refined through iterative input from feedback loops (R), which aggregate data from media (Md) and external factors (O).

AI Contributions

AI agents (A) interact with other components through mappings:

1. Policy Recommendation: F_a: G × Res → K Domain-specific AI agents (A_d) generate detailed task workflows (K) based on governance goals and available resources.

2. System Optimization: F_m: K × R → K' Meta-AI agents (A_m) monitor workflows (K), incorporating feedback (R) to optimize task execution and resolve inefficiencies.

Blockchain Integration

The blockchain (B) ensures integrity and accountability across the system. All governance actions, token transactions, and AI recommendations are logged via the function:

L_b: (S ∪ A ∪ T) → B

This function records the actions of citizens, AI agents, and token-related activities, creating an immutable history accessible for audit.

Tokenomics

The ARDIAN token system (T) incentivizes participation and expertise:

1. Earning Tokens: E: S → T_e Citizens earn tokens (T_e) by contributing to governance, with rewards determined by the quality of their input.

2. Voting Power: W: T_e × A_d → T_w Tokens earned in specific domains (A_d) enhance voting weight (T_w), ensuring informed decision-making.

3. Decay Mechanism: D: T_e → T_d Token balances decay over time (T_d) to encourage continuous participation and prevent power accumulation.

Kanban Workflows

Workflows (K) are modeled as directed acyclic graphs (DAGs), where:

· Nodes (k_i ∈ K) represent tasks

· Edges (e_ij ∈ K) represent dependencies between tasks

Workflows are dynamically updated by meta-AI agents (A_m), ensuring alignment with priorities and real-time adjustments.

System Dynamics

1. Real-Time Adaptation: Feedback (R) continuously updates goals (G) and workflows (K), ensuring that governance strategies remain relevant and responsive.

2. Collaborative Policy Execution: AI agents (A), blockchain (B), and citizens (S) work in harmony to execute governance processes, monitored and optimized by Kanban workflows (K).

3. Transparency and Trust: Blockchain (B) guarantees that all actions are transparent and verifiable, while ARDIAN tokenomics (T) incentivize meaningful participation.

Conclusion: Transforming Governance Through the Adaptive State

The Adaptive State represents a transformative evolution in governance, fundamentally redefining how societies address complexity, foster collaboration, and ensure inclusivity. By integrating blockchain technology, AI-driven decision-making, and Agile methodologies, this model offers a governance framework that is not only scalable and efficient but also equitable and adaptive to the challenges of the modern world.

At its core, the Adaptive State resolves many of the entrenched limitations of traditional governance systems. By embracing the principles of decentralization, transparency, and meritocratic participation, it creates a structure where decision-making is informed by expertise, guided by collective intelligence, and powered by advanced technologies. This synergy between human participation and technological precision ensures that governance remains responsive to evolving societal needs.

One of the most significant advantages of the Adaptive State is its ability to eliminate the negative effects of lobbying, a pervasive issue even in established democracies like Switzerland. While Swiss direct democracy is widely lauded for its participatory mechanisms, it is not immune to the influence of lobbying and special interest groups. These entities often exert disproportionate influence over policy-making, steering decisions in favor of narrow agendas rather than the broader public good.

The Adaptive State fundamentally disrupts this dynamic by leveraging blockchain technology and the ARDIAN token system. Blockchain ensures that all contributions, from policy proposals to votes, are transparently recorded and accessible to the public. This immutable ledger eliminates the opacity that allows lobbyists to operate unchecked, ensuring that all actions are traceable and accountable. Furthermore, the meritocratic engagement model reduces the impact of financial influence, as voting power is tied to demonstrated expertise and meaningful contributions rather than monetary resources or connections.

The introduction of the ARDIAN token further empowers citizens by creating a direct incentive for participation and expertise. Unlike traditional systems where influence is often a function of wealth or access, the token system ensures that influence is distributed based on merit and active contribution. This alignment of personal and collective interests dismantles the transactional nature of lobbying, replacing it with a system that values informed and equitable decision-making.

Additionally, AI-driven governance in the Adaptive State further mitigates the influence of lobbying by acting as an impartial arbiter of information and priorities. AI agents, equipped with domain-specific expertise, evaluate policy proposals and public input based on data and evidence rather than political or financial pressures. This objectivity ensures that governance decisions are guided by what is best for society as a whole, rather than the interests of a select few.

The iterative nature of Agile methodologies also plays a critical role in reinforcing accountability and adaptability. By breaking down policies into manageable tasks and continuously evaluating their progress through retrospectives, the system ensures that governance remains focused on achieving tangible outcomes. This process prevents stagnation and ensures that citizen priorities are consistently reflected in policy execution.

In sum, the Adaptive State not only addresses the shortcomings of traditional governance but also enhances existing models like Swiss direct democracy by eliminating the corrupting influence of lobbying and financial interests. It fosters a society where technology and human collaboration work in harmony, creating a system that is transparent, equitable, and capable of evolving alongside the needs of its citizens.

The vision of the Adaptive State is not just about governance; it is about empowering citizens to take an active role in shaping their futures. By removing barriers to participation, promoting informed decision-making, and ensuring transparency at every level, this model lays the foundation for a more just and resilient world. As societies continue to face unprecedented challenges, the Adaptive State stands as a beacon of what is possible when innovation, inclusivity, and accountability are placed at the heart of governance.

References

Chaffer, T. J., & von Goins, C. (2024). Decentralized governance of AI agents. ResearchGate. Retrieved from https://www.researchgate.net/publication/387350593

Nafiu, A., Balogun, S. O., & Oko-Odion, C. (2025). Risk management strategies: Navigating volatility in complex financial market environments. ResearchGate. Retrieved from https://www.researchgate.net/publication/387824128

Liu, N. M. (2024). e-Governance in project management: Transforming decision-making and addressing implementation risks. CVUT. Retrieved from https://bit.fsv.cvut.cz/issues/02-24/full_02-24_01.pdf

Kalluri, K. (2025). Blockchain augment AI: Securing decision pipelines decentralized in systems. ResearchGate. Retrieved from https://www.researchgate.net/publication/388117247

Kumar, W., & Jack, W. (2024). Fortified disaster recovery: Building resilient IoT systems with adaptive security to address vulnerabilities and maintain business continuity. ResearchGate. Retrieved from https://www.researchgate.net/publication/387502258

Tuncel, Y. K., & Öztoprak, K. (2025). SAFE-CAST: Secure AI-federated enumeration for clustering-based automated surveillance and trust in machine-to-machine communication. PeerJ Computer Science. Retrieved from https://peerj.com/articles/cs-2551.pdf

Singh, Y., & Singh, H. (2025). Secure IoT data dissemination with blockchain and transfer learning techniques. Nature. Retrieved from https://www.nature.com/articles/s41598-024-84837-8.pdf

Holloway, S. (2025). Adapting to disruptions: The role of emerging technologies in supply chain agility. Preprints. Retrieved from https://www.preprints.org/frontend/manuscript/d7657f4d5622f6b162a957c4a797be09/download_pub

Нова Избираема дисциплина:

Python за Fintech разработка

Направление: 4.6 Информатика

Анотация

Дисциплината "Python за Fintech разработка" подготвя студентите за работа като Python разработчици във финансово-технологичния сектор. Курсът комбинира задълбочено изучаване на Python екосистемата за анализ на данни с практически умения за back-end разработка и количествени методи за финансови приложения.

Учебно съдържание

Методи на преподаване

• Интерактивни лекции с практически примери от реалния финтех сектор
• Лабораторни упражнения с актуални технологии
• Работа по проекти, симулиращи реални финтех решения
• Гост-лектори от водещи fintech компании

Форми на оценяване

Очаквани резултати

• Професионално ниво на Python програмиране за fintech приложения
• Практически опит с анализ на финансови данни и количествени методи
• Умения за работа с различни бази данни и системи за съхранение
• Разбиране на финансовите концепции и алгоритмична търговия
• Готовност за работа в международен екип

Литература

• McKinney, W. (2022). Python for Data Analysis, 3rd Edition. O'Reilly Media
• Hilpisch, Y. (2021). Python for Algorithmic Trading. O'Reilly Media
• Yves Hilpisch. (2020). Artificial Intelligence in Finance. O'Reilly Media
• Hull, J. C. (2020). Machine Learning in Business: An Introduction to the World of Data Science. Cambridge University Press
• Избрани научни статии и технически документации

Техническо осигуряване

• Модерна компютърна лаборатория с необходимия софтуер и хардуер
• Високоскоростна интернет връзка
• Достъп до специализирани финансови APIs и данни
• Cloud инфраструктура за обработка на големи обеми данни

Софтуерни инструменти

• Python 3.x и специализирани библиотеки (NumPy, Pandas, SciPy)
• Oracle Database Enterprise Edition
• MongoDB Enterprise
• Jupyter Notebooks/Lab
• Git и системи за контрол на версиите
• PyCharm Professional Edition или Visual Studio Code

Голямото море от крипто валути:
Типове крипто валути и примери

Съдържание

1. Въведение
2. История на криптовалутите
3. Технически аспекти
   • Блокчейн технология
   • Механизми за консенсус
   • Криптография
4. Типове криптовалути
   • Платежни криптовалути
   • Платформени токени
   • Utility токени
   • Стейбълкойни
   • DeFi токени
   • NFT токени
   • Governance токени
5. Икономически аспекти
6. Трейдинг перспектива
7. Сравнителен анализ
8. Бъдещи перспективи

1. Въведение

Криптовалутите представляват революционна форма на дигитални активи, базирани на блокчейн технологията. Те въвеждат нов модел на финансови взаимоотношения, който елиминира необходимостта от централизирани посредници и създава възможности за директни peer-to-peer транзакции. От създаването на Bitcoin през 2009 г., пазарът на криптовалути се е развил експоненциално, като днес включва хиляди различни проекти с разнообразни приложения.

В тази лекция ще разгледаме подробно различните аспекти на криптовалутите, започвайки от техническите основи, преминавайки през различните типове и техните характеристики, и достигайки до икономическите и търговски аспекти на тази нова финансова екосистема.

2. История на криптовалутите

Историята на криптовалутите започва със създаването на Bitcoin от мистериозната личност или група, известна като Сатоши Накамото. Публикуването на Bitcoin whitepaper през 2008 г. и пускането на първия блок (Genesis block) през януари 2009 г. бележи началото на нова ера във финансовия свят.

Ключови моменти в историята на криптовалутите:

3. Технически аспекти

3.1 Блокчейн технология

Блокчейнът е разпределена база данни, която съхранява информация в блокове, свързани криптографски помежду си. Всеки блок съдържа:

• Транзакции
• Времеви печат
• Криптографски хеш на предишния блок
• Nonce (число, използвано в процеса на майнинг)

3.2 Layer архитектура

Блокчейн архитектурата се разделя на различни слоеве (layers), всеки със специфична роля:

Особености на различните слоеве:

• Layer 0: Фокусира се върху интероперабилността между различни блокчейни и осигурява базова инфраструктура.
• Layer 1: Отговаря за основните функции като валидация на транзакции, сигурност и консенсус. Това е фундаменталният слой на всяка блокчейн мрежа.
• Layer 2: Решава проблемите със скалируемостта чрез различни подходи:
  • State channels (Lightning Network)
  • Странични вериги (Sidechains)
  • Rollups (Optimistic и Zero-Knowledge)
  • Плазма решения
• Layer 3: Предоставя интерфейс между крайните потребители и блокчейн технологията, включвайки:
  • Потребителски интерфейси
  • APIs и SDK инструменти
  • Междуплатформена интеграция

3.3 Механизми за консенсус

3.3 Криптография

Криптовалутите използват различни криптографски методи за осигуряване на сигурност и анонимност:

• Публични и частни ключове
• Хеш функции (SHA-256, Keccak-256)
• Цифрови подписи
• Zero-knowledge proofs

4. Типове криптовалути

4.1 Платежни криптовалути

Това са първите и най-базови форми на криптовалути, създадени за извършване на финансови транзакции.

4.2 Платформени токени

Тези токени са свързани с блокчейн платформи, които позволяват създаването на децентрализирани приложения (dApps).

4.3 Utility токени

Utility токените предоставят достъп до специфични услуги или функционалности в рамките на дадена платформа.

4.4 Стейбълкойни

Стейбълкойните са криптовалути, чиято стойност е обвързана с традиционни активи.

5. Икономически аспекти

5.1 Монетарна политика

Криптовалутите използват различни подходи към паричното предлагане, всеки със свои предимства и недостатъци:

Допълнителни аспекти на монетарната политика:

• Burn механизми: Някои криптовалути (BNB, LUNA) използват изгаряне на токени за намаляване на предлагането:
  • Автоматично изгаряне на част от таксите за транзакции
  • Периодично изгаряне на токени от екипа
  • Buy-back и burn програми
• Vesting периоди: Постепенно освобождаване на токени за:
  • Екипа и съветниците
  • Инвеститори от ранни етапи
  • Развитие на екосистемата
• Емисионни събития: Специални случаи на създаване на нови токени:
  • Награди за стейкинг
  • Ликвидни стимули
  • Общностни награди

5.2 Икономически модели

5.3 Икономически индикатори

• Пазарна капитализация
• Обем на търговия
• Ликвидност
• Съотношение на стейкнати токени
• Общ обем в DeFi протоколи (TVL)

6. Трейдинг перспектива

6.1 Трейдинг стратегии

6.2 Технически анализ

Техническият анализ използва различни индикатори за прогнозиране на пазарните движения. Ето най-важните от тях:

Допълнителни важни индикатори:

• Momentum индикатори:
  • Stochastic Oscillator: Сравнява текущата цена със ценовия диапазон за определен период
  • CCI (Commodity Channel Index): Измерва отклонението от средната цена
  • Williams %R: Подобен на Stochastic, но с различна скала
• Volume индикатори:
  • On-Balance Volume (OBV): Кумулативна сума на обема, показваща натиска на купувачи/продавачи
  • Volume Profile: Показва нивата с най-голяма активност
  • Money Flow Index: Комбинира цена и обем
• Трендови индикатори:
  • ADX (Average Directional Index): Измерва силата на тренда
  • Parabolic SAR: Определя точки на обрат в тренда
  • Ichimoku Cloud: Комплексен индикатор за тренд и подкрепа/съпротива

Приложение в крипто пазарите:

• Криптовалутните пазари са по-волатилни от традиционните, което изисква:
  • По-широки стоп-лос нива
  • Адаптиране на периодите на индикаторите
  • Комбиниране на множество времеви рамки
• Специфични за крипто индикатори:
  • MVRV (Market Value to Realized Value)
  • NVT (Network Value to Transactions)
  • Funding Rate за фючърси

6.3 Фундаментален анализ

Ключови метрики за оценка:

• Развитие на мрежата
• Брой активни адреси
• Транзакционен обем
• Разработка на протокола
• Партньорства и интеграции

7. Сравнителен анализ

7.1 Сравнение на основните блокчейн платформи

7.2 DeFi екосистеми

8. Бъдещи перспективи

8.1 Технологични тенденции

Детайлен анализ на технологичните тенденции:

Layer 2 решения за скалируемост

• Optimistic Rollups:
  • Обработват транзакции извън основната верига
  • Използват fraud proofs за сигурност
  • По-ниски такси и по-висока пропускателна способност
  • Предизвикателство: период на изчакване за тегления
• ZK Rollups:
  • Използват математически доказателства за валидност
  • Незабавна финалност на транзакциите
  • По-сложна имплементация
  • По-високи изчислителни изисквания
• Странични вериги:
  • Независими блокчейни с мостове към основната верига
  • Собствени механизми за консенсус
  • Гъвкавост в дизайна и приложението

Интероперабилност между блокчейни

• Междуверижни протоколи:
  • Стандартизирани протоколи за комуникация
  • Сигурен обмен на данни и активи
  • Унифицирани стандарти за съобщения
• Мостове:
  • Централизирани vs. децентрализирани
  • Механизми за защита на активите
  • Автоматизирана ликвидност
• Междуверижни приложения:
  • DeFi протоколи работещи на множество вериги
  • Обединени ликвидни пулове
  • Оптимизация на газ таксите

Подобрена поверителност

• Zero-Knowledge технологии:
  • ZK-SNARKs и ZK-STARKs
  • Приватни смарт контракти
  • Верифицируеми изчисления
• Хомоморфно криптиране:
  • Изчисления върху криптирани данни
  • Защита на чувствителна информация
  • Интеграция с DeFi протоколи
• MPC (Multi-Party Computation):
  • Разпределено управление на ключове
  • Институционални решения
  • Подобрена сигурност на портфейли

Квантова устойчивост

• Пост-квантови алгоритми:
  • Решетъчна криптография
  • Хеш-базирани подписи
  • Суперсингуларни изогении
• Мигриране на съществуващи системи:
  • Постепенно обновяване на протоколите
  • Хибридни криптографски схеми
  • Обратна съвместимост
• Нови защитни механизми:
  • Квантово-устойчиви хеш функции
  • Адаптивни криптографски схеми
  • Динамично обновяване на сигурността

8.2 Регулаторна среда

Основни аспекти на регулацията:

• Класификация на криптоактивите
• AML/KYC изисквания
• Данъчно третиране
• Институционално участие

8.3 Потенциални приложения

Заключение:

Криптовалутите представляват динамично развиваща се технология с потенциал да трансформира множество индустрии. Разбирането на техническите, икономическите и търговските аспекти е ключово за успешното навигиране в тази нова финансова екосистема. Бъдещето на криптовалутите ще зависи от развитието на технологиите, регулаторната рамка и степента на масово възприемане.

Монте Карло симулация за оценка на проектен бюджет

ФУНКЦИЯ monte_carlo_simulation(iterations, activities, risks):
    резултати = празен_масив()
    
    ЗА ВСЯКО i ОТ 1 ДО iterations:
        общ_бюджет = 0
        
        ЗА ВСЯКА дейност В activities:
            // Генериране на случайна стойност по PERT разпределение
            стойност = pert_random(
                дейност.оптимистична,
                дейност.най_вероятна,
                дейност.песимистична
            )
            
            // Прилагане на рискови фактори
            ЗА ВСЕКИ риск В risks:
                АКО random() < риск.вероятност:
                    стойност *= (1 + риск.въздействие)
                    
            общ_бюджет += стойност
        
        // Добавяне на допълнителни разходи
        общ_бюджет *= 1.3  // 30% за технологии и обучения
        
        добави(резултати, общ_бюджет)
    
    ВЪРНИ резултати

ФУНКЦИЯ анализирай_резултати(резултати, планиран_бюджет):
    средна_стойност = изчисли_средно(резултати)
    стандартно_отклонение = изчисли_std(резултати)
    персентил_90 = изчисли_персентил(резултати, 90)
    вероятност_превишаване = изчисли_вероятност_превишаване(резултати, планиран_бюджет)
    
    ВЪРНИ {
        средна_стойност,
        стандартно_отклонение,
        персентил_90,
        вероятност_превишаване
    }
        

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import stats

# Define project activities and their estimates
activities = {
    'Project Manager': {
        'optimistic': 6460.48,
        'most_likely': 6945.02,
        'pessimistic': 7429.55 * 1.2
    },
    'Senior Dev 1': {
        'optimistic': 26103.69,
        'most_likely': 28061.47,
        'pessimistic': 30019.24 * 1.3
    },
    'Senior Dev 2': {
        'optimistic': 24886.95,
        'most_likely': 26753.47,
        'pessimistic': 28619.99 * 1.3
    },
    'Junior Dev 1': {
        'optimistic': 6797.73,
        'most_likely': 7307.56,
        'pessimistic': 7817.39 * 1.15
    },
    'Junior Dev 2': {
        'optimistic': 6244.19,
        'most_likely': 6712.51,
        'pessimistic': 7180.82 * 1.15
    },
    'QA Engineer': {
        'optimistic': 5532.38,
        'most_likely': 5947.31,
        'pessimistic': 6362.24 * 1.25
    }
}

# Risk factors from risk register
risk_factors = {
    'integration_issues': {'probability': 0.8, 'impact': 0.25},
    'performance_issues': {'probability': 0.8, 'impact': 0.20},
    'requirement_changes': {'probability': 0.8, 'impact': 0.15},
    'technical_challenges': {'probability': 0.6, 'impact': 0.20}
}

def pert_random(opt, likely, pess, size=1):
    """Generate random values using PERT distribution"""
    alpha = 4
    mean = (opt + alpha * likely + pess) / (alpha + 2)
    variance = ((pess - opt) ** 2) / 36
    a = ((mean - opt) * (2 * pess - opt - mean)) / variance
    b = (a * (pess - mean)) / (mean - opt)
    return np.random.beta(a, b, size=size) * (pess - opt) + opt

def run_simulation(n_iterations=10000):
    """Run Monte Carlo simulation"""
    results = []
    
    for _ in range(n_iterations):
        iteration_total = 0
        
        for activity, estimates in activities.items():
            cost = pert_random(
                estimates['optimistic'],
                estimates['most_likely'],
                estimates['pessimistic']
            )[0]
            
            for risk in risk_factors.values():
                if np.random.random() < risk['probability']:
                    cost *= (1 + risk['impact'])
            
            iteration_total += cost
        
        iteration_total *= 1.3
        results.append(iteration_total)
    
    return np.array(results)

def analyze_results(simulation_results):
    """Analyze simulation results"""
    planned_budget = 126772.39
    
    mean_cost = np.mean(simulation_results)
    std_dev = np.std(simulation_results)
    percentile_90 = np.percentile(simulation_results, 90)
    overrun_prob = np.mean(simulation_results > planned_budget)
    recommended_buffer = percentile_90 - planned_budget
    
    print(f"\nSimulation Analysis Results:")
    print(f"Mean Expected Cost: {mean_cost:,.2f} лв.")
    print(f"Standard Deviation: {std_dev:,.2f} лв.")
    print(f"90th Percentile Cost: {percentile_90:,.2f} лв.")
    print(f"Probability of Budget Overrun: {overrun_prob:.1%}")
    print(f"Recommended Additional Buffer: {max(0, recommended_buffer):,.2f} лв.")
    
    plt.figure(figsize=(10, 6))
    plt.hist(simulation_results, bins=50, density=True, alpha=0.7)
    plt.axvline(planned_budget, color='r', linestyle='dashed', label='Planned Budget')
    plt.axvline(mean_cost, color='g', linestyle='dashed', label='Mean Simulated Cost')
    plt.axvline(percentile_90, color='y', linestyle='dashed', label='90th Percentile')
    plt.title('Monte Carlo Simulation Results')
    plt.xlabel('Total Project Cost (лв.)')
    plt.ylabel('Probability Density')
    plt.legend()
    plt.grid(True, alpha=0.3)
    plt.show()

# Run simulation and analyze results
results = run_simulation(10000)
analyze_results(results)
        

In a world where weight loss apps are a dime a dozen, a team of Bulgarian researchers has cooked up something different. Meet Pondera, a smart new mobile app that's like having a super-intelligent fitness buddy in your pocket.

Unlike traditional calorie counters or basic workout trackers, Pondera brings artificial intelligence into the weight loss game, learning your habits, preferences, and goals to create a truly personalized path to fitness. Developed by George Pashev and Silvia Gaftandzhieva at the University of Plovdiv, this app goes beyond the usual "eat less, move more" mantra.

What makes Pondera stand out is its ability to juggle multiple factors at once - think of it as a fitness orchestra conductor, harmonizing everything from your diet and exercise to sleep patterns and stress levels. It's not just about shedding pounds; it's about understanding how different aspects of your lifestyle work together.

The app taps into GPT-3.5's artificial intelligence to keep its recommendations fresh and relevant, while maintaining strict healthcare privacy standards. It's like having a personal trainer, nutritionist, and wellness coach all rolled into one, continuously adapting its approach based on your progress and feedback.

But perhaps most intriguingly, Pondera aims to build a community around its users, recognizing that weight loss journeys are often better shared. It's this combination of high-tech smarts and human connection that might just make it a game-changer in the crowded field of wellness apps.

We are currently raising funds to create a production ready software. Fundraiser link will be available shortly.

Bridging Natural Language and Logic Programming: An English to PROLOG Translator

George Pashev ¹*, Silvia Gaftandzhieva ², Stanka Hadzhikoleva³

^{1, 2, 3} University of Plovdiv “Paisii Hilendarski” (Computer Informatics Department, Plovdiv, Bulgaria)

*corresponding author: georgepashev@uni-plovdiv.bg

This paper presents a comprehensive approach to translating natural language queries into PROLOG queries, enabling effective interaction with knowledge bases implemented in PROLOG. The system is composed of multiple Python scripts that manage various stages of the translation and querying process: input processing, query translation, PROLOG interaction, and answer translation.

Keywords: natural language processing, PROLOG, query translation, logic programming, knowledge base interaction

Компютърна Лингвистика в Областта на Биоинформатиката

гл. ас. д-р Георги Петров Пашев

http://gpashev.com § georgepashev@uni-plovdiv.bg

Кратко описание на дисциплината:

Този курс се фокусира върху приложението на компютърна лингвистика в областта на биоинформатиката, като се разглеждат техники за обработка на естествен език и машинно обучение, приложими в анализа на биологични данни. Курсът съчетава теоретични знания с практически умения в програмиране на Python и Rust, като изследва интеграцията на тези езици в биоинформатични приложения.

Списък с теми за лекциите (7 седмици):

00001. Въведение в Компютърната Лингвистика и Биоинформатика

· Основни понятия и приложения

· Примерен код: Обработка на текстови данни с Python

00002. Машинно Обучение в Биоинформатиката

· Основи на машинното обучение

· Примерен код: Създаване на базов класификатор в Python

00003. Естествен Езиков Обработка (NLP) и Геномни Данни

· NLP техники за анализ на геномни последователности

· Примерен код: NLP алгоритми в Rust

00004. Биоинформатични Бази Данни и Тяхната Интеграция

· Работа с биологични бази данни

· Примерен код: Интегриране на бази данни в Python

00005. Използване на GPT-4 и LLAMA2 за Анализ на Биологични Данни

· Приложения на модели за естествен език в биоинформатиката

· Примерен код: Интегриране на GPT-4 API в Python

00006. Развитие на Уеб и Десктоп Интерфейси за Биоинформатични Приложения

· Основи на уеб и десктоп програмирането

· Примерен код: Създаване на прост UI в Rust

00007. Проектна Работа и Научно Писане

· Техники и методи за разработване на научни публикации

· Разработване на проектни идеи и начало на проектната работа

Оценяване:

Студентите работят в малки групи, разработвайки проект, който включва създаване на чат бот, използващ GPT-4 API, LLAMA2, или машинно обучение с Python и sklearn. Всеки проект включва научна публикация и разработка на потребителски интерфейс.

Възможно е студентите да изберат да разработват само обзорно-научната част на проекта, без практическата, ако не се чувстват достатъчно силни в областта на разработката на приложения. В такъв случай, максималната оценка, която могат да получат, е Много Добър (5).

Списък с Упражнения за Всяка Седмица

Седмица 1: Въведение в Компютърната Лингвистика и Биоинформатика

· Упражнение: Анализиране и обработка на текстови данни с Python. Студентите трябва да напишат скрипт за извличане на информация от научни публикации, свързани с биоинформатиката.

Седмица 2: Машинно Обучение в Биоинформатиката

· Упражнение: Създаване на базов класификатор в Python за разпознаване на видове ДНК последователности. Студентите използват предоставени данни за трениране на модела.

Седмица 3: Естествен Езиков Обработка (NLP) и Геномни Данни

· Упражнение: Имплементиране на NLP алгоритми в Rust за анализ на геномни последователности. Студентите трябва да адаптират традиционни NLP методи за работа с генетичен код.

Седмица 4: Биоинформатични Бази Данни и Тяхната Интеграция

· Упражнение: Интегриране на биологични бази данни в Python програма. Студентите създават интерфейс за достъп и анализ на данни от биоинформатични бази данни.

Седмица 5: Използване на GPT-4 и LLAMA2 за Анализ на Биологични Данни

· Упражнение: Работа с GPT-4 API или LLAMA2 за генериране на предсказания или анализи въз основа на биологични данни. Студентите разработват прототип на приложение, използващо тези модели.

Седмица 6: Развитие на Уеб и Десктоп Интерфейси за Биоинформатични Приложения

· Упражнение: Създаване на прост уеб или десктоп базиран UI в Rust, който да показва резултати от биоинформатични анализи. Студентите трябва да интегрират своя код в потребителски интерфейс.

Седмица 7: Проектна Работа и Научно Писане

· Упражнение: Начална разработка на проекта и написване на научен обзор за избраната тема. Студентите трябва да определят обхвата на своя проект и да изготвят план за научна публикация.

Тези упражнения са насочени към развитие на практически умения и подготовка за финалния проект, като същевременно се засилва теоретичната основа на дисциплината.

Литература:

1. Mount, D. W. (2004). Bioinformatics: Sequence and Genome Analysis. Cold Spring Harbor Laboratory Press.

2. Pevsner, J. (2015). Bioinformatics and Functional Genomics. Wiley-Blackwell.

3. Bird, S., Klein, E., & Loper, E. (2009). Natural Language Processing with Python. O’Reilly Media.

4. Klabnik, S., & Nichols, C. (2019). The Rust Programming Language. No Starch Press.

5. McKinney, W. (2018). Python for Data Analysis. O’Reilly Media.

6. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media.

Актуален списък с наукометрични показатели

Георги Пашев се включва в инициативата за разпространяване на типично българското начертание на кирилски шрифтове.

Повече за това какво наричаме българска кирилица можете да прочетете в сайта на инициативата "За Българска Кирилица" или в следната статия от Списание 8.

Накратко кирилски шрифтове с типично българско начертание се използват най-масово и са типични за България. Отличават се със по-ръкописен тип начертание на малките букви и някои от големите, за разлика от кирилските шрифтове които са типични за Русия, където малките букви са умалено копие на големите.

Поради по-голямото разнообразие на форми, българската кирилица е по-лесна и приятна за четене.

В последно време, тя става все по-често използвана и предпочитана.

Как да включим шрифт с българска кирилица във уеб страница

Вмъкнете следното във секцията <header> на вашата уеб страница:

Актуален списък с всички публикации

Научен профил в Academia.Edu

Наукометрична справка

гл. ас. д-р Георги Пашев

http://gpashev.com

e-mail: georgepashev@uni-plovdiv.bg

за постигнати наукометрични резултати

на национални изисквания

за заемане на академична длъжност Доцент

Съгласно ЗРАС и ППЗРАС за П.Н. 4.6

Публикации в Scopus със SJR

1.1 Pashev, George, and George Totkov. "EMS–A Workflow Programming Language and Environment." TEM JOURNAL-TECHNOLOGY EDUCATION MANAGEMENT INFORMATICS7.3 (2018): 638-644. http://www.temjournal.com/content/73/TemJournalAugust2018_638_644.pdf (Web of Science, Scopus, SJR) (publication)

1.2 Pashev, George, Lilyana Rusenova, George Totkov, and Silvia Gaftandzhieva. "Business Process Modelling & Execution Application in Work Education Domain." TEM Journal 8, no. 3 (2019): 992. (http://www.temjournal.com/content/83/TEMJournalAugust2019_992_997.pdf)   (Scopus, Web of Science, SJR)   (publication) (withPhDStudent)

1.3. George Pashev et al.(2020).Adaptive Workplace E-Learning Model.TEM Journal, 9(2), 613-618. http://www.temjournal.com/content/92/TEMJournalMay2020_613_618.pdf (Publication) (Scopus, Web of Science, SJR)

1.4. George Totkov et al.(2020).A System for Modelling of Processes for Data Accumulation and Synthesis in Higher Education.TEM Journal, 9(4), 1619-1624. (Publication) (Scopus, Web of Science, SJR) http://www.temjournal.com/content/94/TEMJournalNovember2020_1619_1624.pdf

1.5. George Pashev, Silvia Gaftandzhieva.(2021).Workflow Based Prototype for Criminal Investigation in BulgariaTEM Journal, 10(1), 351-357. (publication, 2021, scopus, SJR, web of science) https://www.temjournal.com/content/101/TEMJournalFebruary2021_351_357.pdf

1.6. Rumen Daskalov, George Pashev, Silvia Gaftandzhieva(2021).Hybrid Visual Programming Language Environment for Programming Training.TEM Journal, 10(2), 981-986. https://www.temjournal.com/content/102/TEMJournalMay2021_981_986.pdf

(Publication, Scopus, SJR, Web of Science, 2021)

1.7. George Pashev, Silvia Gaftandzhieva.(2021).Facebook Integrated Chatbot for Bulgarian Language Aiding Learning Content Delivery.TEM Journal, 10(3), 1011-1015. https://www.temjournal.com/content/103/TEMJournalAugust2021_1011_1015.pdf (Publication, Web of Science, Scopus, SJR, 2021)

1.8. Zhekova M., G. Pashev, G. Totkov, S.Gaftandzhieva. Automated Extraction of Values of Quantitative Indicators to a Quality Evaluation System Using Natural Language Analysis Tools. Proceedings of the 14th International Conference “Education and Research in the Information Society”, 2021, pp. 17-28  (Publication, Scopus, SJR, 2021) (в печат)

1.9. Zhekova M., G. Pashev, G. Totkov. Implementing Semantic Search in Decision Support System. Proceedings of the 14th International Conference “Education and Research in the Information Society”, 2021, pp. 35-42 (Publication, Scopus, SJR, 2021) (в печат)

Точки от тази точка за П.Н. 4.6: 9*30 = 270 точки

Публикации в Scopus без SJR  или Web of Science

2.1. Gaftandzhieva S., R. Doneva, G. Pashev, Learning Analytics From The Teacher’s Perspective: A Mobile App; Proceedings of 13th International Technology, Education and Development Conference At: Valencia, SPAIN 2019; ISBN: 978-84-09-08619-1

(https://www.researchgate.net/publication/332212584_LEARNING_ANALYTICS_FROM_THE_TEACHER'S_PERSPECTIVE_A_MOBILE_APP; https://library.iated.org/view/GAFTANDZHIEVA2019LEA ) (Web of Science)  (publication)

2.2. Rositsa Doneva, Silvia Gaftandzhieva, George Pashev, George Totkov, A Software Tool For Programming Training Trough Accumulative Frame System, INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH VOLUME 9, ISSUE 02, FEBRUARY 2020, pp. 1389-1393, SCOPUS, http://www.ijstr.org/final-print/feb2020/A-Software-Tool-For-Programming-Training-Trough-Accumulative-Frame-System.pdf (Scopus) (Publication)

2.3. Silvia Gaftandzhieva, Rositsa Doneva, George Pashev, Mariya Docheva (2021). Learning analytics tool for bulgarian school education, Mathematics and Informatics, ISSN 1310–2230, Vo. 64, Iss. 4, pp. 182-195, https://doi.org/10.53656/math2021-4-2-lea , (Publication, Web of Science, 2021)

Точки от тази точка за П.Н. 4.6: 3*18 = 54 точки

Общо точки за публикации в Scopus и Web of Science: 270 + 54 = 324 точки от показатели В.4. и Г.7

За Доцент минималните изисквания група от показатели В и Г са общо 300 точки.

Цитирания в Scopus или Web of Science

3.1. Pashev, G.,Georgi Totkov., Automatized generation of personalized learning paths thought aspects in multidimensional spaces. Proceeding of ІX National conferences „ Education and research in the information society” 26 – 27 may 2016, Plovdiv, Bulgaria (ERIS-2016), pp.43-52, ISBN 978-954-8986-45-8.

се цитира в:

Kostadinova, Iva, et al. "Automated system for generating and validation a learning tests." Proceedings of International Conference of Education, Research and Innovation (ICERI2017) Conference 14th-16th November. 2017. (Quote) (Quotation, Web of Science)

3.2. Petrov, P., Ivanov, S., Aleksandrova, Y., Dimitrov, G., Ovacıklı, A., (2020). Opportunities to use Virtual Tools in Start-up Fintech Companies, 20 International Multidisciplinary Scientific Geoconference SGEM 2020, STEF92 Technology Ltd. цитира: Pashev G., Rusenova L., Totkov G., Gaftandzhieva S. Business Process Modelling & Execution Application in Work Education Domain. TEM Journal, 2019, 8(3), pp.992-997. (quotation, Scopus)

3.3. Petrov, P., Dimitrov, P., Stoev, S., Dimitrov, G., Bulut, F., (2020). Using the Universal Two Factor Authentication Method in Web Applications by Software Emulated Device, 20 International Multidisciplinary Scientific Geoconference SGEM 2020, STEF92 Technology Ltd. цитира: Pashev G., Rusenova L., Totkov G., Gaftandzhieva S. Adaptive Workplace E-Learning Model. TEM Journal, 2020, 9(2), pp.613-618. (quotation, Scopus)

3.4. Rositsa Doneva, Silvia Gaftandzhieva, George Pashev, George Totkov, A

Software Tool For Programming Training Trough Accumulative Frame

System, INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH

VOLUME 9, ISSUE 02, FEBRUARY 2020, pp. 1389-1393, SCOPUS, SJR=0.123

се цитира в

G I Shivacheva, N R Ruseva (2021). Training in Programming using

Innovative Means, IOP Conference Series: Materials Science and

Engineering, Vol. 1031, 012124, doi:10.1088/1757-899X/1031/1/012124,

(quotation, 2021, scopus (SJR=???))

3.5. G. Totkov, S. Gaftandzhieva, G. Pashev, S. Atanasov (2020).A System

for Modelling of Processes for Data Accumulation and Synthesis in

Higher Education.TEM Journal, 9(4), 1619-1624, WoS, SCOPUS (SJR=0.15)

се цитира в

Villegas-Ch., W.; Palacios-Pacheco, X.; Roman-Cañizares, M.;

Luján-Mora, S. Analysis of Educational Data in the Current State of

University Learning for the Transition to a Hybrid Education Model.

Appl. Sci. 2021, 11, 2068. https://doi.org/10.3390/app11052068 , (quotation, 2021, scopus

(SJR=0.418), Web of science)

3.6. Pashev G., Rusenova L., Totkov G., Gaftandzhieva S. Business Process Modelling & Execution Application in Work Education Domain. TEM Journal, 2019, 8(3), pp.992-997. се цитира в Pavel Petrov et al.(2021).A Systematic Design Approach in Building Digitalization Services Supporting Infrastructure.TEM Journal, 10(1),

31-37, SCOPUS (SJR=0.15), WoS, https://www.temjournal.com/content/101/TEMJournalFebruary2021_31_37.pdf (quotation, 2021, Scopus, Web of Science, SJR)

3.7. Pashev G., Rusenova L., Totkov G., Gaftandzhieva S. Adaptive Workplace E-Learning Model. TEM Journal, 2020, 9(2), pp.613-618. се цитира в Pavel Petrov, Svetoslav Ivanov, Petar Dimitrov, Georgi Dimitrov, Oleksii Bychkov (2021). Projects Management in Technology Start-ups for Mobile Software Development, International Journal of Interactive Mobile Technologies, Vol 15, No 07, 194-201, https://online-journals.org/index.php/i-jim/article/view/19291 , (quotation, SCOPUS (SJR=0.313))

3.8. Pashev G., Rusenova L., Totkov G., Gaftandzhieva S. Business Process Modelling & Execution Application in Work Education Domain. TEM Journal, 2019, 8(3), pp.992-997. се цитира в Pavel Petrov, Svetoslav Ivanov, Petar Dimitrov, Georgi Dimitrov, Oleksii Bychkov (2021). Projects Management in Technology Start-ups for Mobile Software Development, International Journal of Interactive Mobile Technologies, Vol 15, No 07, 194-201, https://online-journals.org/index.php/i-jim/article/view/19291 , (quotation, SCOPUS (SJR=0.313) )

3.9. G. Totkov, S. Gaftandzhieva, G. Pashev, S. Atanasov (2020).A System for Modelling of Processes for Data Accumulation and Synthesis in Higher Education.TEM Journal, 9(4), 1619-1624, WoS, SCOPUS (SJR=0.15),

се цитира в:

Villegas-Ch, W., García-Ortiz, J., Mullo-Ca, K., Sánchez-Viteri, S., & Roman-Cañizares, M. (2021). Implementation of a Virtual Assistant for the Academic Management of a University with the Use of Artificial Intelligence. Future Internet, 13(4), 97, https://doi.org/10.3390/fi13040097, (quotation, 2021, SCOPUS (SJR=0. 387), Web of science)

Общо точки за цитирания в Scopus или Web of Science: 9 * 2 * 4 = 72 точки

За Доцент минималните изисквания за група от показатели Д са 50 точки.

Дисертационен труд за присъждане на ОНС “Доктор”:

4.1. Пашев Г., ДИНАМИЧНО ГЕНЕРИРАНЕ И ОПТИМАЛНО УПРАВЛЕНИЕ НA ПОТОЦИ ОТ ДЕЙНОСТИ И РЕСУРСИ ЗА ПРОВЕЖДАНЕ НА ЕЛЕКТРОННОТО ОБУЧЕНИЕ, Дисертационен труд за придобиване на ОНС „доктор“, Пловдивски университет „П. Хилендарски“, Пловдив, 2016. (Библиотека на ФМИ към ПУ „Паисий Хилендарски“) (PhDThesis) https://www.researchgate.net/publication/314137780_Dinamicno_generirane_i_optimalno_upravlenie_na_potoci_ot_dejnosti_i_resursi_za_provezdane_na_elektronnoto_obucenie

Общо точки за показател А са: 1* 50 = 50 точки

За Доцент минималните изисквания за група от показатели А са 50 точки.

Нови научни публикации от 01.01.2021г. до 16.10.2021г.

(Предстои да излязат още 3 в Scopus и 1 индексирана в CrossRef, които ги няма в този списък)

1. George Pashev, Silvia Gaftandzhieva.(2021).Workflow Based Prototype for Criminal Investigation in BulgariaTEM Journal, 10(1), 351-357. (publication, 2021, scopus, SJR, web of science) https://www.temjournal.com/content/101/TEMJournalFebruary2021_351_357.pdf
2. Rumen Daskalov, George Pashev, Silvia Gaftandzhieva(2021).Hybrid Visual Programming Language Environment for Programming Training.TEM Journal, 10(2), 981-986. https://www.temjournal.com/content/102/TEMJournalMay2021_981_986.pdf (Publication, Scopus, SJR, Web of Science, 2021)
3. Пашев, Г., Донева, Р., С. Гафтанджиева, Приложение на акумулативни фреймови модели в обучението по програмиране, Proceedings of the Fiftieth Spring Conference of the Union of Bulgarian Mathematicians, 2021, 1001-1006 стр., https://www.google.com/url?sa=t&amp;rct=j&amp;q=&amp;esrc=s&amp;source=web&amp;cd=&amp;cad=rja&amp;uact=8&amp;ved=2ahUKEwiUx4GV3trwAhWtwAIHHQewBcMQFjACegQIAxAD&amp;url=http%3A%2F%2Fwww.math.bas.bg%2Fsmb%2F2021_PK%2Ftom_2021%2Fpdf%2F284-289.pdf&amp;usg=AOvVaw24eqeTGwyoic7xbxXAy6t6 (publication, 2021)
4. George Pashev, Silvia Gaftandzhieva.(2021).Facebook Integrated Chatbot for Bulgarian Language Aiding Learning Content Delivery.TEM Journal, 10(3), 1011-1015. https://www.temjournal.com/content/103/TEMJournalAugust2021_1011_1015.pdf (Publication, Web of Science, Scopus, SJR, 2021)
5. Silvia Gaftandzhieva, Rositsa Doneva, George Pashev, Mariya Docheva (2021). Learning analytics tool for bulgarian school education, Mathematics and Informatics, ISSN 1310–2230, Vo. 64, Iss. 4, pp. 182-195, https://doi.org/10.53656/math2021-4-2-lea, (Publication, Web of Science, 2021)
6. Pashev George, An Adaptive E-learning System for Teaching Mobile Applications , International Journal of Computer Science and Mobile Computing, Vol. 10, Issue. 9, September 2021, pg.80 – 87 https://ijcsmc.com/docs/papers/September2021/V10I9202111.pdf (Publication, 2021, Crossref, DOI)
7. Pashev George, Personalized Healthy Anti-COVID Menu Generator Chatbot Based on Prolog, International Journal of Computer Science and Mobile Computing, Vol. 10, Issue. 10, October 2021, pg.27 – 32 https://ijcsmc.com/docs/papers/October2021/V10I10202106.pdf (Publication, 2021, Crossref, DOI: 0.47760/ijcsmc.2021.v10i10.005)

1. Да се извините на хората, че преди години сте станал медиен двигател за популяризирането на Бойко Борисов (Боко), който сега (уж) сте тръгнал да «изчегъртвате»;
2. Да хвърлите повече светлина върху ваши евентуално минали взаимовръзки с подземния и сенчест свят и приятелски връзки с мафиоти, които вече не са между живите, или такива, които са още живи;
3. Да хвърлите светлина върху личния ви живот, включително и това коя ви е текущата любовница. Вие отсега нататък сте не просто публична, но и обществена личност с политическо влияние и власт и трябва покрай вас всичко да е публично и осветено и изкоментирано от Вас самия (ако не искате да го коментират недоброжелателите); Също така, споделете с аудиторията дали ползвате услуги на «леки жени» и колко често и дали те биха могли да изкопчат нежелани компромати за Вас, както «Мата Хари» направи с Боко;
4. Да направите «кръгла маса» с всички партии в парламента и да създадете приоритетен списък от национални цели, които да преследвате и изпълнявате в рамките на следващ мандат и това да стане възможно най-бързо, за да не губите време;
5. Да направите управленска коалиция с всички партии, които са в парламента и не са ГЕРБ, ДПС;
6. Да направите работещ Закон за референдумите по Швейцарски модел, ако е необходимо и с конституционни кръпки, за да се даде реална власт в ръцете на хората;
7. Да уволните всички назначения на ГЕРБ в държавната администрация и да назначите свои след публично предавани конкурси в социалните мрежи и/или във вашата телевизия и/или по БНТ;
8. Да намалите броя министерства, чрез сливане. Например, социално и здравно могат да се слеят под общо име Министерство на Милосърдието или Министерство на Разходите за хората (сам изберете кое име е по-подходящо, а можете да изберете и друго); Военното и МВР и ДАНС и др. служби могат да се слеят под общо име Министерство на Държавната Репресия или нещо подобно; Идеята е тук да се постигне Швейцарския модел с малко министри и намалена администрация до санитарния минимум;​​​​​​​
9. Да изпълните нещата от вашия си референдум като де факто успешно проведен референдум и то в условията на закон за референдумите, който реално е репресивен, спрямо тях;
10. Подобно на Швейцария, да предлагате на референдуми 2 пъти в годината важни въпроси за управлението;
11. Да създадете най-после Закон за личния фалит и опрощаване на дългове и тяхната наследственост на де факто фалирали физически лица;
12. Да подложите на референдум евентуално узаконяване на проституцията (бизнес за милиарди, който може да вкара свежи пари в Бюджета и винаги е добра идея да е официално регулиран); както и леката дрога за консумация в лицензирани Кофи шопове (по Холандски модел);
13. Също така ви представям и други мои идеи, които съм развил още през далечната 2012г. в този онлайн документ, който през 2013 година е привлекъл вниманието на българи в Чикаго и са го препечатали в техен сайт: https://www.eurochicago.com/2013/06/scriptura-voluntatis-nostrae/; https://antikomunisti.blogspot.com/2013/03/scriptura-voluntatis-nostrae.html
    
    Братята британци имат ценна поговорка — «Отчаяните времена изискват отчаяни мерки». Време е за отчаяни мерки и за кардинални реформи. Дано Вие да сте на необходимата висота, за да ги направите.

Насоки за провеждане на упражненията по ППМУ за задочни студенти

Здравейте, колеги,

Онлайн курса за упражненията ви по дисциплината ППМУ е достъпен тук: (https://uroci.online/course/view.php?id=12)

Здравейте,

Предполагам, че много от вас сте се сблъсквали с добре познатия проблем - за кого да гласувате. Ако не можете да изберете, понеже мразите всички участници и не намирате достоен кандидат или тези, които харесвате "нямат реален шанс", според социолозите, можете да приложите стратегия "теглене на жребий чрез отчитане на коефициент на омраза за всеки от кандидатите.

Тук представям имплементация на алгоритъм на Python, която отчита коефициентите на омраза към отделни кандидати в списъка и "стреля" по мишени в "стрелбище", с изтеглени случайни числа. Вероятността за попадане в мишена на дадена партия, е обратно пропорционална на "омразата" към нея.

Можете да си "поиграете" с коефициентите и кода тук: https://onlinegdb.com/HJhDkA3X_

Ето го алгоритъма (коефициентите на омраза отразяват моето мнение). При максимален коефициент на омраза 1000, съответната партия се изключва от избора и не участва изобщо в него. При мен, това е партия ГЕРБ.

import random
import operator
from random import randint
from random import seed
# списък на партиите и коефициентите на омраза на всяка
parties = (
    {"name": "BSP", "hate": 95},
    {"name": "GERB", "hate": 1000},
    {"name": "DPS", "hate": 900},
    {"name": "Slavy Trifonov", "hate": 150},
    {"name": "DB", "hate": 40},
    {"name": "Vazrazhdane", "hate": 40},
    {"name": "Volya - NFSB", "hate": 455},
    {"name": "VMRO", "hate": 455},
    {"name": "ATAKA", "hate": 55},
    {"name": "MUTRI VYN", "hate": 43},
    {"name": "REPUBLIKANCI", "hate": 570},
    {"name": "KOD", "hate": 300},
    {"name": "ABV - MANGAROV", "hate": 30},
    {"name": "Pryaka demokraciq - Klissarov", "hate": 20},
    {"name": "BG LYATO - Cherepa", "hate": 400},
)

# списъците, използвани от алгоритъма за реализиране на "стрелбище"
strelbishte = []
partii_v_strelbishte = []

# речник с ключове - име на партия и стойност - попадения, в който ще се пазят попаденията след приключване на алгоритъма
akumulirani_brojki = {}
seed(a=None, version=2) # правене на псевдослучайния избор "наистина случаен" с избор на seed - текущо системно време

# инициализация на стрелбището и речника
for party in parties:
    count = 1000 - party["hate"]
    if count == 0:
        continue
    akumulirani_brojki[party["name"]] = 0
    partii_v_strelbishte += [party["name"]] * count
    strelbishte += [0] * count
# разбъркване на секторите и фрагментация на партийните зони в стрелбището и инициализация на броя мишени в него
random.shuffle(partii_v_strelbishte)
broj_v_strelbishte = len(partii_v_strelbishte)
# извършване на случайния избор (стрелбата в стрелбището)
seed(a=None, version=2)
for i in range(0, 3000):
    izteglenoChislo = randint(0, broj_v_strelbishte)
    strelbishte[izteglenoChislo] += 1
    akumulirani_brojki[partii_v_strelbishte[izteglenoChislo]] += 1

#сортиране на партиите в речника по брой попадения в низходящ ред
sorted_akumulirani_brojki = sorted(akumulirani_brojki.items(), key=operator.itemgetter(1), reverse=True)

# отпечатване на попаденията за всяка партия, вече сортирано 
print(sorted_akumulirani_brojki)

Доказателства към

Индивидуален отчет за Научноизследователската дейност

през 2020г.

гл. ас. д-р Георги Пашев

I. Публикации

I.1) Rositsa Doneva, Silvia Gaftandzhieva, George Pashev, George Totkov, A Software Tool For Programming Training Trough Accumulative Frame System, INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH VOLUME 9, ISSUE 02, FEBRUARY 2020, pp. 1389-1393, SCOPUS, http://www.ijstr.org/final-print/feb2020/A-Software-Tool-For-Programming-Training-Trough-Accumulative-Frame-System.pdf (Scopus) (Publication)

I.2) George Pashev et al.(2020).Adaptive Workplace E-Learning Model.TEM Journal, 9(2), 613-618. http://www.temjournal.com/content/92/TEMJournalMay2020_613_618.pdf (Publication) (Scopus, Web of Science, SJR)

I.3) George Totkov et al.(2020).A System for Modelling of Processes for Data Accumulation and Synthesis in Higher Education.TEM Journal, 9(4), 1619-1624. (Publication) (Scopus, Web of Science, SJR) http://www.temjournal.com/content/94/TEMJournalNovember2020_1619_1624.pdf

II. Цитирания

II.1) Ingram, J. H. (2020). Strategies for Improving Parent–School Partnerships to Enhance Private Schools’ Profitability (Doctoral dissertation, Walden University). цитира Pashev, G., Rusenova, L., Totkov, G., & Gaftandzhieva, S. (2019). Business Process Modelling & Execution Application in Work Education Domain. TEM Journal, 8(3), 992.  (quotation)

II.2) Св. Иванов, П. Петров,  Бизнес сценарии за взаимодействие при разработка на софтуерната система в стартираща софтуерна компания, ЕЛЕКТРОННО СПИСАНИЕ „ИКОНОМИКА И КОМПЮТЪРНИ НАУКИ“, БРОЙ 2, 2020, ISSN 2367-7791, ВАРНА, БЪЛГАРИЯ, 27-36, http://eknigibg.net/Volume6/Issue2/spisanie-br2-2020_pp.27-37.pdf цитира Totkov G., Gaftandzhieva S. Business Process Modelling & Execution Application in Work Education Domain. TEM Journal, 2019, 8(3), pp.992-997. (quotation)

II.3) Св. Иванов, П. Петров,  Бизнес сценарии за взаимодействие при разработка на софтуерната система в стартираща софтуерна компания, ЕЛЕКТРОННО СПИСАНИЕ „ИКОНОМИКА И КОМПЮТЪРНИ НАУКИ“, БРОЙ 2, 2020, ISSN 2367-7791, ВАРНА, БЪЛГАРИЯ, 27-36, http://eknigibg.net/Volume6/Issue2/spisanie-br2-2020_pp.27-37.pdf цитира Pashev G., Rusenova L., Totkov G., Gaftandzhieva S. Adaptive Workplace E-Learning Model. TEM Journal, 2020, 9(2), pp.613-618. (quotation)

II.4) И. Лившиц, Дистанционный формат обучения: риски и возможности. Стандарты и качество. 2020. № 10. С. 102-107. цитира Георги Пашев, Силвия Гафтанджиева, Георги Тотков, Среда за компютърно моделиране на акумулативни фреймови модели за е-обучение, Научни трудове на Съюза на учените в България – Пловдив. Серия В. Техника и технологии. Том XVII, ISSN 1311 -9419 (Print); ISSN 2534-9384 (Online), 88-91, 2019, https://usb-plovdiv.org/2019_tehnika_i_tehnologii_tom_XVII/. (quotation)

III. Рецензии

III.1) Рецензия на статия : "Design and Implementation of an IoT Based Transactional System for Quality Management"за Iraqi Journal of Science (http://scbaghdad.edu.iq/eijs/index.php) (списание в Скопус) (May 2020) Доказателства: (https://www.dropbox.com/s/molll7zruchzwml/iraqi_journal_of_Science_Review.pdf?dl=0) (review) (Scopus)

George Pashev et al.(2020).Adaptive Workplace E-Learning Model.TEM Journal, 9(2), 613-618.

Citation Information: TEM Journal. Volume 9, Issue 2, Pages 606-612, ISSN 2217-8309, DOI: 10.18421/TEM92-25, May 2020.

Received: 30 March 2020.

Revised:   25 April 2020.
Accepted: 06 May 2020.
Published: 27 May 2020.

Abstract:

The paper presents the main concepts of an approach which can be used in a corporate environment for Adaptive education of employees. A formal model is proposed to facilitate adaptivity in terms of pursuing personal and corporate goals. Software prototypes, which prove the applicability of the model, are presented and discussed.

http://www.temjournal.com/content/92/TEMJournalMay2020_613_618.pdf

(Publication) (Scopus, Web of Science, SJR)

Публикации на гл. ас. д-р инж. Георги Пашев до дата 18.02.2020г.

Публикации в Scopus & Web of Science

1. George Pashev, George Totkov, Hristina Kostadinova, and Hristo Indzhov. 2016. Personalized Educational Paths through Self-Modifying Learning Objects. In Proceedings of the 17th International Conference on Computer Systems and Technologies 2016 (CompSysTech '16), Boris Rachev and Angel Smrikarov (Eds.). ACM, New York, NY, USA, 437-444. DOI: https://doi.org/10.1145/2983468.2983516 (http://dl.acm.org/ft_gateway.cfm?id=2983516&type=pdf) (publication) (SJR, Web of Science, Scopus) (withPhDStudent)

2. Pashev, George, and George Totkov. "EMS–A Workflow Programming Language and Environment." TEM JOURNAL-TECHNOLOGY EDUCATION MANAGEMENT INFORMATICS7.3 (2018): 638-644. http://www.temjournal.com/content/73/TemJournalAugust2018_638_644.pdf (Web of Science, Scopus, SJR) (publication)

3. Gaftandzhieva S., R. Doneva, G. Pashev, Learning Analytics From The Teacher’s Perspective: A Mobile App; Proceedings of 13th International Technology, Education and Development Conference At: Valencia, SPAIN 2019; ISBN: 978-84-09-08619-1 (https://www.researchgate.net/publication/332212584_LEARNING_ANALYTICS_FROM_THE_TEACHER'S_PERSPECTIVE_A_MOBILE_APP) (Web of Science) (publication)

4. Pashev, George, Lilyana Rusenova, George Totkov, and Silvia Gaftandzhieva. "Business Process Modelling & Execution Application in Work Education Domain." TEM Journal 8, no. 3 (2019): 992. (http://www.temjournal.com/content/83/TEMJournalAugust2019_992_997.pdf) (Scopus, Web of Science, SJR) (publication) (withPhDStudent)

5. Rositsa Doneva, Silvia Gaftandzhieva, George Pashev, George Totkov, A Software Tool For Programming Training Trough Accumulative Frame System, INTERNATIONAL JOURNAL OF SCIENTIFIC & TECHNOLOGY RESEARCH VOLUME 9, ISSUE 02, FEBRUARY 2020, pp. 1389-1393, SCOPUS, http://www.ijstr.org/final-print/feb2020/A-Software-Tool-For-Programming-Training-Trough-Accumulative-Frame-System.pdf (Scopus) (Publication)

Публикации в други реферирани издания

Пашев Г., Автоматизирано генериране на Адаптивен план за обучение. От Научни трудове на Съюза на учените в България – Пловдив Серия В. Техника и технологии, том XIII., Съюз на учените, сесия 5 - 6 ноември 2015, стр. 181-186; (http://www.subplovdiv.com/images/nauchni_trudove/2016_tehnika_i_technologii_tom_XIII.pdf) (publication)

Пашев Г., Г. Тотков. Автоматизирано генериране на персонализирани учебни пътища чрез аспекти в многомерни пространства . От Деветата Национална конференция "Образованието и изследванията в информационното общество" . АРИО, ИМИ-БАН, ПУ "Паисий Хилендарски", Пловдив 2016; (http://sci-gems.math.bas.bg/jspui/bitstream/10525/2746/1/ERIS2016-book-p03.pdf) (publication)

Pashev G, E. Alendarova, G. Totkov Automated Assessment Through Integration of Heterogeneous Systems with a Workflow Engine. От Proceedings of the National Conference on "Education and Research in the Information Society", Plovdiv, May, 2015. Institute of Mathematics and Informatics Bulgarian Academy of Sciences, Association for the Development of the Information Society, 119p-128p; (http://sci-gems.math.bas.bg/jspui/handle/10525/2450) (publication) (withPhDStudent)

Пашев Г.; АВТОМАТИЗИРАНИ C++ КОМПИЛАЦИЯ, ИЗПЪЛНЕНИЕ И ОЦЕНЯВАНЕ НА РЕШЕНИЕТО НА БАЗАТА НА СРАВНЕНИЕ НА ИЗХОДИТЕ . От Научни трудове на Съюза на учените в България–Пловдив Серия В. Техника и технологии, том XII.,Съюз на учените сесия 31октомври - 1ноември 2014 ISSN 1311-9419. СУБ – Пловдив, стр. 219-222; (http://www.subplovdiv.com/images/nauchni_trudove/2015_tehnika_i_tehnologii_tom_XII.pdf) (publication)

Pashev G., G. Totkov; Dynamic Determination of Personalized Educational Paths. От Proceedings of the National Conference on "Education and Research in the Information Society", Plovdiv, May, 2014. Institute of Mathematics and Informatics Bulgarian Academy of Sciences, Association for the Development of the Information Society, 161p-170p; (http://sci-gems.math.bas.bg/jspui/handle/10525/2389) (publication)

Pashev Georgi, Среда за управление на работните потоци EMS и Програмен Език и парадигма. От Научни трудове на Съюза на учените Пловдив, Серия В: Техника и технологии. Пловдив, 2014, стр. 223 - 226. (http://www.subplovdiv.com/images/nauchni_trudove/2015_tehnika_i_tehnologii_tom_XII.pdf) (publication)

Pashev Georgi, Ivan Kodinov, Georgi Totkov, Process Definition and Control in EMSG Complex Work-flow Management System Using Process Graphs and Data Addressing in a File with Flow Identifier Operator . От Proceedings of "Days of Science 2013" Union of Scientists in Bulgaria - Plovdiv. Plovdiv: Union of Scientists Plovdiv, p. 138-142; (https://www.dropbox.com/s/f5h4gcs4esbjrlj/Doc%20Apr%2027%2C%202016%2C%2005_06.pdf?dl=0) (publication)

Pashev G, Budakova D, SOFTWARE PLATFORM FOR EXECUTION OF GRAPH DATABASE APPLICATIONS, ICTTE 2013, ARTTE Vol. 1, No. 2, 2013, ISSN 1314-8788 (print), ISSN 1314-8796 (online) (https://sites.google.com/a/trakia-uni.bg/artte/articles/artte-vol-1-no-2) (publication)

Пашев Г., А. Трайков, Е. Алендарова, Интегриране на функционалности от разнотипни системи в Moodle, Научни трудове от международната конференция на млади учени 11-13 Юни 2015г., Пловдив, ISSN 1311-9192 (http://www.subplovdiv.com/images/nauchni_trudove/2015_estestveni_i_humanitarni_nauki_tom_XVII.pdf) (publication) (withPhDStudent)

Тотков Г., Р. Донева, С. Гафтанджиева, Г. Пашев. Автоматично акумулиране и агрегиране на данни за оценка на качеството във висшето образование, 10-та Национална конференция „Образованието и изследванията в информационното общество“, Пловдив, 22-23 май 2017 г., Асоциация „Развитие на информационното общество“, Ракурси ООД (в печат); (publication)

Angelov Y., G. Pashev, G. Totkov, Applying Machine Learning Classifiers in a Database Smart Indexing Algorithm, Scientific Works of the Union of Scientists in Bulgaria-Plovdiv, series C. Тechnics and Technologies, Vol. XIV., ISSN 1311-9419 (Print), ISSN 2534-9384 (On- line), 2017; p. 33-36 (http://www.subplovdiv.com/images/nauchni_trudove/2017_tehnicheski_nauki.pdf ) (publication)

1 Левтерова Д., С. Глухов, Г. Пашев, Г. Тотков; Проект на система от тип „Алумни“, интегрирана в университетска информационна инфраструктура; VII Национална научна конференция 2017 за студенти, докторанти и млади учени; 27 Май 2017г. Пловдив (в печат) (publication) (withPhDStudent)

Тотков Г., С. Гафтанджиева, Г. Пашев, С. Атанасов. Концептуално и компютърно моделиране на процеси с акумулиране и синтезиране на данни във висшето образование, 7 Сборник научни доклади, 7-ма Нац. конфереция „Електронното обучение във висшите училища“, Боровец, 20-23.9.2018 г., Университетско издателство „Св. Кл. Охридски“, София, 2018, ISBN 078-954-07-4509179-188, 134-142, https://www.researchgate.net/publication/328676603_Konceptualno_i_komputrno_modelirane_na_procesi_s_akumulirane_i_sintezirane_na_danni_vv_visseto_obrazovanie (publication)

Хоптериев Ю, Г. Пашев, Интегрираща среда за решаване на задачи по програмиране на C++, Научни трудове на Съюза на учените в България – Пловдив. Серия В. Техника и технологии. Том XVII, ISSN 1311 -9419 (Print); ISSN 2534-9384 (Online), 2019.

(https://drive.google.com/open?id=1j8qYIKyC2XkJMu7lPSLcQOCIRHO6VHQH)

(publication)

Пашев Г., С. Гафтанджиева, Г. Тотков, СРЕДА ЗА КОМПЮТЪРНО МОДЕЛИРАНЕ НА АКУМУЛАТИВНИ ФРЕЙМОВИ МОДЕЛИ ЗА Е-ОБУЧЕНИЕ ПО С++, Научни трудове на Съюза на учените в България – Пловдив. Серия В. Техника и технологии. Том XVII, ISSN 1311 -9419 (Print); ISSN 2534-9384 (Online), 2019.

(https://drive.google.com/open?id=1dkT4pXOM6CFNnEEGiKIuPuJW3R3nnaln)

(publication)

19) Близнаков М., Г. Тотков, Г. Пашев, ГЕНЕРАТОР НА СПРАВКИ В УНИВЕРСИТЕТСКА ИНФОРМАЦИОННА СИСТЕМА, Научни трудове на Съюза на учените в България – Пловдив. Серия В. Техника и технологии. Том XVII, ISSN 1311 -9419 (Print); ISSN 2534-9384 (Online), 2019.

(https://drive.google.com/open?id=1q5kIVFZEx7k3LzxWbNZIowVVcxjZr45A)

(publication) (withPhDStudent)

Близнаков М., Георги Пашев, Георги Тотков, Софтуерни инструменти за визуализация на динамични информационни ресурси, Научни трудове на национална конференция "Образованието и изследванията в информационното общество", Пловдив, Май, 2019, 032p-041p

(http://sci-gems.math.bas.bg/jspui/handle/10525/3315)

(publication) (withPhDStudent)

Пашев Г., Лиляна Русенова, Георги Тотков, ПРИЛОЖЕНИЕ НА СИСТЕМИ ЗА МОДЕЛИРАНЕ НА БИЗНЕС ПРОЦЕСИ В АВТОМАТИЗИРАНЕТО НА АДМИНИСТРАТИВНИ ПРОЦЕДУРИ ЗА ОБУЧЕНИЕ НА РАБОТНОТО МЯСТО, Научни трудове на национална конференция "Образованието и изследванията в информационното общество", Пловдив, Май, 2019, 095p-104p

(http://sci-gems.math.bas.bg/jspui/handle/10525/3323)

(publication) (withPhDStudent)

Пашев Г, ФЕЙСБУК ВИРТУАЛЕН АСИСТЕНТ ЗА Е-ОБУЧЕНИЕ, Научни трудове на национална конференция "Образованието и изследванията в информационното общество", Пловдив, Май, 2019, 095p-104p

(http://sci-gems.math.bas.bg/jspui/handle/10525/3324)

(publication)

Глави от книги

1) Г. Тотков и др. „Увод в е-обучението“, „Ракурси“, Пловдив, 2014, ISBN 978-954-8852-41-8 (1 глава) (bookChapters)

2) Г. Тотков и др. „Съвременни направления на е-обучението“, „Ракурси“, Пловдив, 2014, ISBN 978-954-8852-46-3 (2 глави) (bookChapters)

2) Г. Тотков и др. „Съвременни направления на е-обучението“, „Ракурси“, Пловдив, 2014, ISBN 978-954-8852-46-3 (2 глави) (bookChapters)

3) Г. Тотков и др. „Пловдивски е-университет“, „Ракурси“, Пловдив, 2014, ISBN 978-954-8852-48-7 (3 глави) (bookChapters)

4) Трайков А., Г. Тотков, Г. Пашев, Модел и архитектура на платформа за управление на университетско дигитално хранилище, в „Университетът, документите, хората. Из книжовната, дигиталната и неписаната история на ПУ“, Пловдив, 2016; (1 глави) (bookChapters)

5) Алендарова Е., Г. Тотков, Г. Пашев, А. Трайков, Платформи за управление на университетски дигитални архиви: състояния, проблеми и решения, в „Университетът, документите, хората. Из книжовната, дигиталната и неписаната история на ПУ“, Пловдив, 2016. 1 глави) (bookChapters)