NASLOVNA STRANICA

Sadraj

1. Uvod

(teza)

2. Metode i tehnike prikupljanja podataka

2.1 Pojam i definicija podataka

2.2 Kriteriji prikupljanja podataka

2.3 Odreivanje metoda i tehnika prikupljanja podataka

3. Nove metode prikupljanja i obrade podataka (hipoteza)

3.1 Profilisanje korisnika

10

3.2 Unos podataka kroz cloud computing

12

3.3 Rudarenje podataka

13

3.4 Metoda integralne analize i prikupljanja podataka (teza)

14

3.4.1 Nain sprovoenja ogleda kroz integralnu analizu i primjenu NT (idejno rjeenje)15
3.5 Prikupljanje podataka kroz stabla odluke

16

3.6 Prikupljanje i analiza podataka kroz neuronske mree

17

4. Zakljuak

17

Literatura

18

1. Uvod

Nauno istraivanje kao i njegova metodologija predstavlja osnovnu ako ne i jedinu

empirijsku strukturu na osnov koje dolazimo do validnih i odgovarajuih zakljuaka i sudova.
Na odabir ove teme je zasnivan na motivu i elji da se obradi tematika metoda i tehnika koje
se koriste prilikom prikupljanja podataka; potaknuti sa naglim rastom broja neklasificiranih
informacija i porastom zahtjeva kojima podilaze razni menaderi i organizatori.
Kroz ovaj rad potrudili smo se da napravimo usporedbu izmeu konvencionalnih
metoda (iz literature) i metoda koje se koriste danas primjenom napredne tehnologije i
irenjem i rastom iroke svjetske informacione mree (interneta).
Konvencionalna literatura se ne bavi metodama koje koriste visoko profitne
korporacije iji se profit bazira na korisnicima koji koriste raunar i internet. Takve metode
analize informacija nisu nauno objavljene ali su javnosti prikazane u djeliima ili
segmentima. Potrudili smo se da u ovome radu prikaemo navedene razlike, pa samim tim to
predstavlja i tezu naeg rada:
Tvrdimo da su se pored konvencionalnih metoda razvile nove metode prikupljanja
i analize podataka kroz primjenu nove tehnologije.

2. Metode i tehnike prikupljanja podataka

Metode i tehnike prikupljanja podataka predstavljaju jedan od dijelova naunih metoda

koje se koriste u nauno istraivakom radu. Tehnike istraivanja predstavljaju sistematsko i
svrsishodno jedinstvo postupaka i instrumenata koje se koriste. Ovakav dio naunog
istraivanja podrazumijeva:

Ocjenu
Sreivanje (klasificiranje, ralanjivanje)
Obradu podataka
Zakljuivanje (prikaz rezultata)

2.1 Pojam i definicija podatka

Podatak predstavlja injenicu koja je predoena u formaliziranom obliku, tj. obliku koji je
mogue interpretirati i komponovati, klasificirati. Prema (Beynon i Davies - 2009) podatak
predstavlja apstraktni koncept kojeg moemo promatrati kao najnii nivo abstrakcije tj. kojeg
moemo najjednostavnije percepirati. Prema njima informacije i znanje su derivacije
podataka.
Ono to ne moemo primjetiti u naunoj literaturi je zanimljiv nauni pristup koji se
koristi, a to je da autori poput Beyona i Daviesa imaju tendenciju da percepiraju informaciju
kao grupu podataka to uveliko zavisi od sistemskog pristupa i naunog aspekta koji se
primjenjuje.

Na internetskom izvoru www.infogineering.net moemo pronai kvazi-nauni model koji

na interesantan nain pokazuje i objanjava razliku izmeu informacije, znanja, odluke, i
podatka.

Slika 1. Modelski (shematski) prikaz odnosa podatka, informacije, znanja i odluke

Kroz literaturu moemo da primjetimo dvije struje shvatanja podatka. Prva kovencionalna
struja ima tendenciju ka prihvatanju empirijskih - matematikih modela, no druga nezvanina
struja promatra podatak s obzirom na neto to mi (ljudi) moemo percepirati, a to je da je
podatak injenica koju moemo da percepiramo, dok informacija nadasve predstavlja grupu
snimljenih podataka i znanja! Za znanje se na ovome modelu smatra da je ono naa mapa
svijeta (doslovno prevedeno) struni prevod bi znaio: nae vienje svijeta, jer mi kroz
nae znanje i usvojene navike vidimo svijet.
Ovakve izjave moemo da podupremo sa injenicom ili saznanjem o optem
funkcioniranju raunara. Unutar raunara program pomou kojega on dekodira informacije u
podatak (injenice koje moe razumjeti, binarni sistem) predstavlja zapravo znanje ili njegovo
vienje unosa informacija koje dolaze.

2.2 Kriteriji prikupljanja podataka

Iz dosadanje prakse proizilazi, da su samo u naelu izvori podataka u empirijskim

istraivanjima u svim drutvenim i ekonomskim naukama manje-vie isti. Ali i da svi izvori
podataka nemaju za sve drutvene i ekonomske nauke isti znaaj, niti se podjednako esto i
uspjeno koriste. Naime, za istraivanja najznaajniji izvor podataka je tekua, iva praksa
koja je predmet istraivanja. Jer, aktivnosti, odnosno procesi su i sami po sebi praksa. To
znai da je osnovni i najznaajniji izvor podataka objektivna situacija, odnosno ponaanje
uesnika u akciji, kojim izraavaju totalitet inicijalne, tekue i zavrne situacije koja je
predmet istraivanja.
Sa stanovita istraivaa nisu sve klasifikacije podataka podjednako znaajne. Za poetak
svakog naunog rada ili odreene analize bitna je podjela na:

Iskustvene izvore (iskustvo subjekta)

Naune izvore podataka

U irem smislu nauni izvori podataka su sva djela nastala koritenjem metoda naunih
istraivanja. Ovi izvori se djele na:

Teorijske one koji ine fond verifikovanih saznanja ili na

Hipotetiko empirijske ili na one koji su tek u fazi hipoteza koje se istrauju ili su
rezultat empirijskog istraivanja

Izvore moemo razvrstati i po slijedeim vaeim kriterijima:

Priroda grae
Predmetnost sadraja
Subjekt, autor
Oblik iskazivanja sadraja
Javnost
Dostupnost
Slubenost ili oficijelnost
Izvornost kao i po nekim drugim za istraivaa manje znaajnim kriterijima.

2.3 Odreivanje metoda i tehnika prikupljanja podataka

Prikupljanje podataka je karakteristika svakog naunog, a moglo bi se rei i uopte svakog

istraivanja. To podrazumijeva u svim situacijama istraivanja:

Analizu
Indukciju
Sintezu
Klasifikaciju
Specijalizaciju
Generalizaciju
Apstrakciju
Dedukciju
Konkretizaciju
Navedene metode podrazumjevaju koritenje optenaunih metoda djelovanja,

hipotetiko-deduktivne i statistike, koje pronalazimo samostalno ili u punoj meusobnoj

povezanosti. U odreenim sluajevima vrlo je upotrebljiva i aksiomatska metoda sa ijom
se upotrebom susreemo ee nego to se pretpostavlja.
U sreditu odreivanja metoda i tehnika prikupljanja podataka nalazi se prikupljanje
empirijskih podataka. Pri tome zastupamo stanovite da su svi empirijski podaci o
informacijama, stavovima, ponaanju i procesima koji se odnose na direktne ili indirektne
manifestacije pojave, a do kojih se moe doi opaanjem koje moe da bude posrednim ili
neposrednim putem.
U procesu naunog istraivanja prema (Dr. Milan Miljevi - 2007) u naine
prikupljanja podataka neposrednim ulnim opaanjem ubrajaju se posmatranja i
eksperiment, a u posredne ispitivanje i analiza dokumenata. Isto tako Miljevi smatra
prilikom klasifikacije podataka trebamo da na umu imamo tri bitne karakteristike:

Manifestovanost (manifestacija koja se moe zap aziti)

Znaenje koje se moe utvrditi
Mjesto u procesu, odnosno sistemu miljenja.

3. Nove metode prikupljanja i obrade podataka (hipoteza)

Pod konvencionalnim metodama prikupljanja podataka podrazumijevamo naune metode

poput, ankete ili upitnika, raznih obzervacionih metoda i pregleda dokumenata. No
7

sprovedeno promatranje koje podlijee sistemskom pristupu pokazuje da kod primjene u

poslovnom menadmentu i u svrhu profita postoji napredno prikupljanje podataka koje se
zasniva na automatskim procesima i naprednim statistikim analizama.
Naime sistem unosa i prikaza rezultata kao i sama formulacija teorije podatka ostaje ista,
no nain na koji se podaci prikupljaju od korisnika ili objekata se znatno mjenjaju. Ovakvu
pojavu u informacionom dobu moemo nazvati mofoloko-psiholokom gdje se korisnici
interneta prouavaju kao potencijalni kupci i subjekti putem naprednih raunarskih sistema u
oblaku koji su meusobno uvezani. Da bi bolje utvrdili ovu izjavu prikazujemo slijedeu
shemu:

Internet
servisi

Drutven
e mree

Nasumi
na
pretraga

e-pota

Interesi u
trailici

Shema 1. Kruni koncept klasinog internet korisnika

Na osnovu sheme 1. moemo zakljuiti da su navedeni pojmovi meusobno povezani.

Korisnik globalne mree e prilikom koritenja ovih servisa i drutvenih mrea ostavljati niz
podataka o sebi koji ukljuuju:

Ime i prezime (validna mail adresa zahtjeva takve podatke)

Adresu stanovanja (e-kupovine i narudbi)
Spol
Datum roenja (u svrsi zatite privatnosti)
i jo razne..

Pored ovih podataka putem nasumine pretrage ali i ukucavanjem termina u trailici poput
google korisnik odaje svoje interese i u roku od nekoliko trenutaka postaje meta profitnih
kompanija. Vlasnik kompanije ima mogunost da kreira google.ads raun te da na osnovu
njega cilja svoju publiku preko termina pretrage ili verbsa. Nama je interesantan onaj proces
prikupljanja i obrade podataka koji se deava iza kulisa, a iza toga stoje sofisticirani
raunarski sistemi koji imaju razvijen nauni metod pretvoren u empirijsku formulaciju
razumljivu raunaru. Pored velikog broja korisnika postoji i veliki broj razliitih oblika
informacija i podataka koji korisnici ostavljaju poput slika i videa, to poveava zahtjeve
sistema za anlizu podataka. To dokazujemo sa slijedeim opaanjem:

Slika 2. Ukucani termin pretrage u

trailici

Nakon to
pretrage
oigledno

smo

ukucali

termin

trailici koji je
usko povezan sa
9

zdravljem, istog trenutka napredni serveri procesuiraju na termin pretrage i samim tim kad
posjeujemo druge internet izvore koji u sebi imaju ugraen google-ad sense prikazuju nam
sitne reklamice u obliku bannera (termin za veliinu reklame).
Slika 3. Reklame kao rezultat naeg termina pretrage prije nekoliko minuta

3.1

Profilisanje korisnika

Prema (Custers 2004) u svojoj knjizi Mo znanja navodi se da profiliranje predstavlja

proces konstrukcije i primjene profila korisnika koji su generisani kompjuterskom analizom
podataka. Kod generacije profila korisnika Custers navodi da profilisanje moemo da
podjelimo u par razliitih koraka:

Identifikacija korisnika
Prikupljanje podataka
Pripremanje podataka
Lov ili rudarenje podataka
Interpretacija podataka
Primjena podataka
Institucionalna odluka

Tvrdimo da ukoliko je odreeni softwer koji se nalazi na serveru u mogunosti da

sprovede brzu analizu termina te da generie nae profile s obzirom na nae vremensko
djelovanje moemo zakljuiti da postoji sofisticirani metod analize i obrade podataka
10

korisnika koji unose te podatke. to predstavlja koncept novog metoda integrirane naune
analize prikupljanja podataka putem nesvjesnih djelovanja raznih korisnika. Shema
profilisanja korisnika prema (Custers 2004) izgleda ovako:

Softver prikuplja podatke

Identificira korisnika pomou naprednog programa za

analizu i snane raunarske moi cloud - servera

Priprema i analizira podatke, interpretira

Priprema lov ili rudarenje podataka (identificira kontakte

na mail adresi, drutvenim mreama) i zatim im alje iste
prijedloge oglasa.
Softver automatski vri institucionalnu odluku te na
osnovu naih pretraga i bivih ponaanja determinira
nau kupovnu volju i kupovnu mo.
Shema 2. Proces profilisanja prema (Custers 2004)

Rezultati koji dolaze u obliku oglasa su rezultat integralne metode i naprednih raunarskih
tehnologija koje su razvijene prije par godina, jedna od njih je oblak raunarstvo ili cloud
computing. Mnoge kompanije koriste cloud computing te samim tim ulau u njegovu
implementaciju jer im to omoguuje da na jednostavniji i jeftiniji nain profiliu svoje
potencijalne muterije.

3.2 Unos podataka kroz cloud computing

11

Tema Raunarstvo u oblaku (Cloud Computing) je tema za koju je malo rei da je

opirna i sadrajna. Cloud computing je relativno novi trend u ovom dobu modernizacije koji
raste brzo i dinamino od trenutka svog otkria. Sam pojam Cloud Computinga u poslednjem
vremenu je prikazan kao dio IT tehnologije koji ima jako perspektivnu budunost i mnoge
poznate kompanije, visoko rangirane u ovom sektoru, svoje poslovanje zasnivaju na njemu
(Amazon, Google, Vmware, Microsoft i drugi).
Kategorije koje obuhvata Cloud Computing su usluge:

skladitenja,
baze podataka,
informacije,
procesi,
aplikacije,
platforme,
integracije,
sigurnost,
upravljanje,
testiranje i infrastrukture.

Kako mnogi iz struke kau za ovaj oblik raunarstva to je put u budunost.

U vremenima kada mnoge kompanije pokuavaju minimizirati svoje trokove Cloud

Computing se pojavljuje kao mogunost ekstenzije IT mogunosti uz minimalna ulaganja.
Same aplikacije i visoka tehnologija su dostupne za koritenje, u svrsi postizanja uspjenih
rezultata, i ne zahtjevaju ogroman kapital za pokretanje. Takodje u velikoj ekspanziji su i
usluge preko Cloud servisa, u realnom vremenu, u smislu subscription-based or pay-per-use
servisa.
Podaci koje korisnici ostavljaju nalaze se na cloud serverima i samim tim podlijeu
raznim sistemskim obradama. U slijedeoj glavi obradiemo nain na koji se podaci obrauju
na cloud serverima.

3.3 Rudarenje podataka

12

U poslovanju Data Mining se najvie koristi na podruju marketinga, koji je usmjeren

sve vie pojedinanom kupcu upravljanje odnosima s kupcima (eng. Customer Relationship
Management CRM) koje je usmjereno stvaranju, odravanju ili poboljavanju odnosa s
kupcima. Cilj ove pojedinane usmjerenosti na kupca jeste pridobivanje novih kupaca i
zadravanje starih kupaca. CRM pokuava uvidjeti elje i potrebe kupaca, razumjeti njihovo
ponaanje te predvidjeti budue ponaanje. Na ovom podruju Data Mining je posebno
uspjeno, naravno uz dovoljnu koliinu kvalitetnih podataka o kupcu.

U marketingu, Data Mining se najvie upotrebljava za:

direktni marketing npr., katalozi i ponude razliitih artikala se alju kupcima za koje
postoji najvea vjerovatnoa odaziva; pozivi upueni starijim generacijama (ugl.
penzionerima) na prezentacije od 10-ak ljudi gdje trgovaki putnici prodaju razliite
proizvode po " tvornikoj cijeni samo za njih veeras".Npr. prodaju proizvode od

merino vune, proizvode koje ne tete naem zdravlju.

izradu profila kupaca utvruje se uzorak ponaanja kupaca da bi mu se kasnije

poslala prilagoena ponuda.

segmentaciju utvrivanje grupa kupaca jednakih karakteristika (uzorkom ponaanja)
istraivanje povezanosti prodaje razliitih proizvoda analiza kupovine se moe

upotrijebiti za rasporeivanje artikala na policama.

stimulacija kupovine drugih artikala istog preduzea, odnosno vee koliine istih
artikala, to moe nadoknaditi pridobivanje novih kupaca.

Kako emo ovo postii? Na primjer bi bio uz dva kupljena laptop raunara dobijate na
poklon laserski printer koji je stigao kao gratis u to preduzee (ali kupci to naravno ne
znaju).

zadravanje kupaca ovo je puno jeftinije od pridobivanja novih kupaca.

3.4 Metoda integralne analize i prikupljanja podataka (teza)

13

O integralnoj analizi podataka ima malo rijei u literaturu jer je to nadasve nov pojam
koji se je poeo koristiti primjenom novih informacionih tehnologija. Integralna analiza
podataka se vri na nain gdje se na osnovu kriterija koji su postavljeni automatski vri
ralanjivanje podataka koji dolaze iz vie razliitih ali validnih izvora.
Integralna analiza se koristi u raznim sverama nauke (ne odnosi se na analizu
integrala). Primjena integralne analize u menadmentu je vidljiva u samoj SWOT analizi jer
je to oblik integralne analize podataka. Isto tako integralna analiza se koristi kod procjene
rizika, kod profilisanja korisnika (kao to je navedeno), kod predvianja vremena i kod
rizinih ponaanja jedinke ili skupina subjekata (ljudi) u psihologiji.
Nain na koji cloud raunar profilie podatke od korisnika je prilino jednostavan ali
sveobuhvatan. To podrazumijeva objektivan pristup informacijama koje se prikupljaju ali isto
tako i selektivno filtriranje i odabir takvih informacija kroz sistemsku analizu.
Menaderi jako dobro znaju da je osnovni motiv dananjeg drutva novac, iz ega
proizilazi da su se iz potrebe za novcem i opstankom kompanija te malih i srednjih preduzea
javile tenje ka jeftinim nainom analize svojih korisnika i muterija.
Mnogim korporacijama je potrebno jeftino rjeenje kako bi uspjele da uu u borbu sa
vremenom i da opstanu. Nauka slui napretku, pa samim tim drutvo ima tendenciju da
razvija mehanizam za opstanak prije nego to razvije odreene teorije o praksi koja se je
primjenjivala. U ovome sluaju metoda integralne analize podataka je praksa koja se
primjenjuje zbog motiva (novac), a tvrdimo da nauka kaska te ne objavljuje matematike
modele integralne analize podataka koji ve postoje kroz primjenu ovakvih softvera i cloud
raunarstva.
Da bi smo kroz nauni ogled vrili integralnu analizu podataka prije svega potrebno je
da definiemo faktore koji su u meusobnoj interakciji. Prilikom odreenog ogleda ili
eksperimenta gdje primjenjujemo anketu od presudne vanosti mogu biti i faktori kao to su
vrijeme sprovoenja ankete, kao i trenutna stanja sudionika. Internet tu olakava proces iz
razloga to se vri varijabilna analiza koja promatrau omoguuje da kroz dui vremenski
period promatra korisnika.

Integralno prikupljanje podataka zasniva se na definisanju faktora prikupljanja koje

definiemo shodno naim potrebama. Na osnovu integralnog prikupljanja podataka gdje
14

analiziramo subjekta istog profiliemo, na osnovu preciznog profilisanja postajemo dostojni

da iznosimo jasnije rezultate te da lake primjenimo nauku u praksi tj. u sluaju menaderstva
da prodamo odreenu uslugu ili proizvod.

3.2.1 Nain sprovoenja ogleda kroz integralnu analizu i primjenu novih tehnologija
(idejno rjeenje)

Da bi sproveli ovakav ogled potrebno je prije svega da prikupimo integralnu skupinu

podataka. Integralnu skupinu podataka potrebno je prikupiti u razliitim vremenskim
intervalima, dui vremenski intervali bi trebali da daju bolje rezultate. Google ovakve oglede
primjenjuje u svojoj praksi te automatski i manuelno analizira svoje korisnike kroz vie
vremenskih perioda i tranzicija. Ovakav oblik zbog negzaktnih pristupa je i dalje oblik
eksperimantalnog pristupa.

Ovakav ogled moemo provesti kroz slijedei proces:

Kreiramo WEB portal gdje se korisnici prijavljuju sa Gmail adresom

Na na portal postavimo Google trailicu
Na osnovu termina pretrage poinjemo da prikupljamo podatke o korisnicima
U softver za analizu podataka (tipa MS Excel) unosimo podatke o korisnicima kao

i njihove termine pretrage

Vrimo klasifikaciju korisnika za ponudu odreenih proizvoda (djelujemo kao

medij izmeu odnosa ponude i potranje)

Vrimo analizu potencijalnih kandidata za primjenu ostalih naunih istraivanja
(npr. oni kandidati koji u termin pretrage ukucavaju termine o zdravlju i sl. su
najvjerovatnije prije svih ostalih kandidati za vrenje anketa o proizvodima
vezanim za zdravlje, oni bi najvjerovatnije dali rezultate koji su shodni za
potroae koji kupuju takve proizvode)

3.3 Prikupljanje podataka kroz stabla odluke

15

Stabla odluke su serije pravila pomou kojih se izdvajaju odreene klase ili
vrijednosti. Na primjer, mogu se podijeliti kandidati za kredit na dobre ili loe. Prva
komponenta u stablu odluke jeste korijen stabla (engl. Root node) koji sutinski predstavlja
test koji treba uraditi. Sutina tog testa je grananje stabla na podstabla od kojih svako
predstavlja jedan od moguih odgovora. Zavisno od algoritma svaki nod stabla moe imati
dva ili vie podstabala. Svako podstablo vodi do noda koji predstavlja novu taku odluke i
tako se ide do dna stabla do nodova koji se nazivaju listovi, koji predstavljaju zavrnu
klasifikaciju i predstavljaju odgovor na postavljeno pitanje.

3.6 Prikupljanje i analiza podataka kroz neuronske mree

Na osnovu (Warren McCullock i Walter Pitts - 1943) objavljen je lanak Logiki

raun ideja svojstvenih nervnoj aktivnosti esto citiran u novijoj literaturu, a kojeg su
utvrdili na tri izvora, osnovnom znanju iz filozofije i psihologije, funkcioniranju neurona u
mozgu formalnoj i propozicijskoj logici, te Turingovoj teoriji raunanja. Predloili su model
umjetnog neurona gdje neuron predstavlja osnovu i moe imati jedno od dva stanja,
pobuujue ili umirujue, i da njihova aktivnost ovisi o nekom pragu vrijednosti. Kao i da
bilo koja raunalna funkcija moe biti prikazana pomou mree neurona.
Prema (Rumelhart, Hinton i Wiliams - 1986) dokazano je da je mogue usavriti
algoritam irenja unatrag to omoguava automatsko uenje te formulisanje razliitih
ablona.
Metoda analize podataka kroz neuronske mree se primjenjuje kod cloud komputinga
gdje softwer funkcionira na isti nain, tako to ui. Isti formulira ablone te klasificira i uva
podatke koji su vani za odreeni ogled ili svrhu.

4. Zakljuak

16

U ovome radu potrudili smo se da predoimo par novih metoda prikupljanja podataka
koje se koriste danas uz primjenu informacionih tehnologija. Imamo ideju da iste metode
prikupljanja podataka primjenimo i u naunim istraivanjima i ogledima. Ovakve metode se u
marketingu i drugim praktinim sverama koriste ve godinama no nisu klasificirane kao
nauni ogled prilikom analize i prikupljanja podataka.
Vidljivo je da je razvoj tehnologije neminovan pa samim tim teoretski pristup je
potreban da bi se nagli razvoj koji je podstaknut motivom novca mogao koncepirati kroz
naunu literaturu.
Moda se ove nove metode prikupljanja i analize podataka mogu primjenjivati u
ogledima naunih radova jer je evidentno da se kod predvianja cijena, analize trita, analize
rizika iste zapravo u praksi primjenjuju.
Algoritam omoguava da se veliki broj podataka svede na one determinirajue te da
lake definiemo ciljanje skupina i vrimo oglede. Pored ankete, analize dokumenata, iskaza i
izjava smatramo da je potrebno uvrstiti i metode varijabilnog prikupljanja podataka tj.
integralnog, te isto tako i metode varijabilne analize kao metode 21. stoljea.

LITERATURA

17

Knjige
1)
2)
3)
4)
5)
6)
7)
8)

Beynon-Davies, Business information systems. Basingstoke, 2009

Custers, B.H.M., The Power of Knowledge. Tilburg:Wolf Legal Publishers, 2004
Djui, D. Logika. Teorijska istraivanja, Nolit, Beograd 1962.
V. ai, M. Varga, Informacijska tehnologija u poslovanju, Element, Zagreb, 2004.
Gud. V. Metode socijolokog istraivanja, Institut drutvenih nauka, Beograd 1962.
Milan I. Miljevi Metodologija naunog rada Pale, 2007
Markovi, M, Dijalektika teorija znaenja, Beograd 1994.
Ili, M., Nauno istraivanje opta metodologija, Filoloki fakultet u Beogradu

1994.
9) Jung G.K, ovjek i njegovi simboli, Narodna knjiga-Alfa, Beograd 1996.
10) Kun, T.S., Struktura naunih revolucija, Neolit, Beograd 1974.

Doktorske dizertacije
1) Mirjana Zeki-Suac, Neuronske mree u predvidanju profitabilnosti ulaganja,
doktorska disertacija, Sveuilite u Zagrebu, Fakultet organizacije i informatike
Varadin 2000.

18