CC BY
59
Научный журнал КубГАУ, №107(03), 2015 года
1
УДК 303.732.4
01.00.00 Физико-математические науки
СИНТЕЗ И ВЕРИФИКАЦИЯ МНОГОКРИТЕРИАЛЬНОЙ СИСТЕМНОКОГНИТИВНОЙ МОДЕЛИ УНИВЕРСИТЕТСКОГО РЕЙТИНГА ГАРДИАН И ЕЕ ПРИМЕНЕНИЕ ДЛЯ СОПОСТАВИМОЙ ОЦЕНКИ ЭФФЕКТИВНОСТИ РОССИЙСКИХ ВУЗОВ С УЧЕТОМ НАПРАВЛЕНИЯ ПОДГОТОВКИ
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ SPIN-код: 9523-7101
prof.lutsenko@gmail. com
Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13,
Статья посвящена решению проблемы, заключающейся в том, что с одной стороны рейтинг российских вузов востребован, а с другой стороны пока он не создан. Предлагаемая идея решения проблемы состоит в применении отечественной лицензионной инновационной интеллектуальной технологии для этих целей: а именно предлагается применить автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальную систему «Эйдос». Эти методы подробно описываются в этом контексте. Предлагается рассмотреть возможности применения данного инструментария на примере университетского рейтинга Г ардиан, и рассматриваются его частные критерии (показатели вузов). Указываются источники данных и методика их подготовки для обработки в системе «Эйдос». В соответствии с методологией АСК-анализа описывается установка системы «Эйдос», ввод исходных данных в нее и формализация предметной области, синтез и верификация модели, их отображение и применение для решения задач оценки рейтинга Гардиан для российских вузов и исследования объекта моделирования. Рассматриваются перспективы и пути создания интегрированного рейтинга российских вузов и эксплуатации рейтинга в адаптивном режиме. Указываются ограничения предлагаемого подхода и перспективы его развития
Ключевые слова: АСК-АНАЛИЗ, СИСТЕМА «ЭЙДОС», ТЕОРИЯ ИНФОРМАЦИИ, СИНТЕЗ, ВЕРИФИКАЦИЯ, МНОГОКРИТЕРИАЛЬНАЯ СИСТЕМНО-КОГНИТИВНАЯ МОДЕЛЬ, УНИВЕРСИТЕТСКИЙ РЕЙТИНГ ГАРДИАН, СОПОСТАВИМАЯ, ОЦЕНКИ ЭФФЕКТИВНОСТИ РОССИЙСКИХ ВУЗОВ, РАЗНЫЕ НАПРАВЛЕНИЯ ПОДГОТОВКИ
UDC 303.732.4
Physical-Mathematical sciences
SYNTHESIS AND VERIFICATION OF MULTICRITERIA SYSTEM-COGNITIVE MODEL OF THE GUARDIAN UNIVERSITY RANKING AND ITS APPLICATION FOR THE PROPER EVALUATION OF THE EFFECTIVENESS OF RUSSIAN UNIVERSITIES WITH RESPECT TO THE DIRECTION OF PREPARATION
Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor SPIN-code: 9523-7101
vrof.lutsenko@gmail.com
Kuban State Agrarian University, Krasnodar, Russia
The article is devoted to the solution of the problem which is the fact that on the one hand, the rating of Russian universities is in demand and on the other hand it hasn’t been created yet. The proposed idea of solving the problem consists in the application of domestic licensing of innovative intelligent technologies for these purposes: we have suggested using an automated system-cognitive analysis (ASC-analysis) and its software tools - the intelligent system called "Ei-dos". These methods are described in detail in this context. It is proposed to consider the possibility of applying these tools on the example of the Guardian University ranking. The article discusses its private criteria (indicators of universities). We specify the sources of data and the methods of their preparation for processing in "Eidos" system. In accordance with ASC-analysis methodology the article describes the installation of "Eidos", the data input into it, and the formalization of the subject area, synthesis and verification of models, their display and use to solve problems of assessment of the Guardian rating for Russian universities and research object modeling. It also discusses the prospects and ways of development of the integrated rating of Russian universities and operation of rating in adaptive mode. We have also specified the limitations of the proposed approach and the prospects of its development
Keywords: ASC-ANALYSIS, "EIDOS", INFORMATION THEORY, SYNTHESIS, VERIFICATION, MULTI-CRITERIA SYSTEM-COGNITIVE MODEL, GUARDIAN UNIVERSITY RANKINGS, COMPARATIVE, EVALUATIONS OF PERFORMANCE OF RUSSIAN UNIVERSITIES, DIFFERENT AREAS OF TRAINING
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
2
СОДЕРЖАНИЕ
1. ФОРМУЛИРОВКА ПРОБЛЕМЫ...................................................2
2. АВТОРСКИЙ ПОДХОД К РЕШЕНИЮ ПРОБЛЕМЫ.....................................4
2.1. Идея предлагаемого решения проблемы................................4
2.2. Автоматизированный системно-когнитивный анализ и интеллектуальная система
«Эйдос» как инструментарий решения проблемы.............................5
2.3. Частные критерии университетского рейтинга Гардиан.................14
3. ЧИСЛЕННЫЙ ПРИМЕР.......................................................16
3.1. Источники исходных данных..........................................16
3.2. Подготовка исходных данных для системы «Эйдос».....................17
3.3. Установка системы «Эйдос»..........................................24
3.4. Ввод исходных данных в систему «Эйдос» с помощью одного и ее программных
интерфейсов.............................................................25
3.5. Синтез и верификация многокритериальной системно-когнитивной модели
университетского рейтинга Г ардиан, учитывающей направления подготовки..31
3.6. Наглядное отображение подматриц системно-когнитивных моделей университетского
рейтинга Г ардиан в виде когнитивных функций............................37
3.7. Интегральный критерий и решение задачи оценки рейтинга вуза в системно-когнитивной
модели университетского рейтинга Г ардиан...............................43
3.8. Исследование многокритериальной системно-когнитивной модели университетского
рейтинга Г ардиан, учитывающей направления подготовки...................47
4. ИНТЕГРАЦИЯ РАЗЛИЧНЫХ РЕЙТИНГОВ В ОДНОМ «СУПЕР РЕЙТИНГЕ» - ПУТЬ К
ИСПОЛЬЗОВАНИЮ РЕЙТИНГА ГАРДИАН ДЛЯ ОЦЕНКИ РОССИЙСКИХ ВУЗОВ................53
4.1. Пилотное исследование и Парето-оптимизация.........................53
4.2. Эксплуатация методики в адаптивном режиме..........................57
5. ВЫВОДЫ. ОГРАНИЧЕНИЯ И ПЕРСПЕКТИВЫ......................................57
ЛИТЕРАТУРА................................................................59
1. Формулировка проблемы
Университетские рейтинги давно стали общепринятым в мире методом оценки эффективности вузов1.
Этими рейтингами для решения различных задач пользуются и потенциальные студенты, и их родители, и ученые, и руководители. Таким образом, они востребованы практически всем обществом.
Недавно и министерство образования и науки РФ обратилось к идее создания подобного рейтинга для российских вузов, и это в общем нельзя не приветствовать.
Однако первый опыт создания подобного рейтинга, по-видимому, приходиться признать неудачным, т.к. он вызвал большой поток совершенно справедливой и хорошо обоснованной критики со стороны научнопедагогического сообщества. Возражения вызвали, прежде как сами критерии оценки эффективности вузов2, так и полная непрозрачность процедуры формирования этих критериев, а также то, что за бортом широкого
1 См., например: http://www.hotcourses.ru/studY-in-the-uk/choosing-a-universitv/universitv-rankings-guide/
2 http://vandex.ru/vandsearch?lr=35&text=критерии%20оценки%20эффективности%20вvзов&lr=35
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
3
обсуждения (которого, вообще не было) осталось и само понятие эффективности вузов, т.е. их основное назначение. А ведь именно тем, что понимается под эффективностью вузов, определяются и критерии ее оценки. Но предложенные критерии оказались таковы, что у многих возникло вполне обоснованное подозрение, что под эффективностью вузов при их формировании понималось вовсе не качество образования, а нечто другое не свойственное вузам.
Эта критика звучит и на научных конференциях, и в научных публикациях [1]. А то, о чем не принято говорить на научных конференциях и писать в научных публикациях, высказывается на форумах и на личных страницах ученых и педагогов. Например, на своем личном сайте доктор педагогических наук профессор А.А.Остапенко пишет: «Основных критериев, как мы помним пять: средний балл ЕГЭ принятых на обучение студентов; объём научных работ на одного сотрудника; количество иностран-цев-выпускников; доходы вуза в расчёте на одного сотрудника, а также общая площадь учебно-лабораторных зданий в расчёте на одного студента. Как они связаны с эффективностью вуза и что такое эффективность вообще понять, мысля рационально, непросто. Даже всерьёз обсуждать эти критерии как-то странно» 3 4. Но мы все же выскажем одно соображение. На наш взгляд довольно странно выглядит попытка сравнения друг с другом вузов разных направленности подготовки, т. е. например аграрных вузов и вузов, готовящих специалистов для атомной и ракетно-космической промышленности. Иначе говоря, для вузов разной направленности должны быть свои рейтинги.
Правда со временем, наверное, в какой-то степени и под влиянием этой критики, позиция Минобрнауки РФ стала меняться. А то, что к тому времени уже успели закрыть несколько вузов, как говорят: «имеющих признаки неэффективности»5, - это как бы и не так важно. Динамику этих изменений позиции профильного министерства можно проследить по Нормативно-правовым документам Минобрнауки РФ, устанавливающим критерии оценки эффективности деятельности вузов6.
Таким образом, налицо проблема, которая состоит в том, что с одной стороны рейтинг российских вузов востребован, а с другой стороны как-то пока не очень получается его сформировать. То есть, как обычно желаемое не совпадает с действительным, и «хотели как лучше, а вышло как всегда» (В. С.Черномырдин).
3 Достаточно сделать запрос: «научные конференции форумы по эффективности вузов»
4 http://ost101 .liveiournal.com/ http://profdavidson.ucoz.ru/
5 На наш взгляд такие признаки имеют все вузы. Поэтому дело не в том, имеют они такие признаки или нет, а в том, на сколько эти признаки существенны в совокупности.
6 http://uup.samgtu.ru/node/211
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
4
2. Авторский подход к решению проблемы
2.1. Идея предлагаемого решения проблемы
Идея решения проблемы проста: обратиться к мировому опыту в этой области, творчески его переосмыслить применительно к российским реалиям и разработать свои научно-обоснованные подходы, с учетом всего лучшего, что есть в мировом опыте.
Существует несколько популярных и авторитетных рейтингов ву-
зов1:
- Университетский рейтинг The Guardian7;
- Университетский рейтинг Times8;
- Мировой рейтинг Times Higher Education9;
- Рейтинг мировых вузов Шанхайского Университета10.
Мы не будем их здесь описывать, т.к. по ним достаточно информации в общем доступе, в т.ч. по приведенным ссылкам.
Но хотели бы отметить, что для поддержки любого подобного рейтинга необходима соответствующая инфраструктура, оснащенная различными видами обеспечения ее деятельности (финансовое, кадровое, организационное, техническое, математическое, программное, информационное и т.д.). Все эти виды обеспечения в совокупности представляют собой технологию ведения и применения данного рейтинга.
Естественно, никто технологию не продает, а если и продает, то так дорого, что купить ее практически невозможно. Поэтому возникает вопрос о разработке или поиске подобной технологии в России.
Таким образом, востребованы теоретическое обоснование, математическая модель, методика численных расчетов (т.е. структуры данных и алгоритмы их обработки) а также реализующие их инструментальные (программные) средства, обеспечивающие создание, поддержку, развитие и применение подобных рейтингов.
Данная статья как раз и посвящена рассмотрению отечественной лицензионной инновационной интеллектуальной технологии, обеспечивающей решение поставленной проблемы. А именно предлагается применить для этой цели автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальную систему «Эйдос».
7 http://www.theguardian.com/education/table/2011/maY/17/universitv-league-table-2012
8 http://extras.thetimes.co.uk/public/good university guide landing?CMP=KNGvccp1-universitv%20rankings
9 http://extras.thetimes.co.uk/public/good university guide landing?CMP=KNGvccp1-universitv%20rankings
10 http://www.educationindex.ru/article ranking-shanghai-2014.aspx
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
5
2.2. Автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос» как инструментарий решения проблемы
Этот подход кратко описан в статье [2]. Здесь рассмотрим его подробнее.
Прежде всего, возникает вопрос о том, что понимается под эффективностью вузов? Ведь ясно, что прежде чем оценивать эффективность вузов было бы неплохо, а на самом деле совершенно необходимо, разобраться с тем, что же это такое. Причина этого ясна: выбор критериев оценки во многом обуславливается тем, что именно оценивается.
Ясно, что по этому поводу существует много различных мнений, которые в различной степени аргументированы или не аргументированы и отражают позиции руководителей образования и науки, профессионального научно-педагогического сообщества и различных слоев населения. По мнению автора, с научной точки зрения некорректно и неуместно говорить о каких-то критериях оценки эффективности вузов, если не определено само это понятие эффективности, т. е. отсутствует консенсус в профессиональной среде по поводу того, что же это такое.
Очевидно, для достижения такого консенсуса в наше время необходимо широкое обсуждение этого вопроса в научной печати, Internet и СМИ. Однако такое обсуждение не было организовано и критерии оценки эффективности или признаков неэффективности практически неожиданно «свалились научно-педагогическому сообществу как снег на голову».
Уже после этого, как это произошло, началось обсуждение этого вопроса на различных научных конференциях, в научной и периодической прессе, на личных сайтах, формах и т.п. Но пока шло это обсуждение и пока оно не пришло к какому-либо консенсусу в этом вопросе, ряд вузов были закрыты, филиалы сокращены и т.д.
По мнению автора, цель вуза в том, чтобы формировать компетентных и творчески мыслящих специалистов в соответствии с прогнозом социального заказа, т.е. таких, которые будут востребованы обществом в будущем периоде профессиональной деятельности этих специалистов, который составляет 30-40 лет. А должен ли вуз зарабатывать, должен ли он иметь те или иные площади в расчете на одного учащегося - это все нужно знать только для того, чтобы спрогнозировать, сможет ли он выполнить свою основную задачу, т. е. подготовку специалистов. Ни в коем случае нельзя рассматривать эти показатели как самоцель, т.к. достижение тех или иных их значений, вообще говоря, может и ничего не говорить о достижении цели вуза. Несут ли эти критерии какую-либо информацию о достижении цели вуза, и какую именно по величине и знаку, - это еще надо определить в процессе специального исследования, которое, скорее всего не было проведено. Странно, что об этом приходиться писать, но приходиться, т.к. похоже, об этом стали забывать.
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
6
Когда консенсус профессионального научно-педагогического сообщества по вопросу о том, что же понимать под «эффективностью вуза» будет достигнут, на первый план выступает вопрос о том, с помощью какого метода оценивать эту эффективность, т е. как ее измерить.
Для автора вполне очевидно, что этот метод должен представлять собой какой-то вариант метода многокритериальной оценки. Это обусловлено просто тем, что такие сложные и многофакторные системы как вузы в принципе невозможно оценивать по одному показателю или критерию. Чтобы обоснованно выбрать метод оценки эффективности вузов необходимо сначала научно обосновать требования к нему, а затем составить рейтинг методов по степени соответствия обоснованным требованиям и выбрать метод, наиболее удовлетворяющий обоснованным требованиям.
Применение метода факторного анализа для этих целей, по-видимому, некорректно, т.к. этот метод, предъявляющий настолько жесткие требования к исходным данным об объекте моделирования, что их практически невозможно выполнить. Во-первых, факторный анализ - это параметрический метод, предполагающий, что исходные данные подчиняются многомерным нормальным распределениям. Во-вторых, это метод неустойчивый, т.е. небольшие изменения исходных данных могут привести к значительным изменениям в модели. Поэтому исходные данные для факторного анализа должны быть абсолютно точными, что невозможно не только фактически, но даже в принципе. В-третьих, перед началом факторного анализа необходимо определить наиболее важные факторы, которые и будут исследоваться в создаваемой модели. Но при этом в руководствах по факторному анализу не уточняется, каким способом это предлагается сделать. А между тем при большом количестве факторов, что является обычным для большинства реальных задач, это не тривиальная задача, которую вручную решить невозможно.
Когда метод оценки эффективности вузов выбран, необходимо ответить на вопрос о том, на основе каких частных критериев оценивать эффективность вузов и какой исходной информацией о вузах для этого необходимо располагать?
Ясно, что эти критерии в общем случае могут иметь как количественную, так и качественную природу и могут измеряться в различных единицах измерения. Кроме того эти критерии могут иметь различную силу и направление влияния на интегральную оценку эффективности вузов. Конечно, возникают вопросы как о способе определения системы критериев эффективности вуза, так и о способе определения силы и направления влияния критериев на оценку эффективности вузов.
Но еще более существенным является вопрос: «О способе сопоставимого сведения разнородных по своей природе и измеряемых в различных единицах измерения частных критериев эффективности в один количественный интегральный критерий эффективности вуза».
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
7
Отметим, что в материалах Минобрнауки РФ и о критериях оценки эффективности вузов11 12 даже не упоминается вопрос о том, что когда значения частных критериев для того или иного вуза установлены, то необходимо каким-то образом на их основе получить обобщающую количественную оценку его эффективности в виде одного числа, т.е. надо как-то объединить значения всех частных критериев в одной формуле, в одном математическом выражении, которое и называется «Интегральный критерий».
Поэтому, наверное, и говорят не об эффективности или неэффективности вуза, а всего лишь «о признаках неэффективности», а признаками являются значения отдельных частных критериев. Если таких признаков неэффективности много, то делают вывод о том, что вуз неэффективен. Фактически такой подход, который может быть и применялся, можно назвать неосознанным применением частных критериев и интегрального критерия, т.е. «неосознанным многокритериальным подходом». При таком подходе все частные критерии имеют одинаковый вес, например принимающий значения 0 (неэффективен) и 1 (эффективен). Когда значения всех частных критериев для вуза установлены, то эти веса суммируются и сумма сравнивается с минимальными и максимальными оценками, полученными для всех вузов. Допустим, в Минобрнауки РФ из каких-то своих соображений решили, что в результате оценки эффективности вузов должно быть закрыто из-за низкой эффективности 1.5% вузов. Тогда все вузы сортируются по убыванию этой суммы и 1.5% с конца рейтинга помещаются в «черный список».
Но такой «неосознанный многокритериальный подход» очень и очень уязвим для критики.
Во-первых, возникает законный вопрос о том, почему все критерии имеют одинаковый вес, хотя даже интуитивно ясно, что они имеют разное значение и по-разному влияют на эффективность вуза (которая, кстати, непонятно в чем заключается).
Во-вторых, непонятно, как можно складывать средний балл ЕГЭ принятых на обучение студентов, объём научных работ на одного сотрудника, количество иностранцев-выпускников, доходы вуза в расчёте на одного сотрудника и общую площадь учебно-лабораторных зданий в расчёте на одного студента. За подобные математические операции ставят двойку по физике в 7-м классе средней школы. Там школьников учат, что перед тем как складывать величины, измеренные в разных единицах измерения, например рост учащихся, выраженный в метрах (1.72) и выраженный в сантиметрах (160), нужно перевести эти величины в одну единицу измерения, например в метры или в сантиметры. А иначе получится:
1.72+160=161.72, т.е. некий результат, не поддающийся разумной содержательной интерпретации . Как бы нечто похожее и на таком же научном
11 См., например: http://uup.samgtu.ru/node/211
12 Проще говоря «ерундой».
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
8
уровне не получилось при оценке наличия у вуза «признаков неэффективности». Но научно-педагогическую общественность не поставили в известность о том, каким образом вычисляется интегральная оценка эффективности вуза на основе установленных для него значений частных критериев. Поэтому высказанное опасение остается не снятым.
В развитом осознанном многокритериальном подходе для вычисления значения интегрального критерия нужно знать силу и направление влияния каждого значения частных критериев на величину этого интегрального критерия. Интегральные критерии бывают трех видов: аддитивные, мультипликативные и общего вида. Чаще всего используются аддитивные интегральные критерии, в которых значение интегрального критерия равно просто сумме значений частных критериев. Но чтобы значения частных критериев можно было корректно суммировать необходимо, чтобы они были значениями на числовых измерительных шкалах [3], и чтобы они измерялись в одних и тех же единицах измерения или были безразмерными.
Оба эти требования выполняются в Автоматизированном системнокогнитивном анализе (АСК-анализ), в котором все значения всех факторов, независимо от того количественные они или качественные и в каких единицах они измеряются в исходных данных, в моделях системы «Эйдос» (системно-когнитивных моделях) они все измеряются в одних и тех же единицах измерения - единицах количества информации [2, 3]. Поэтому метод АСК-анализа и предлагается для решения поставленной проблемы.
АСК-анализ представляет собой один из современных методов искусственно интеллекта, который предоставляет научно обоснованные ответы на все эти вопросы, но самое существенное, что он оснащен широко и успешно апробированным универсальным программным инструментарием, позволяющим решить эти вопросы не только как обычно на теоретическом концептуальном уровне, но и на практике [2]. Модели знаний АСК-анализа основаны на нечеткой декларативной модели представления знаний, предложенной автором в 1983 году и являющейся гибридной моделью, сочетающей в себе преимущества фреймовой, нейросетевой и четкой продукционной моделей и обеспечивающей создание моделей очень больших размерностей до 10 млн. раз превышающих максимальные размерности моделей знаний экспертных систем с четкими продукциями:
- от фреймовой модели модель представления знания системы «Эй-дос» отличается существенно упрощенной программной реализацией и более высоким быстродействием без потери функциональности;
- от нейросетевой тем, что обеспечивает хорошо обоснованную теоретически содержательную интерпретацию весовых коэффициентов на рецепторах и обучение методом прямого счета [8];
- от четкой продукционной модели - нечеткими продукциями, представленными в декларативной форме, что обеспечивает эффективное ис-
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
9
пользование знаний без их многократной генерации для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемого объекта.
АСК-анализ является непараметрическим методом, устойчивым к шуму в исходных данных, позволяющий корректно обрабатывать неполные (фрагментированные) исходные данные, описывающие воздействие взаимозависимых факторов на нелинейный [7] объект моделирования.
Суть метода АСК-анализа в том, что он позволяет рассчитать на основе исходных данных какое количество информации содержится в значениях факторов, обуславливающих переходы объекта моделирования в различные будущие состояния, причем как в желательные, так и в нежелательные [3].
Он состоит в целенаправленном последовательном повышении степени формализации исходных данных до уровня, который позволяет ввести исходные данные в компьютерную систему, а затем преобразовать исходные данные в информацию; информацию преобразовать в знания; использовать знания для решения задач прогнозирования, принятия решений и исследования предметной области.
Рассмотрим подробнее вопросы выявления, представления и использования знаний в АСК-анализе и системе «Эйдос».
Данные - это информация, записанная на каком-либо носителе или находящаяся в каналах связи и представленная на каком-то языке или в системе кодирования и рассматриваемая безотносительно к ее смысловому содержанию.
Исходные данные об объекте управления обычно представлены в форме баз данных, чаще всего временных рядов, т.е. данных, привязанных ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ), развиваемой проф. Е.В. Луценко, для управления и принятия решений использовать непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат управления при таком подходе оказывается мало чем отличающимся от случайного. Для реального же решения задачи управления необходимо предварительно преобразовать данные в информацию, а ее в знания о том, какие воздействия на корпорацию к каким ее изменениям обычно, как показывает опыт, приводят.
Информация есть осмысленные данные.
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
10
Смысл данных, в соответствии с концепцией смысла Шенка-Абельсона, состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Таким образом, данные преобразуются в информацию в результате операции, которая называется «Анализ данных», которая состоит из двух этапов:
1. Выявление событий в данных (разработка классификационных и описательных шкал и градаций и преобразование с их использованием исходных данных в обучающую выборку, т.е. в базу событий - эвентологи-ческую базу).
2. Выявление причинно-следственных зависимостей между событиями.
В случае систем управления событиями в данных являются совпадения определенных значений входных факторов и выходных параметров объекта управления, т.е. по сути, случаи перехода объекта управления в определенные будущие состояния под действием определенных сочетаний значений управляющих факторов. Качественные значения входных факторов и выходных параметров естественно формализовать в форме лингвистических переменных. Если же входные факторы и выходные параметры являются числовыми, то их значения измеряются с некоторой погрешностью и фактически представляют собой интервальные числовые значения, которые также могут быть представлены или формализованы в форме лингвистических переменных (типа: «малые», «средние», «большие» значения экономических показателей).
Какие же математические меры могут быть использованы для количественного измерения силы и направления причинно-следственных зависимостей?
Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике это хорошо известно, что это совершенно не так. Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями. В АСК-анализе предлагается 7 количественных мер причинноследственных связей, основной из которых является семантическая мера целесообразности информации по А.Харкевичу.
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
11
Знания - это информация, полезная для достижения целей13.
Значит для преобразования информации в знания необходимо:
1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные).
2. Оценить полезность информации для достижения этой цели (знак и силу влияния).
Второй пункт, по сути, выполнен при преобразовании данных в информацию. Поэтому остается выполнить только первый пункт, т.к. классифицировать будущие состояния объекта управления как желательные (целевые) и нежелательные.
Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:
- вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);
- знания, формализованные в естественном вербальном языке;
- знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных);
- знания в форме технологий, организационных, производственных, социально-экономических и политических структур;
- знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).
Таким образом, для решения сформулированной проблемы необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:
- преобразовать исходные данные в информацию;
- преобразовать информацию в знания;
- использовать знания для решения задач управления, принятия решений и исследования предметной области.
13 Основные публикации автора по вопросам выявления, представления и использования знаний:
- http://www.twirpx.com/file/793311/
- Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шенка - Абельсона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2004. - №03(005). С. 65 - 86. - IDA [article ID]: 0050403004. - Режим доступа: http://ei.kubagro.ru/2004/03/pdf/04.pdf. 1,375 у.п.л.
- Луценко Е.В. Методологические аспекты выявления. представления и использования знаний в АСК-анализе и интеллектуальной системе «Эй-дос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ. 2011. - №06(070). С. 233 - 280. - Шифр Информрегистра: 0421100012\0l97. IDA [article ID]: 0701106018. - Режим доступа: http://ei.kubagro.ru/2011/06/pdf/18.pdf. 3 у.п.л.
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
12
О соотношении содержания понятий: «Данные», «Информация» и «Знания»
Последовательность обработки данных, информации и знаний в системе «Эйдос-Х++»
с
Когнитивно-целевая структуризация предметной области (неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)
2
Формализация предметной области
Средства кодирования исходных данных
lnp_data, lnp_data.xls
Исходные данные
Class_Sc, Gr_CISc
Классификационные шкалы и градации
Opis_Sc, Gr_OpSc
Описательные шкалы и градации
Обучающая выборка, эвентологическая база данных
Решение задач исследования предметной области путем исследования ее модели
Рисунок 1. Соотношение содержания понятий: «Данные», «Информация», «Знания» и этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям
http://ej .kubagro.ru/2015/03/pdf/01 .pdf
Научный журнал КубГАУ, №107(03), 2015 года
13
АСК-анализ имеет следующие этапы [2]:
- когнитивно-целевая структуризация предметной области;
- формализация предметной области (формирование классификационных и описательных шкал и градаций и обучающей выборки);
- синтез и верификация статистических и системно-когнитивных моделей;
- решение задач идентификации, прогнозирования, принятия решений и исследования предметной области в наиболее достоверных из созданных моделей.
Единственный неавтоматизированный в системе «Эйдос» этап - это первый, а остальные приведены на рисунке 1.
АСК-анализ имеет ряд особенностей, которые обусловили его выбор в качестве метода решения проблемы:
1. Имеет теоретическое обоснование, основой которого является семантическая мера целесообразности информации А.Харкевича.
2. Обеспечивает корректную сопоставимую количественную обработку разнородных по своей природе факторов, измеряемых в различных единицах измерения, высокую точность и независимость результатов расчетов от единиц измерения исходных данных.
3. Обеспечивает построение многомерных моделей объекта моделирования непосредственно на основе неполных и искаженных эмпирических данных о нем.
4. Имеет развитую и доступную программную реализацию в виде универсальной когнитивной аналитической системы «Эйдос».
Очень важно, что этот инструментарий и методики его использования для решения сформулированных задач могут быть доступны всем заинтересованным сторонам не только на федеральном уровне, но и в самих вузах, что позволит им осуществлять аудиторскую самооценку и видеть свое место и динамику среди других вузов. Это позволит руководителям вузов принимать более осознанные и научно обоснованные решения, направленные на повышение эффективности и рейтинга их вуза. Конечно, для реализации на практике регулярного рейтингового анализа вузов необходимо создание соответствующей достаточно разветвленной инфраструктуры.
Более подробному и конкретному исследованию связанных с этим вопросов и посвящена данная работа, в которой далее кратко расстраивается университетский рейтинг Г ардиан (который выбран просто в качестве примера), а затем приводится численный пример его реализации в форме приложения интеллектуальной системы «Эйдос». Отметим, что создание
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
14
этого приложения не требует программирования [4-6], т.е. система «Эй-дос» анализирует исходные данные рейтинга и строит модель, в которой отражено как влияют значения частных критериев на значение интегрального критерия, т.е. на итоговую общую оценку рейтинга вуза.
2.3. Частные критерии университетского рейтинга Гардиан
Университетский рейтинг Г ардиан14 выгодно отличается от других тем, что измеряет качество преподавания, использования учебных ресурсов, а также оценивает уровень исследовательской деятельности, что очень полезно для тех, кто интересуется послевузовскими программами - магистратурой, докторантурой и проч.
Как указано на официальном сайте рейтинга10 в нем используются следующие частные критерии:
1. Качество преподавания, которое оценивается национальным студенческим исследованием (NSS): процент удовлетворенных студентов.
2. Получение обратной связи от преподавателя и качество заданий. Оценивается опросом NSS, в котором устанавливается процент удовлетворенных студентов.
3. Результаты опроса NSS, в котором оценивается процент студентов, удовлетворенных общим качеством выбранной программы.
4. Затраты на студента - оценка по 10-балльной шкале.
5. Соотношение студент - работник вуза: количество студентов на штатную единицу университета.
6. Карьерные перспективы: процент выпускников, сумевших найти работу или продолжить обучение в течение полугода после окончания вуза.
7. Уровень прогресса студентов на основе сравнения университетских результатов с оценками предыдущего сертификата (обычно, школьного или университетского): оценка по 10-балльной шкале. Данный показатель демонстрирует, насколько преподавательский состав способен повлиять на улучшение успеваемости студентов.
8. Проходной балл при поступлении в вуз на основе оценок предыдущего сертификата обучения (школьный или университетский сертификат).
Отметим, что считаем важным достоинством данного рейтинга то, что он ведется по различным направлениям подготовки, которых 45 (таблица 1):
14 http://www.theguardian.com/education/table/2011/mav/17/univcrsilv-lcaguc-lablc-2012
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
15
Таблица 1 - Направления подготовки, по которым проводился
№ Наименование
1 Agriculture, forestry and food
2 American studies
3 Anatomy and physiology
4 Anthropology
5 Archaeology and Forensics
6 Architecture
7 Art and design
8 Biosciences
9 Building and town and country planning
10 Business and management studies
11 Chemistry
12 Classics
13 Computer sciences and IT
14 Dentistry
15 Drama and dance
16 Earth and marine sciences
17 Economics
18 Education
19 Engineering: chemical
20 Engineering: civil
21 Engineering: electronic and electrical
22 Engineering: general
23 Engineering: materials and mineral
24 Engineering: mechanical
25 English
26 Geography and environmental studies
27 History and history of art
28 Law
29 Mathematics
30 Media studies, communications and librarianship
31 Medicine
32 Modern languages and linguistics
33 Music
34 Nursing and paramedical studies
35 Pharmacy and pharmacology
36 Philosophy
37 Physics
38 Politics
39 Psychology
40 Religious studies and theology
41 Social policy and administration
42 Sociology
43 Sports science
44 Tourism, transport and travel
45 Veterinary science
В университетском рейтинге Гардиан содержатся рейтинги следующих 155 вузов (таблица 2):
Таблица 2 - Вузы, по которым есть информация
№ Наименование
1 Aberdeen
2 Abertay Dundee
3 Aberystwyth
4 Anglia Ruskin
5 Arts UC, Bournemouth
6 Aston
7 Bangor
8 Bath
9 Bath Spa
10 Bedfordshire
11 Birmingham
12 Birmingham City
13 Bishop Grosseteste UC
14 Bolton
15 Bournemouth
16 Bradford
17 Brighton
18 Brighton Sussex Medical School
19 Bristol
20 Brunel
21 Buckingham
22 Bucks New University
23 Cambridge
24 Canterbury Christ Church
25 Cardiff
26 Central Lancashire
27 Central School of Speech and Drama
28 Chester
29 Chichester
30 City
31 Conservatoire for Dance and Drama
32 Courtauld Institute
33 Coventry
34 Cumbria
35 De Montfort
36 Derby
37 Dundee
38 Durham
39 East London
40 Edge Hill
41 Edinburgh
42 Edinburgh College of Art
43 Edinburgh Napier
44 Edinburgh School of Architecture
45 Essex
46 Exeter
47 Glamorgan
48 Glasgow
49 Glasgow Caledonian
50 Glasgow School of Art
51 Gloucestershire
52 Glyndwr
53 Goldsmiths
54 Greenwich
55 Guildhall School of Music and Drama
56 Harper Adams UC
57 Heriot-Watt
58 Hertfordshire
59 Heythrop College
60 Huddersfield
61 Hull
62 Hull York Medical School
63 Imperial College
64 Keele
65 Kent
66 King's College London
67 Kingston
68 Lancaster
69 Leeds
70 Leeds College of Music
71 Leeds Met
72 Leeds Trinity University College
73 Leicester
74 Lincoln
75 Liverpool
76 Liverpool John Moores
77 London Met
78 London School of Economics
79 London South Bank
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
16
80 Loughborough
81 Manchester
82 Manchester Met
83 Manchester School of Architecture
84 Marjon (St Mark and St John)
85 Middlesex
86 Newcastle
87 Newman University College
88 Newport
89 Northampton
90 Northumbria
91 Norwich UC of the Arts
92 Nottingham
93 Nottingham Trent
94 Oxford
95 Oxford Brookes
96 Peninsula Medical School
97 Plymouth
98 Portsmouth
99 Queen's, Belfast
100 Queen Margaret
101 Queen Mary
102 Ravensbourne
103 Reading
104 Robert Gordon
105 Roehampton
106 Rose Bruford College
107 Roval Academv of Music
108 Royal Agricultural College
109 Royal College of Music
110 Royal Holloway
111 Royal Northern College of Music
112 Royal Scottish Academy of Music and Drama
113 Royal Veterinary College
114 Salford
115 School of Pharmacy
116 Sheffield
117 Sheffield Hallam
118 SOAS
119 Southampton
120 Southampton Solent
121 St Andrews
122 St George's Medical School
123 St Mary's UC, Belfast
124 St Mary's UC, Twickenham
125 Staffordshire
126 Stirling
127 Stranmillis UC
128 Strathclyde
129 Sunderland
130 Surrey
131 Sussex
132 Swansea
133 Teesside
134 Thames Valley
135 The Liverpool Institute for Performing Arts
136 Trinity Laban Conservatoire
137 Trinity Saint David
138 UC Falmouth
139 UC Suffolk
140 UCL
141 UEA
142 Ulster
143 University College Birmingham
144 University for the Creative Arts
145 University of the Arts, London
146 UWE Bristol
147 UWIC
148 Warwick
149 West of Scotland
150 Westminster
151 Winchester
152 Worcester
153 Writtle College
154 York
155 York St John
Однако интегральный критерий, позволяющий получить рейтинговую оценку вуза на основе установленных для него значений частных критериев, на официальном сайте рейтинга Гардиан15 не приводится. Поэтому для того, чтобы применить данный рейтинг на практике необходимо реконструировать его интегральный критерий и создать модель, отражающую силу и знак связи между значениями частных критериев и значениями интегрального критерия. Решим эту задачу в системе «Эйдос» на численном примере на основе реальных данных рейтинга Г ардиан.
3. Численный пример
3.1. Источники исходных данных
В нижней части одной из страниц официального сайта университетского рейтинга Гардиан16 есть ссылка на Excel-таблицу, которую мы использовали в качестве исходных данных:
Download the data
• DATA: download the full spreadsheet.
15 http://www.theguardian.com/education/table/2011/may/17/universitv-league-table-2012
16 http://www.theguardian.com/news/datablog/2011/may/17/university-guide-2012-data-guardian
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
17
Кликнув по этой ссылке, мы получаем on-line доступ к этой Excel-таблице (рисунок 2):
1. Щ Guardian UnwarsityTabla Guardian UmversityTabiT"
Рисунок 2. Excel-таблица исходных данных по университетскому рейтингу Г ардиан с официального сайта рейтинга (фрагмент)
Чтобы скачать эту таблицу на локальном компьютере нужно кликнуть слева вверху по пункту меню «Файл», а затем выбрать: «Сохранить как» и указать тип файла.
3.2. Подготовка исходных данных для системы «Эйдос»
Однако в соответствии с 1-м и единственным не автоматизированным в системе «Эйдос» этапом АСК-анализа, который называется: «Когнитивно-целевая структуризация предметной области» перед созданием интеллектуального приложения мы должны определиться, что мы хотим определять с помощью модели и на основе чего.
В данной задаче для каждого университета по значениям его показателей мы бы хотели определить:
- обобщающий рейтинг Гардиан (Guardian score/100);
- рейтинг по каждому из направлений подготовки (Rank), перечисленных в таблице 1;
- основное (профилирующее) направление подготовки (Field of study).
- само наименование университета (Name of Institution).
Наименования показателей университета:
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
18
1. % Satisfied with Teaching.
2. % Satisfied overall with course.
3. Expenditure per student (FTE).
4. Student: staff ratio.
5. Career prospects.
6. Value added score/10.
7. Average Entry Tariff.
8. % Satisfied with Assessment.
Перевод этих показателей на русский язык приведен в разделе 2.3.
Учитывая эти результаты выполнения 1-го этапа АСК-анализа, перед для вводом данных в систему «Эйдос», таблицу, скачанную на предыдущем шаге с официального сайта рейтинга Гардиан и приведенную на рисунке 2, необходимо преобразовать в такую форму, которая бы отражала те способы группировки данных по университетам, которые нас интересуют и соответствовала бы требованиям системы «Эйдос» к внешним базам исходных данных (рисунок 3):
tJ Помощь
Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных alnp_data.xlsB в систему ‘Эйдос-х+ + ‘ и формализации предметной области.
- Данный программный интерфейс обеспечивает автоматическое формирование классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. формализацию предметной области, на основе XLS или XLSX-файла с исходными данными приведенного ниже стандарта
- Файл исходных данных должен иметь имя' INP_DATA.XLS или INP_DATAXLSX и может быть получен в Ехсе1-2003(2007-2010), а Файл распознаваемой выборки имя: INP_RASP.XLS или INP_RASP.XLSX. Файлы INP_DATA.XLS [INP_DATA.XLSX] и INP_RASP.XLS или INP_RASP. XLSX] должны находиться в папке /А1D 0 6 -X/AI D_DATА/1 np_data/ и имеют совершенно одинаковую структуру.
-1 -я строка этого Файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования должны быть во всех колонках, при этом объединение ячеек и переносы слов не допускаются. Желательно, чтобы эти наименования были не очень длинными, т.к. к ним еще будут добавляться интервальные числовые или текстовые значения.
- Каждая строка этого Файла, начиная со 2-й. содержит данные об одном объекте обучающей выборки. Если Excel-2003, в листе может быть до 65536 строк и до 256 колонок. В листе Е xcel-2007|2010] возможно до 1 048 576 строк и 16 384 колонок.
- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального) или числового типа (с десятичными знаками после запятой).
- Столбцу присваивается числовой тип. если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т. ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.
-1 -й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.
- Столбцы со 2-го по N-й являются классификационными шкалами (выходными параметрами) и содержат данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.
- Столбцы с N+1 по последний являются описательными шкалами (факторами) и содержат данные □ признаках (значениях факторов), характеризующих объекты обучающей выборки.
- В результате работы режима формируется файл INP_NAME.TXT стандарта MS DOS (кириллица), в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система формирует классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и Формирует заданное количество числовых интервалов, после чего числовые значения заменяются их интервальными значениями. В текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классиФйкационной или описательной шкалы, характеризующей объект. 0 их использованием генерируется обучающая выборка, каждый объект которой соответствует одной строке файла исходных данных NP_DATA и содержит коды классов, соответствующие Фактам совпадения числовых или уникальных текстовых значений классов.с градациями классификационных шкал и коды признаков, соответствующие фактам совпадения числовых или уникальных текстовых значений признаков.с градациями описательных шкал.
- Распознаваемая выборка формируется на основе файла INP_RASP аналогично, за исключением того, что классификационные и описательные шкалы и градации не создаются, а используются ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов, если столбцы классов в файле INP_RASP были пустыми. Структура файла INP_RASP должна быть такая же, как INP_DATA, т.е. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.
—Принцип организациитаблицы исходных данных:-
Нан мэновзнне объекта обучающей выборки Наименование 1-й классификационной шкалы Наименование 2-й классификационной шкалы Наименование 1-й описательной шкалы Наименование 2-й описательной шкалы
1-й объект обучающей выборки Значение гюкааатйгш Значение показателя Значение показателе! Значение Показателя
2-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя
Рисунок 3. Экранная форма системы «Эйдос» с описанием требований к внешним базам исходных данных
Для этого преобразуем таблицу, приведенную на рисунке 2, следующим образом:
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
19
1. Добавим лист (вкладку) с наименованием: «Inp_data» на 1-ю позицию. На этом листе будет формироваться результат для ввода данных всех данных по рейтингу в систему «Эйдос».
2. Переименуем наименования всех вкладок с рейтингами по направлений подготовки, полностью убирая текстовое наименование направления подготовки и оставляя только его номер (код). Это нужно для того, чтобы проще было писать формулы со ссылками на листы с информацией о рейтингах по направлениям подготовки.
3. Добавим отладочную страницу «P», на которой апробируем способ отображения абсолютного рейтинга в относительный (нормированный). Дело в том, что в таблице на рисунке 2 в каждом рейтинге по направлению подготовки участвует разное число университетов, а рейтингом является просто порядковый номер в списке. В результате рейтинги по направлениям подготовки изменяются в различных пределах от 1 до числа университетов, имеющих данное направление подготовки. В результате такие рейтинги оказываются несопоставимыми, что нас не устраивает Чтобы преодолеть эту проблему мы нормировали абсолютные рейтинги по направлениям подготовки к 10-бальной числовое шкале, т.е. преобразовали их в относительные. Можно было взять и любое другое число градаций шкалы, но мы посчитали, что такая шкала обеспечивает необходимую и достаточную для практики точность. Кроме того этот лист мы затем используем для модификации листов с рейтингами по направлениям подготовки. В таблице 3 приведены результат нормирования абсолютного рейтинга с 27 градациями и формулы, с помощью которых это делается.
Таблица 3 - Способ и результат нормирования
абсолютного рейтинга по направлению подготовки
Результат нормирования
абсолютного рейтинга
A B C
1 X1 = 1
2 X2= 27
3 Y1 = 1
4 Y2= 10
5
6 Абсолют. рейтинг Относит. рейтинг
7 1 1,00
8 2 1,35
9 3 1,69
10 4 2,04
11 5 2,38
12 6 2,73
13 7 3,08
14 8 3,42
15 9 3,77
16 10 4,12
17 11 4,46
18 12 4,81
19 13 5,15
20 14 5,50
21 15 5,85
22 16 6,19
23 17 6,54
Способ (формулы) нормирования абсолютного рейтинга
A B C
X1 = =A7
X2= =A33
Y1 = 1
Y2= 10
Абсолютный рейтинг Относительный рейтинг
1 =$B$3+(A7-$B$1)/($B$2-$B$1)*($B$4-$B$3)
2 =$B$3+(A8-$B$1)/($B$2-$B$1)*($B$4-$B$3)
3 =$B$3+(A9-$B$1)/($B$2-$B$1)*($B$4-$B$3)
4 =$B$3+(A10-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
5 =$B$3+(A11 -$B$1 )/($B$2-$B$1)*($B$4-$B$3)
6 =$B$3+(A12-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
7 =$B$3+(A13-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
8 =$B$3+(A14-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
9 =$B$3+(A15-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
10 =$B$3+(A16-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
11 =$B$3+(A17-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
12 =$B$3+(A18-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
13 =$B$3+(A19-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
14 =$B$3+(A20-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
15 =$B$3+(A21 -$B$1 )/($B$2-$B$1)*($B$4-$B$3)
16 =$B$3+(A22-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
17 =$B$3+(A23-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
20
18 =$B$3+(A24-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
19 =$B$3+(A25-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
20 =$B$3+(A26-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
21 =$B$3+(A27-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
22 =$B$3+(A28-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
23 =$B$3+(A29-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
24 =$B$3+(A30-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
25 =$B$3+(A31 -$B$1 )/($B$2-$B$1)*($B$4-$B$3)
26 =$B$3+(A32-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
27 =$B$3+(A33-$B$1 )/($B$2-$B$1)*($B$4-$B$3)
24 18 6,88
25 19 7,23
26 20 7,58
27 21 7,92
28 22 8,27
29 23 8,62
30 24 8,96
31 25 9,31
32 26 9,65
33 27 10,00
Получим выражение для линейного отображения абсолютной шка-
лы, с числом градаций Х2 в относительную шкалу, с заданным числом градаций Y2 (рисунок 4):
Рисунок 4. К выводу выражения для линейного отображения абсолютной шкалы в относительную шкалу (линейная нормировка абсолютной шкалы)
Из рисунка 4 видно, что:
C - Yi
A - X1
Y2 - Y
X 2 - X1
Откуда получаем искомое выражение для нормировки:
C = Yi
A - X, +------L-
X 2 - X1
Y - Y,)
где:
C - относительный рейтинг;
A - абсолютный рейтинг;
Yi -значение начальной градации шкалы относительного рейтинга;
Y2 -значение конечной градации шкалы относительного рейтинга (число градаций, если Y1 = 1);
Xi - значение начальной градации шкалы абсолютного рейтинга;
X2 - значение конечной градации шкалы абсолютного рейтинга (число градаций, если X1 = 1).
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
21
Этому выражению можно придать вид линейного уравнения, но нам в этом нет необходимости.
4. На следующем шаге:
- копируем таблицу для нормировки абсолютных шкал на все листы с рейтингами по направлениям подготовки;
- корректируем значение Х2 на фактическое в данной абсолютной шкале.
В результате и получаем такие листы (таблица 4):
Таблица 4 - Преобразование абсолютного рейтинга по направлению подготовки: «Медицина» в относительный (нормированный)
Rank
10
11
12
13
14
15 15
17
18 18 20 21 22
23
24
25
26
27
28
29
30
Name of Institution Guardian score/100 % Satisfied % Satisfied with overall with Teaching course LA|JCI IUILUI e per student (FTE) Student:st aff ratio Career prospects Value added score/10 Average Entry Tariff
Oxford 100,0 99 96 7,0 100 7 552
Cambridge 92,8 92 92 10 6,7 98 2 578
Edinburgh 90,3 94 92 10 5,7 99 4 531
Dundee 86,2 95 94 10 5,1 100 6 498
UCL 80,7 91 91 6 4,8 100 9 532
Imperial College 67,1 92 90 7 6,9 100 3 507
Leicester 65,2 92 90 5 6,4 99 5 497
Newcastle 64,0 96 98 4 7,7 100 5 488
Peninsula Medical School 64,0 92 89 7 9Д 100 4 487
Nottingham 63,7 92 89 3 7,0 99 4 518
King's College London 62,3 89 85 5 4,9 100 6 486
Warwick 61,2 90 85 8 8,7 100 9
Leeds 55,2 88 85 6 8,5 100 6 490
Hull York Medical School 54,2 89 87 4 9,9 100 8 492
Manchester 53,8 80 67 8 8,7 99 9 496
Sheffield 53,8 91 89 3 8,5 100 4 495
Aberdeen 52,0 92 93 4 9,0 99 6 444
Brighton Sussex Medical School 51,9 90 86 4 12,4 100 7
Queen Mary 51,9 82 77 4 9,0 100 8 499
St George's Medical School 50,7 89 90 6 10,9 99 6 473
Southampton 49,5 87 83 4 8,8 99 7 484
St Andrews 48,8 96 97 2 12,7 96 1 504
Glasgow 47,5 79 65 5 7,6 99 5 510
UEA 45,0 90 87 3 8,6 100 9 438
Birmingham 44,2 91 83 3 10,1 99 3 516
Queen's, Belfast 42,3 89 86 4 10,1 100 3 460
Liverpool 38,9 75 66 4 8,9 100 4 485
Bristol 38,0 85 68 6 11,0 100 4 486
Keele 32,0 84 62 3 10,1 100 7 450
Cardiff 28,8 79 58 3 11,1 100 8 487
with
83
59
52
64
58 44 50 55 62 48
43
42 50
54 35
55 66 55
44 54
43
59 33 54
30 50
31 24 27 19
4,10
4,41
4,72
5,03
5,34
5,34
5,97
6,28
6,28
6,90
7,21
7,52
7,83
8,14
8,45
8,76
9,07
9,38
10,00
Rank
Отметим, что значение Y2=10 во всех листах берется с листа «Р» с исходной таблицей для преобразования абсолютных шкал в относительные, и, если его изменить там, то оно сразу меняется на всех листах с рейтингами по направлениям подготовки.
5. Затем формируем лист для ввода данных в систему «Эйдос». Для этого мы собираем на одном листе данные со всех листов с рейтингами по направлениям подготовки (таблица 5):
http://ej .kubagro.ru/2015/03/pdf/01 .pdf
Научный журнал КубГАУ, №107(03), 2015 года
22
Таблица 5 - Исходные данные по рейтингу
ардиан, подготовленные для ввода в систему «Эйдос» (фрагмент)
The object of training sample Guardian score/100 Rank Field of study Name of Institution % Satisfied with Teachinq % Satisfied overall with course Expenditure per student (FTE) Student: staff ratio Career prospects Value added sco re/10 Average Entry Tariff % Satisfied with Assessment
Medicine-Oxford, 2012 100,00 01. Medicine Medic Oxford 98,51 96,00 0,00 7 00 100,00 7 00 552,00 82,60
Medicine-Cambridqe, 2012 92,80 01. Medicine Medic Cambridqe 92,44 92,00 10,00 6 70 98,00 2 00 578,00 59,36
Medicine-Edinburqh, 2012 90,30 02. Medicine Medic ine Edinburqh 93,52 92,00 10,00 5 70 99,00 4 00 531,00 51,79
Medicine-Dundee, 2012 86,20 02. Medicine Medic ine Dundee 95,25 94,00 10,00 5 10 100,00 6 00 498,00 64,40
Medicine-UCL, 2012 80,70 02. Medicine Medic ine UCL 91,04 91,00 6,00 4 80 100,00 9 00 532,00 58,43
Medicine-Imperial Colleqe, 2012 67,10 03. Medicine Medic ine Imperial Colleqe 92,23 90,00 7,00 6 90 100,00 3 00 507,00 43,51
Medicine-Leicester, 2012 65,20 03. Medicine Medic ine Leicester 91,79 90,00 5,00 6 40 99,00 5 00 497,00 50,10
Medicine-Newcastle, 2012 64,00 03. Medicine Medic ine Newcastle 95,72 97,98 4,00 7 70 100,00 5 00 488,00 54,71
Medicine-Peninsula Medical School, 2012 64,00 03.Medicine Medic Peninsula Medical School 91,78 89,08 7,00 9 10 100,00 4 00 487,00 61,91
Medicine-Nottingham, 2012 63,70 04.Medicine Medic Nottingham 91,50 89,00 3,00 7 00 99,00 4 00 518,00 48,19
Medicine-King's College London, 2012 62,30 04. Medicine Medic ine King's College London 88,75 85,00 5,00 4 90 100,00 6 00 486,00 42,60
Medicine-Warwick, 2012 61,20 04. Medicine Medic ine Warwick 89,55 84,85 8,00 8 70 100,00 9 00 0,00 42,28
Medicine-Leeds, 2012 55,20 05.Medicine Medic ine Leeds 87,59 85,00 6,00 8 50 100,00 6 00 490,00 50,20
Medicine-Hull York Medical School, 2012 54,20 05.Medicine Medic Hull York Medical School 88,69 87,00 4,00 9 90 100,00 8 00 492,00 53,68
Medicine-Manchester, 2012 53,80 05.Medicine Medic Manchester 79,95 67,00 8,00 8 70 99,00 9 00 496,00 35,46
Medicine-Sheffield, 2012 53,80 05.Medicine Medic Sheffield 91,25 89,11 3,00 8 50 100,00 4 00 495,00 55,40
Medicine-Aberdeen, 2012 52,00 06. Medicine Medic Aberdeen 91,71 93,11 4,00 9 00 99,00 6 00 444,00 66,18
Medicine-Briqhton Sussex Medical School, 2012 51,90 06.Medicine Medic Briqhton Sussex Medical School 89,97 86,00 4,00 12 40 100,00 7 00 0,00 55,49
Medicine-Queen Mary, 2012 51,90 06.Medicine Medic Queen Mary 82,41 77,00 4,00 9 00 100,00 8 00 499,00 44,14
Medicine-St George's Medical School, 2012 50,70 07.Medicine Medic St Georqe's Medical School 88,94 89,90 6,00 10 90 99,00 6 00 473,00 53,82
Medicine-Southampton, 2012 49,50 07.Medicine Medic Southampton 87,00 82,83 4,00 8 80 99,00 7 00 484,00 43,17
Medicine-St Andrews, 2012 48,80 08. Medicine Medic St Andrews 95,98 97,00 2,00 12 70 96,00 1 00 504,00 58,72
Medicine-Glasgow, 2012 47,50 08.Medicine Medic Glasgow 78,86 64,65 5,00 7 60 99,00 5 00 510,00 32,80
Medicine-UEA, 2012 45,00 08. Medicine Medic ine UEA 89,50 87,00 3,0C 8 6C 100,00 9 oc 438,00 53,60
Medicine-Birmingham, 2012 44,20 08.Medicine Medic ine Birmingham 90,55 83,00 3,00 10 10 99,00 3 00 516,00 29,54
Medicine-Queen's, Belfast, 2012 42,30 09.Medicine Medic ine Queen's, Belfast 88,97 85,86 4,00 10 10 100,00 3 00 460,00 50,10
Medicine-Liverpool, 2012 38,90 09.Medicine Medic Liverpool 75,31 65,66 4,00 8 90 100,00 4 00 485,00 31,14
Medicine-Bristol, 2012 38,00 09.Medicine Medic Bristol 85,25 68,00 6,00 1 1 00 100,00 4 00 486,00 24,40
Medicine-Keele, 2012 32,00 10.Medicine Medic 83,67 62,00 3,0C 1C 1C 100,00 7 oc 450,00 27,35
Medicine-Cardiff, 2012 28,80 10.Medicine Medic Cardiff 78,55 58,00 3,00 11 10 100,00 8 00 487,00 18,88
Dentistry-King's College London, 2012 100,00 01. Dent Dentistry 90,75 86,14 8,00 7 10 99,00 7 00 484,00 65,67
Dentistry-Glasqow, 2012 84,10 02. Dent Dentistry Glasgow 97,25 96,00 3,00 9 50 100,00 6 00 463,00 75,40
Dentistry-Cardiff, 2012 81,30 03. Dent Dentistry Cardiff 94,01 97,00 8,00 6 40 100,00 1 00 471,00 51,20
Dentistry-Queen's, Belfast, 2012 75,90 03. Dent Dentistry Queen's, Belfast 97,50 96,00 9,00 6 90 100,00 5 00 441,00 62,93
Dentistry-Birminqham, 2012 70,60 04. Dent Birmingham 97,50 86,00 5,00 9 00 98,00 6 00 473,00 65,47
Dentistry-Bristol, 2012 65,00 05. Dent Dentistry Bristol 91,52 94,06 6,00 12 20 100,00 5 00 473,00 79,80
Dentistry-Dundee, 2012 60,70 06. Dentistry Dentistry Dundee 88,97 90,91 4,00 6 60 98,00 7 00 477,00 52,81
Dentistry-Sheffield, 2012 51,10 06. Dentistry Dentistry Sheffield 93,75 93,00 3,00 8 60 98,00 6 00 472,00 64,40
Dentistrv-Liverpool, 2012 46,90 07. Dentistry Dentistry Liverpool 88,19 81,00 7,00 9 20 98,00 7 00 472,00 63,75
Dentistrv-Manchester, 2012 43,50 08. Dentistry Dentistry Manchester 92,77 84,00 5,00 8 40 100,00 7 00 470,00 52,59
Dentistry-Newcastle, 2012 35,50 09. Dentistry Dentistry Newcastle 89,55 91,09 1,00 12 50 98,00 6 00 500,00 63,47
Dentistry-Queen Mary, 2012 29,90 09. Dentistry Dentistry Queen Mary 80,45 77,23 4,00 7 50 100,00 7 00 462,00 58,81
Dentistry-Leeds, 2012 29,80 10. Dentistry Dentistry Leeds 94,72 91,92 9,00 11 50 100,00 6 00 461,00 41,45
Veterinary science-Cambridge, 2012 100,00 01.Veterinary science Veterinary science Cambridge 92,29 91,00 8,00 4 70 88,00 3 00 528,00 71,34
Veterinary science-Edinburgh, 2012 79,00 03.Veterinary science Veterinary science Edinburgh 93,50 84,00 9,00 6 70 92,00 9 00 496,00 45,91
Veterinary science-Liverpool, 2012 66,30 04.Veterinary science Veterinary science Liverpool 94,01 94,00 3,00 6 10 92,00 4 00 477,00 48,00
Veterinary science-Glasqow, 2012 60,00 06.Vete Veter nary science 90,95 95,00 3,00 8 90 92,00 8 00 479,00 52,60
Veterinary science-Nottinqham, 2012 59,10 07.Vete inary science Veter nary science Nottingham 0,00 0,00 4,00 7 20 0,00 0 00 477,00 0,00
Veterinary science-Royal Veterinary College, 2012 56,10 09.Vete inary science Veter nary science Royal Veterinary Colleqe 89,25 80,00 8,00 8 50 87,00 6 00 487,00 37,72
Veterinary science-Bristol, 2012 32,50 10.Vete inary science Bristol 93,16 90,77 3,00 11 70 84,00 3 00 443,00 46,14
Anatomy and phys oloqy-Oxford, 2012 100,00 01.Anatomy and phys ology Anatomy and physioloqy Oxford 95,49 80,00 10,00 12 70 0,00 6 00 515,00 56,31
Anatomy and phys oloqy-Glamorqan, 2012 94,20 01.Anatomy and phys ology Anatomy and physiology Glamorqan 90,68 89,90 4,00 9 80 96,00 10 00 350,00 75,35
Anatomy and phys oloqy-Cardiff, 2012 93,30 02.Anatomy and phys ology Anatomy and physiology Cardiff 94,61 95,40 10,00 12 20 92,00 5 00 426,00 57,35
Anatomy and phys oloqy-Plymouth, 2012 91,20 02.Anatomy and phys ology Anatomy and physiology Plymouth 95,50 93,00 8,00 8 70 82,00 8 00 335,00 86,83
Anatomy and phys oloqy-Brunel, 2012 80,90 02.Anatomy and phys ology Anatomy and physiology Brunei 96,98 98,00 3,00 12 60 81,00 9 00 337,00 63,60
Anatomy and phys oloqy-Liverpool, 2012 80,10 02.Anatomy and phys ology Anatomy and physiology Liverpool 92,58 91,46 9,00 9 80 81,00 4 00 374,00 66,24
Anatomy and phys oloqy-Sussex, 2012 80,10 02.Anatomy and phys ology Anatomy and physiology Sussex 94,25 95,05 6,00 12 50 0,00 9 00 386,00 61,08
Anatomy and phys oloqy-Newcastle, 2012 75,40 03.Anatomy and phys ology Anatomy and physiology Newcastle 93,12 96,55 4,00 13 70 77,00 5 00 414,00 64,62
Anatomy and phys oloqy-Aston, 2012 75,30 03.Anatomy and phys Anatomy and physiology Aston 85,17 84,71 6,0C 14 4C 95,00 2 oc 409,00 76,98
Anatomy and phys oloqy-Bristol, 2012 71,70 04.Anatomy and phys Anatomy and physiology Bristol 92,39 88,65 7,00 10 20 72,00 4 00 448,00 58,71
Anatomy and phys oloqy-Nottinqham, 2012 69,20 04.Anatomy and phys Anatomy and physiology 95,01 92,00 7,00 15 60 0,00 4 00 428,00 69,66
Anatomy and phys oloqy-Birminqham, 2012 63,60 04.Anatomy and phys ology Anatomy and physioloqy Birmingham 94,74 87,00 0,00 12 00 71,00 7 00 414,00 57,00
Anatomy and phys oloqy-Sheffield Hallam, 2012 62,20 04.Anatomy and phys Anatomy and physiology Sheffield Hallam 96,33 90,90 3,0C 2C 76,00 5 oc 368,00 66,03
oloqy-Manchester, 2012 60,90 05.Anatomy and phys Anatomy and physioloqy Manchester 91,26 88,83 5,00 12 80 77,00 4 00 418,00 50,10
oloqy-Glasqow Caledonian, 2012 57,90 05.Anatomy and phys Anatomy and physiology Glasqow Caledonian 90,04 91,00 4,00 15 20 75,00 7 00 377,00 59,92
oloqy-Edinburqh, 2012 57,80 05.Anatomy and phys Anatomy and physioloqy Edinburgh 92,01 93,00 9,00 17 60 55,00 5 00 437,00 43,95
Anatomy and phys oloqy-Robert Gordon, 2012 57,70 06.Anatomy and phys Anatomy and physioloqy Robert Gordon 94,00 93,94 3,00 20 30 80,00 7 00 414,00 64,39
Anatomy and phys oloqy-De Montfort, 2012 57,60 06.Anatomy and phys Anatomy and physiology De Montfort 85,76 88,07 5,00 15 60 97,00 5 00 292,00 61,08
oloqy-Hertfordshire, 2012 56,40 06.Anatomy and phys Anatomy and physioloqy Hertfordshire 89,52 89,86 3,00 16 90 87,00 7 00 269,00 67,60
Anatomy and phys oloqy-UEA, 2012 56,10 06.Anatomy and phys Anatomy and physioloqy UEA 96,18 97,61 0,00 0 00 89,00 3 00 353,00 55,28
ology-Queen’s, Belfast, 2012 55,30 07.Anatomy and phys Anatomy and physiology Queen's, Belfast 91,00 90,00 9,00 10 10 60,00 7 00 362,00 45,78
Anatomy and physioloqy-Aberdeen, 2012 55,10 07.Anatomy and physioloqy Anatomy and physioloqy Aberdeen 89,13 95,11 4,00 14 40 70,00 6 00 320,00 73,38
Anatomy and physiology-Bradford, 2012 54,70 07.Anatomy and physioloqy Anatomy and physioloqy Bradford 89,42 95,60 4,00 16 70 89,00 3 00 362,00 61,92
Anatomy and physiology-Birminqham City, 2012 40,70 07.An atomy and physioloqy Anatomy and physioloqy Birminqham City 94,00 65,66 3,00 20 90 76,00 8 00 325,00 52,41
Anatomy and physiology-Leeds. 2012 40,30 08.Anatomy and physioloqy Anatomy and physioloqy Leeds 88,27 89 13 5,00 23 10 58,00 6 00 419,00 63,04
Anatomy and physiology-Northampton, 2012 39,30 08.Anatomy and physioloqy Anatomy and physioloqy Northampton 93,75 80,00 3,00 17 80 0,00 0 00 232,00 67,54
Anatomy and physiology-Anglia Ruskin, 2012 36,80 08.Anatomy and physioloqy Anatomy and physioloqy Anqlia Ruskin 88,75 94,00 5,00 27 80 60,00 8 00 310,00 78,53
Anatomy and physiology-Manchester Met, 2012 36,10 09.Anatomy and physiology Anatomy and physioloqy Manchester Met 85,40 79,70 2,00 15 50 82,00 3 00 352,00 53,59
Anatomy and physiology-City, 2012 33,00 09.Anatomy and physiology Anatomy and physioloqy City 86,33 78,83 4,00 15 40 92,00 1 00 382,00 45,41
Anatomy and physiology-Cumbria, 2012 33,00 09.Anatomy and physiology Anatomy and physiology Cumbria 81,94 84,65 3,00 19 90 96,00 2 00 306,00 60,90
Anatomy and physioloqy-St Mary's UC, Twickenham, 2012 33,00 Anatomy and physioloqy St Mary's UC, Twickenham 95,25 96,04 2,00 25 60 71,00 6 00 225,00 71,54
Anatomy and physioloqy-Kinq's Colleqe London, 2012 30,20 10.Anatomy and physiology Anatomy and physioloqy Kinq's Colleqe London 87,22 89,00 7,00 28 50 66,00 3 00 421,00 54,80
Anatomy and physioloqy-Ulster, 2012 29,90 10.Anatomy and physiology Anatomy and physioloqy Ulster 81,13 64,67 3,00 15 10 57,00 8 00 352,00 56,16
nq and paramed cal stud Edinburqh, 2012 100,00 01.Nurs nq and paramed cal stud Nursi ng and paramedical studies 96,00 96,00 9,00 11 60 0,00 8 00 398,00 80,80
nq and paramed cal stud Glasqow, 2012 93,70 01.Nurs nq and paramed cal stud Nursi Glasqow 97,94 99,91 7,00 16 90 0,00 6 00 377,00 95,15
nq and paramed cal stud UEA, 2012 88,10 01.Nurs nq and paramed cal stud Nursi ng and paramedical studies UEA 91,24 85,41 10,00 14 10 97,00 8 00 322,00 62,03
ng and paramed cal stud Leeds, 2012 77,30 01.Nurs nq and paramed cal stud Nursi ng and paramedical studies Leeds 85,98 81,14 10,00 15 70 100,00 3 00 327,00 67,47
ng and paramed cal stud Staffordshire, 2012 77,00 01.Nurs nq and paramed cal stud Nursi ng and paramedical studies Staffordshire 91,79 100,00 7,00 14 40 97,00 8 00 251,00 78,80
ng and paramed cal stud Portsmouth, 2012 76,70 02.Nurs nq and paramed cal stud Nursi nq and paramedical studies Portsmouth 88,64 83,81 8,00 12 40 96,00 4 00 326,00 62,81
ng and paramed cal stud City, 2012 76,10 02.Nurs ng and paramed cal stud Nursi nq and paramedical studies City 85,10 82,05 10,00 14 20 90,00 5 00 280,00 66,21
ng and paramed cal stud Keele, 2012 75,80 02. Nurs cal stud Keele 96,44 95,29 6,00 16 50 87,00 7 00 282,00 76,15
ng and paramed cal stud Southampton, 2012 75,80 02.Nurs ng and paramed cal stud Southampton 86,12 85,69 8,00 17 20 89,00 9 00 386,00 54,40
stud Birminqham, 2012 75,50 02. Nurs cal stud studies Birmingham 92,75 88,87 0,0C 12,0C 84,00 oc 377,00 62,39
stud Bedfordshire, 2012 74,30 02.Nurs cal stud studies Bedfordshire 90,45 82,00 4,00 15,00 0,00 10 00 244,00 67,60
nq and paramed stud Liverpool, 2012 73,70 02. Nurs cal stud studies Liverpool 85,95 80,55 9,00 11,40 97,00 2 00 336,00 60,46
stud Oxford Brookes, 2012 73,70 02.Nurs cal stud studies Oxford Brookes 94,93 92,53 4,00 15,50 96,00 5 00 280,00 79,25
stud Nottingham, 2012 71,90 03. Nurs cal stud studies 89,70 81,40 7,00 16,00 88,00 9 00 340,00 59,75
stud Surrey, 2012 70,70 03. Nurs cal stud studies Surrey 88,53 88,28 8,00 24,90 100,00 8 00 343,00 70,39
Nurs cal stud Manchester, 2012 70,60 03.Nursinq and paramed cal stud es Nursi tcj and paramedical studies Manchester 90,66 84,21 7,00 17,00 97,00 5 00 356,00 62,69
Nurs ng and paramed cal stud Briqhton, 2012 69,80 03. Nursing and paramed cal stud es Nursi nq and paramedical studies Briqhton 88,58 80,32 4,00 14,90 91,00 8 00 323,00 66,94
Nurs nq and paramed cal stud Thames Valley, 2012 69,80 03.Nursinq and paramed cal stud es Nursi nq and paramedical studies Thames Valley 89,50 71,00 8,00 14,90 92,00 10 00 207,00 65,94
Nurs nq and paramed cal stud es Middlesex, 2012 69,40 03.Nursinq and paramed cal stud es Nursi nq and paramedical studies Middlesex 86,36 77,86 9,00 14,70 93,00 6 00 231,00 68,12
Nurs nq and paramed cal stud es Edge Hill, 2012 67,10 03. Nursing and paramed cal stud es Nursi nq and paramedical studies Edge Hill 94,22 92,93 3,00 15,20 91,00 4 00 268,00 81,98
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
23
В таблице 5 приводится лишь фрагмент исходных данных, т.к. их распечатка составляет 25 листов.
Отметим, что исходный файл и файл исходных данных находятся на сайте автора в полном открытом бесплатном доступе на страничке: http://lc.kubagro.ru/ej data/1071503001/Downloads.rar. Ниже приведена таблица 6 с формулами для расчета таблицы 5:
Таблица 6 - Формулы для расчета исходных данных по рейтингу Гардиан,
для их подготовки к для ввода в систему «Эйдос» (фрагмент)
The object of training sample Guardian score/100 Rank Field of study Name of Institutio Satisfied with Teaching Satisfied overall with course Expendit ure per student (FTE) Student:s taff ratio Career prospects Value added score/10 Average Entry Tariff % Satisfied with Assessme nt
='1'!$A$1 TIB3&", 2012" ='1'!$C3 =TEKCTf Г! R3;"00.")&'1'!$A$1 ='1'!$A$1 ='1 '!B3 ='1'!D3 ='1'!E3 ='1'!F3 ='1'!G3 ='1'! H3 =’1,МЗ =’гиз ='T!K3
='1 ’!$A$1 1 MB4&", 2012" ='1 '!$C4 =TEKCT('1'! R4;"00.")&'1 '!$A$1 ='1'!$A$1 ='1'! B4 ='1'! D4 =’1'!E4 ='1'! F4 ='1'!G4 ='1'! H4 ='1'! I4 ='1'! J4 ='1'!K4
='1 Ч$А$1 &"-"&'1 ЧВ5&", 2012" ='1'!$C5 =TEKCT('T! R5;"00.")&'1 '!$A$1 ='1'!$A$1 ='1 '!B5 ='1'! D5 =,T!E5 ='1'! F5 ='1'!G5 ='Г! H5 ='1'!I5 ='1'! J5 ='1'!K5
='1'!$A$1 1'!B6&", 2012" ='1‘!$C6 =TEKCT('1'! R6;"00.”)&'T!$A$1 ='1'!$A$1 ='1 '!B6 ='1'!D6 =’1’!E6 ='1’!F6 ='1'!G6 ='Г! Н6 ='1'! I6 ='1'!J6 ='1'!K6
='1 '!$A$1 &"-"&'1 '!B7&", 2012" ='1 '!$C7 =TEKCT('1'! R7;"00.”)&'1 '!$A$1 ='1'!$A$1 ='1'! B7 ='1'!D7 =’1'!E7 ='1'! F7 ='1'!G7 ='Г! Н7 ='1'! I7 ='1’!J7 =’1'!K7
='Г!$A$1 &"-"&'1 ЧВ8&", 2012" ='1'!$C8 =TEKCT('1'! R8;"00.")&'1'!$A$1 ='1'!$A$1 ='1'!B8 ='1'! D8 =’1'!E8 ='1'!F8 ='1'!G8 ='1’!Н8 ='1'!18 ='T! J8 ='14K8
=' 1'!$A$ 1 T! B9&", 2012" ='1'!$C9 =TEKCT('1'! R9;"00.")&'1'!$A$1 ='1'!$A$1 ='T! B9 =’1'!D9 ='T!E9 =’1'!F9 ='1'!G9 ='1’!Н9 ='1'!19 ='1'!J9 =’1'!K9
='Г!$A$1 !В10&", 2012" ='1'!$C10 =ТЕКСТ('Г! R10;"00.")&'1'!$A$1 ='1'!$A$1 ='1'!B10 ='1'!D10 ='Г!Е10 =’T!F10 ='1'!G10 ='Г!Н10 ='1'!110 ='1'! J10 ='1'!K10
='1'!$A$1 11 !B11 &", 2012" ='1'!$C11 =TEKCT('1'! R11 ;"00.")&'1'!$A$1 ='1'!$A$1 ='Г!В11 ='T!D11 ='Г!Е11 ='1'!F11 ='T!G11 ="1'! Н11 ='1'!111 ='14J11 ='14K11
=' 1'! $A$ 1 Г! В12&", 2012" ='1'!$C12 =TEKCT('1'! R12;"00.")&'1'!$A$1 ='1'!$A$1 ='1'!B12 ='1'!D12 ="Г!Е12 ='1'!F12 ='1’!G12 ='1'! Н12 ='Т!112 ='14J12 ='1'!K12
='1 '!$A$1 11 !В13&", 2012" ='1'!$C13 =TEKCT('1'! R13;"00.")&'1'!$A$1 ='1'!$A$1 ='1'!B13 ='1'!D13 ='Г!Е13 ='1'!F13 ='1'!G13 ='Г!Н13 ='1 '1113 ='1'!J13 ='1'!K13
=' Г! $A$ 1 1'! В14&", 2012" ='1'!$C14 =TEKCT('1'!R14;"00.")&'1'!$A$1 ='1'!$A$1 ='1'!B14 ='1'!D14 ='1'!Е14 ='1'!F14 ='1'!G14 ='1'! Н14 ='1'!114 ='14J14 ='14K14
='V!$A$1 !B15&", 2012" ='1'!$C15 =TEKCT('1'! R15;"00.")&'1'!$A$1 ='1'!$A$1 ='1'!B15 ='1'!D15 ='1'!Е15 ='1'!F15 ='1'!G15 ='1'!Н15 ='1'! 115 ='1'!J15 ='1'!K15
='1 '!$A$1 !B16&", 2012" ='1'!$C16 =TEKCT('1'! R16;"00.")&'1 '!$A$1 ='1'!$A$1 ='1'!B16 ='1'!D16 ='1'!Е16 ='T!F16 ='1'!G16 ='1'!Н16 ='1'!116 ='1'!J16 ='1'!K16
='1 '!$A$1 !B17&", 2012" ='1'!$C17 =TEKCTf Г! R17;"00.")&'1'!$A$1 ='1'!$A$1 ='T!B17 ='1'!D17 ='1'!Е17 ='1'!F17 ='1'!G17 ='1'!Н17 ='1'! 117 ='T! J17 ='1'!K17
=' 1'! $A$ 1 1'! В18&", 2012" ='1'!$C18 =TEKCTC1'! R18;"00.")&'1 '!$A$1 ='1'!$A$1 ='1'!B18 ='1'!D18 ='1'!Е18 ='1'!F18 ='1'!G18 ='Г!Н18 ='1'!118 ='1'!J18 ='1'!K18
='1 '!$A$1 &"-"&'1 '!B19&", 2012" ='1'!$C19 =TEKCT('T! R19;"00.")&'1'!$A$1 ='1'!$A$1 ='1'!B19 ='1'!D19 ='1’!Е19 ='1'!F19 ='1'!G19 ='Г!Н19 ='1'!119 ='1'!J19 ='1'!K19
='1 '!$A$1 &"-"&'1 'IB20S", 2012" ='1'!$C20 =TEKCT('1'! R20;"00.")&'1'!$A$1 ='1'!$A$1 ='1 '!B20 ='1'!D20 ='1’!Е20 ='1'!F20 ='1'!G20 ='1’!Н20 ='1'!120 ='1'! J20 ='1'!K20
='V!$A$1 &"-"&'1 MB21 2012" ='1'!$C21 =TEKCT('1'! R21 ;"00.")&'1'!$A$1 ='1'!$A$1 ='1'! B21 ='1'!D21 ='1’!Е21 ='1'! F21 ='1'!G21 ='Г! Н21 ='1'!121 ='14J21 ='1'!K21
=' 1'! $A$ 1 1'! B22&", 2012" ='1'!$C22 =TEKCT('1'! R22;"00.")&'1'!$A$1 ='1'!$A$1 ='1 '!B22 ='1'! D22 =’1’!Е22 ='1'!F22 ='1'!G22 ='1'! Н22 ='1'! I22 ='14 J22 ='1'! K22
='1 '!$A$1 &"-"&'1 ЧВ23&", 2012" ='1'!$C23 =TEKCT('1'! R23;"00.")&'1'!$A$1 ='1'!$A$1 ='1'!B23 ='1'! D23 ='1'!Е23 ='1'! F23 ='1'!G23 ='1'! Н23 ='1'! I23 ='1'! J23 ='1'! K23
=' 1'! $A$ 1 1'! B24&", 2012" ='1'!$C24 =TEKCT('1'! R24;"00.")&'1'!$A$1 ='1'!$A$1 ='1'! B24 ='1'! D24 ='1'! Е24 ='1'!F24 ='1'!G24 ='Т! Н24 =•14124 ='14 J24 ='1'! K24
=' 1'! $A$ 1 1'! B25&", 2012" ='1'!$C25 =TEKCT('1'! R25;"00.")&'1'!$A$1 ='T!$A$1 ='1 '!B25 ='T! D25 ='1'! Е25 ='1'! F25 ='1'!G25 ='1'! Н25 ='1'! I25 ='1'! J25 ='1'! K25
='1'!$A$1 &"-"&'1'!B26&", 2012" ='1'!$C26 =TEKCT('1'! R26;"00.")&'1'!$A$1 ='1'!$A$1 ='1'! B26 ='1'! D26 ='1’!Е26 =’1'!F26 ='1'!G26 ='1’!Н26 ='1'!126 ='1'! J26 ='1'!K26
='1'!$A$1 !B27&", 2012" ='1'!$C27 =TEKCT('1'! R27;"00.")&'1'!$A$1 ='1'!$A$1 =’1'!B27 ='1'!D27 ='1'!Е27 =’1'!F27 ='1'!G27 ='1 ’! Н27 ='1'!127 ='1'!J27 ='1'!K27
=' Г! $A$ 1 Г! B28&", 2012" ='1'!$C28 =TEKCT('1'! R28;"00.")&'1'!$A$1 ='1'!$A$1 ='1 '!B28 ='1'!D28 ='1'!Е28 =’1'!F28 ='1'!G28 ='1 ’! Н28 ='1'!128 ='1'!J28 =’1'!K28
='1'!$A$1 T!B29&", 2012" ='1'!$C29 =TEKCT('T! R29;"00.")&'1'!$A$1 ='1'!$A$1 ='1 '!B29 ='1’!D29 ='1’!Е29 ='1'!F29 ='1'!G29 =‘Г! Н29 ='1'!129 ='1'!J29 ='1'!K29
='1 '!$A$1 ПВ30&", 2012" ='1'!$C30 =TEKCT('1'! R30;"00.")&'1'!$A$1 ='1'!$A$1 =’1'!B30 ='1'!D30 ='1'!Е30 ='1'!F30 ='1'!G30 ='1'! ИЗО ='1'! 130 ='1‘! J30 =’1'!K30
=' 1'! $A$ 1 11! B31 , 2012" ='1'!$C31 =ТЕКСТ('Г! R31 ;"00.")&'1 '!$A$1 ='1'!$A$1 ='1'!B31 ='1'!D31 ='1'!Е31 ='1'!F31 ='1'!G31 ='1'! Н31 ="1'! 131 ='1’!J31 ='1'!K31
=' 1'!$A$ 1 1'!B32&", 2012" ='1'!$C32 =TEKCT('1'! R32;"00.")&'1 '!$A$1 ='1'!$A$1 =’1'!B32 ='1'!D32 ='1'!Е32 ='1'!F32 ='1'!G32 ='1'! Н32 ='1'!132 ='1'!J32 ='1'!K32
='2'!$A$1 &"-"&'2'!B3&", 2012" ='2'!$C3 =TEKCT('2'! R3;"00.")&'2'!$A$1 ='2'!$A$1 ='2'!B3 ='2’!D3 ='2'!ЕЗ ='2'!F3 ='2'!G3 ='2'!НЗ ='2'!13 ='2'!J3 =’2'! КЗ
='2'!$A$1 &"-"&'2'!B4&", 2012" ='2'!$C4 =TEKCT('2'! R4; "00." )&'2'! $A$ 1 ='2'!$A$1 ='2'!B4 =’2’!D4 ='2'!Е4 =’2'!F4 =’2'!G4 =’2'!Н4 ='2'!14 ='2'!J4 ='2'!K4
='2'!$A$1 &"-"&'2'!B5&", 2012" ='2'!$C5 =TEKCT('2'! R5;"00.")&'2'!$A$1 ='2'!$A$1 ='2'!B5 ='2'! D5 ='2'!Е5 ='2'!F5 ='2'!G5 ='2'!Н5 ='2'!15 ='2'!J5 ='2'!K5
='2'!$A$1 &"-"&'2'!B6&", 2012" ='2'!$C6 =TEKCT('2'! R6;"00.")&'2'!$A$1 ='2'!$A$1 ='2'!B6 =’2’!D6 ='2'!Е6 ='2'!F6 ='2'!G6 ='2’!Н6 ='2'М6 ='2'!J6 ='2'!K6
='2'!$A$1 &"-"&'2'!B7&", 2012" ='2'!$C7 =TEKCT('2'! R7;"00.")&'2'!$A$1 ='2'!$A$1 ='2'!B7 =’2'!D7 ='2'!Е7 ='2'!F7 ='2'!G7 ='2’!Н7 ='2'М7 ='2’!J7 ='2'!K7
='2'!$A$1 &"-"&'2'!B8&", 2012" ='2'!$C8 =TEKCT('2'! R8; "00." )&'2'! $A$ 1 ='2'!$A$1 =’2'!B8 ='2'!D8 ='2'!Е8 ='2'!F8 ='2’!G8 ='2’!Н8 ='2'М8 =’2’! J8 ='2'!K8
='2'!$A$1 &"-"&'2'!B9&", 2012" ='2'!$C9 =TEKCT('2'! R9; "00." )&'2'! $A$ 1 ='2'!$A$1 =’2'!B9 ='2'!D9 ='2'!Е9 ='2’!F9 ='2'!G9 ='2'!Н9 ='2'П9 ='2'!J9 ='2'!K9
='2'!$A$1 &"-"&'2'!B10&", 2012" ='2'!$C10 =TEKCT('2'! R10;"00.")&'2'!$A$1 ='2'!$A$1 =’2'!B10 ='2'!D10 ='2’!Е10 ='2'!F10 ='2'!G10 ='2'!Н10 =■2'! НО ='2'! J10 ='2'!K10
='2'!$A$1 &"-"&'2'!B11 2012" ='2'!$C11 =TEKCT('2'!R11;"00.")&'2'!$A$1 ='2'!$A$1 =’2'!B11 ='2'!D11 ='2'!Е11 ='2'!F11 ='2'!G11 ='2’!Н11 ='2'! И 1 ='24 J11 =’2'!K11
='2'!$A$1 &"-"&'2'!B12&", 2012" ='2'!$C12 =TEKCT('2'! R12;"00.")&'2'!$A$1 ='2'!$A$1 ='2'!B12 ='2'!D12 ='2'!Е12 =’2'!F12 ='2'!G12 ='2’!Н12 =’2’! 112 =’2'!J12 =’2'!K12
='2'!$A$1 &"-"&'2'!B13&", 2012" ='2'!$C13 =TEKCT('2'! R13;"00.")&'2'!$A$1 ='2'!$A$1 =’2'!B13 =’2'!D13 ='2'!Е13 =’2'!F13 ='2'!G13 ='2’!Н13 ='2-! 113 =’2'!J13 ='2'!K13
='2'!$A$1&"-"&'2'!B14&", 2012" ='2'!$C14 =TEKCT('2'!R14;"00.")&'2'!$A$1 ='2'!$A$1 ='2'!B14 ='2'!D14 ='2’!Е14 =’2'!F14 =’2'!G14 ='2’!Н14 =■24114 ='24 J14 ='2'!K14
='2'!$A$1&"-"&'2'!B15&", 2012" ='2'!$C15 =TEKCT('2'!R15;"00.")&'2'!$A$1 ='2'!$A$1 ='2'!B15 ='2'!D15 ='2’!Е15 =’2'!F15 ='2'!G15 ='2’!Н15 ='2'! 115 =’2'!J15 =’2'!K15
='3,!$A$1&"-"&'3,!B3&", 2012" ='3'!$C3 =TEKCT('3'! R3;"00.")&'3'!$A$1 ='3'!$A$1 ='3'!B3 ='3'!D3 ='3'!ЕЗ ='3'!F3 ='3'!G3 ='3'! НЗ ='3,МЗ =’3,!J3 ='3'!K3
='3,!$A$1&"-"&'3'!B4&", 2012" ='3'!$C4 =TEKCT('3'! R4;"00.")&'3'!$A$1 ='3'!$A$1 ='3'!B4 ='3'!D4 ='3'!Е4 ='3'!F4 ='3'!G4 ='3'!Н4 ='3'! 14 =’3'!J4 ='3'!K4
='3’!$A$1&"-"&'3'!B5&", 2012" ='3'!$C5 =TEKCT('3'! R5;"00.")&'3'!$A$1 ='3'!$A$1 ='3'!B5 ='3'!D5 ='3'!Е5 ='3'!F5 ='3'!G5 ='3’!Н5 =’3’!15 =’3’!J5 ='3'!K5
='3'!$A$1&"-"&'3'!B6&", 2012" ='3'!$C6 =TEKCT('3'! R6;"00.")&'3'!$A$1 ='3'!$A$1 ='3'!B6 ='3'!D6 ='3'!Е6 ='3'!F6 ='3'!G6 ='3'!Н6 ='3'!16 =’3’!J6 ='3'!K6
='3'!$A$1 &"-"&'3'!B7&", 2012" ='3'!$C7 =TEKCT('3'! R7;"00.")&'3'!$A$1 ='3'!$A$1 ='3'!B7 ='3'!D7 ='3'!Е7 ='3'!F7 ='3'IG7 ='3'! Н7 ='3’!17 =’3’!J7 ='3'!K7
='3'!$A$1&"-"&’3'!B8&", 2012" ='3'!$C8 =TEKCT('3'! R8;"00.")&'3'!$A$1 ='3'!$A$1 ='3'!B8 ='3'!D8 ='3'!Е8 ='3'!F8 ='3'!G8 ='3'! Н8 ='3'!18 ='3'! J8 ='3'!K8
='3'!$A$1 &"-"&'3'!B9&”, 2012" ='3'!$C9 =TEKCT('3'! R9;"00.")&'3'!$A$1 ='3'!$A$1 ='3'!B9 ='3'!D9 ='3'!Е9 ='3'!F9 ='3'!G9 ='3'!Н9 ='3'! 19 ='3’!J9 ='3'!K9
='4'!$A$1 &"-"&'4'!B3&", 2012" ='4'!$C3 =TEKCT('4'! R3; "00." )&'4'! $A$ 1 ='4'!$A$1 ='4'!B3 ='4'!D3 ='4'!ЕЗ ='4'!F3 ='4'!G3 ='4'!НЗ ='4'! 13 ='4’!J3 ='4'! КЗ
='4'!$A$1 &"-"&'4'!B4&", 2012" ='4'!$C4 =TEKCT('4'! R4; "00." )&'4'! $A$ 1 ='4'!$A$1 ='4'!B4 ='4'!D4 ='4'!Е4 ='4'!F4 ='4'!G4 ='4’!Н4 =■4414 ='44J4 ='44 K4
='4'!$A$1 &"-"&'4'!B5&", 2012" ='4'!$C5 =TEKCT('4'! R5;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B5 =,4'!D5 =’4’!Е5 ='4'! F5 ='4'!G5 ='4'! Н5 =■4’! 15 ='4’!J5 ='4'!K5
='4'!$A$1 &"-"&'4'!B6&", 2012" ='4'!$C6 =TEKCT('4'! R6; "00." )&'4'! $A$ 1 ='4'!$A$1 ='4'!B6 =,4'!D6 =’4’!Е6 ='4'! F6 =’4'!G6 ='4'! Н6 =’4’! 16 ='4’!J6 ='4'!K6
='4'!$A$1&"-"&'4'!B7&", 2012" ='4'!$C7 =TEKCT('4'! R7; "00." )&'4'! $A$ 1 ='4'!$A$1 ='4'!B7 ='4'!D7 =’4’!Е7 ='4'! F7 =’4'!G7 ='4'! Н7 =■4’! 17 ='4’!J7 =’4'!K7
='4'!$A$1&"-"&'4'!B8&", 2012" ='4'!$C8 =TEKCT('4'! R8; "00." )&'4'! $A$ 1 ='4'!$A$1 ='4'!B8 ='4'!D8 ='4’!Е8 ='4'! F8 =’4'!G8 ='4'! Н8 =■4418 ='4’!J8 =■44 K8
='4'!$A$1 &"-"&'4'!B9&", 2012" ='4'!$C9 =TEKCT('4'! R9; "00." )&'4'! $A$ 1 ='4'!$A$1 ='4'!B9 ='4'!D9 ='4’!Е9 =’4'!F9 ='4'!G9 ='4’!Н9 =■4419 ='4'!J9 =■44 K9
='4'!$A$1 &"-"&'4'!B10&", 2012" ='4'!$C10 =TEKCT('4'! R10;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B10 =’4'!D10 ='4’!Е10 =’4'!F10 =’4'!G10 ='4,!Н10 =■44110 =’4'!J10 ='44K10
='4'!$A$1 &"-"&'4'!B11 2012" ='4'!$C11 =TEKCT('4'! R11 ;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B11 =’4'!D11 ='4'!Е11 ='4'!F11 ='4'!G11 ='4’!Н11 =’4'!111 ='44J11 ='44 K11
='4'! $A$ 1 &"-"&'4'! В12&", 2012" ='4'!$C12 =TEKCT('4'!R12;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B12 ='4'!D12 ='4'!Е12 ='4'!F12 ='4'!G12 ='4'!Н12 =■44112 ='44J12 ='4'!K12
='4'!$A$1 &"-"&'4'!B13&", 2012" ='4'!$C13 =TEKCT('4'! R13;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B13 ='4'!D13 ='4’!Е13 ='4'!F13 ='4'!G13 ='4'!Н13 ='4'! ИЗ =’4'!J13 ='4'!K13
='4'!$A$1 &"-"&'4'!B14&", 2012" ='4'!$C14 =TEKCTC4'!R14;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B14 ='4'!D14 ='4'!Е14 ='4'!F14 ='4'!G14 ='4'!Н14 ='4'!114 ='4'! J14 ='4'!K14
='4'!$A$1&"-"&'4'!B15&", 2012" ='4'!$C15 =TEKCT('4'! R15;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B15 ='4'!D15 ='4'!Е15 ='4'!F15 ='4'!G15 ='4'!Н15 ='4'!115 ='4’!J15 ='4'!K15
='4'!$A$1&"-"&'4'!B16&", 2012" ='4'!$C16 =TEKCT('4'! R16;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B16 ='4'!D16 ='4'!Е16 ='4'!F16 ='4'!G16 ='4'!Н16 ='44116 ='4’!J16 ='4'!K16
='4'!$A$1&"-"&'4'!B17&", 2012" ='4'!$C17 =TEKCT('4'! R17;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B17 ='4'!D17 ='4'!Е17 ='4'!F17 ='4'!G17 ='4'!Н17 ='4'!117 =’44 J17 ='4'!K17
='4'!$A$1&"-"&'4'!B18&", 2012" ='4'!$C18 =TEKCT('4'! R18;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B18 ='4'!D18 ='4'!Е18 ='4'!F18 ='4'!G18 ='4'!Н18 ='44118 ='4’!J18 ='44K18
='4'!$A$1&"-"&'4'!B19&", 2012" ='4'!$C19 =TEKCT('4'! R19;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B19 ='4'!D19 ='4'!Е19 ='4'!F19 ='4'!G19 ='4'!Н19 =■44119 ='4’!J19 ='44K19
='4'!$A$1 &"-"&'4'!B20&", 2012" ='4'!$C20 =TEKCT('4'! R20;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B20 ='4'!D20 ='4'!Е20 ='4'!F20 ='4'!G20 ='4'! Н20 ='44120 ='4’!J20 ='4'!K20
='4'!$A$1&"-"&'4'!B21 2012" ='4'!$C21 =TEKCT('4'! R21 ;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B21 ='4'!D21 ='4'!Е21 ='4'!F21 ='4'!G21 ='4'!Н21 =■44121 ='44 J21 ='4'!K21
='4'!$A$1&"-"&'4'!B22&", 2012" ='4'!$C22 =TEKCT('4'! R22;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B22 ='4'!D22 ='4’!Е22 =’4’!F22 ='4'!G22 ='4’!Н22 =’4’!122 ='4’!J22 =’4'!K22
='4'!$A$1&"-"&'4'!B23&", 2012" ='4'!$C23 =TEKCT('4'! R23;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B23 ='4'!D23 =’4’!Е23 =’4’!F23 ='4'!G23 ='4’!Н23 =’4’!123 ='4’!J23 =’4'!K23
='4'!$A$1 &"-"&'4'!B24&", 2012" ='4'!$C24 =TEKCT('4'!R24;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B24 ='4'!D24 ='4’!Е24 =’4’!F24 ='4'!G24 ='4’!Н24 =■44124 ='44J24 =’4'!K24
='4'!$A$1&"-"&'4,!B25&", 2012" ='4'!$C25 =TEKCT('4'!R25;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B25 ='4'!D25 ='4’!Е25 =’4’!F25 ='4'!G25 ='4'! Н25 =■44125 ='4’!J25 =’4'!K25
='4'!$A$1 &"-"&'4'!B26&", 2012" ='4'!$C26 =TEKCT('4'!R26;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B26 =’4'!D26 ='4'!Е26 =’4’!F26 ='4'!G26 ='4'!Н26 ='4'! 126 ='4'!J26 ='4'! K26
='4'!$A$1 &"-"&'4'!B27&", 2012" ='4'!$C27 =TEKCT('4'!R27;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B27 ='4'!D27 ='4'!Е27 =’4'!F27 ='4'!G27 ='4’!Н27 =’4'! 127 =’4'!J27 =’4'!K27
='4'!$A$1 &"-"&'4'!B28&", 2012" ='4'!$C28 =TEKCT('4'!R28;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B28 =’4'!D28 ='4'!Е28 =’4'!F28 ='4'!G28 ='4’!Н28 =’4’! 128 ='4'! J28 ='4'!K28
='4'!$A$1&"-"&'4'!B29&", 2012" ='4'!$C29 =TEKCT('4'!R29;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B29 =’4'!D29 ='4’!Е29 =’4'!F29 =’4'!G29 ='4’!Н29 ='4'! 129 =’4’!J29 ='4'!K29
='4'! $A$ 1 &"-"&'4'! B30&", 2012" ='4'!$C30 =TEKCT('4'!R30;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B30 ='4'!D30 ='4'!Е30 ='4'!F30 ='4'!G30 ='4'! ИЗО ='4'! 130 =’4'!J30 ='4'!K30
='4'!$A$1&"-"&'4'!B31 2012" ='4'!$C31 =TEKCT('4'!R31 ;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B31 ='4'!D31 ='4'!Е31 ='4'!F31 ='4'!G31 ='4'!Н31 ='4'!131 ='4'! J31 ='4'!K31
='4'!$A$1&"-"&'4'!B32&", 2012" ='4'!$C32 =TEKCT('4'! R32;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B32 ='4'!D32 ='4'!Е32 ='4'!F32 ='4'!G32 ='4'!Н32 ='4'!132 ='4'! J32 ='4'!K32
='4'!$A$1 &"-"&'4'!B33&", 2012" ='4'!$C33 =TEKCT('4'!R33;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B33 ='4'!D33 ='4'!ЕЗЗ ='4'!F33 ='4'!G33 ='4'!НЗЗ ='4'МЗЗ ='4'! J33 ='4'!K33
='4'! $A$ 1 &"-"&'4'! B34&", 2012" ='4'!$C34 =TEKCT('4'! R34;"00.")&'4'!$A$1 ='4'!$A$1 ='4'!B34 ='4'!D34 ='4'!Е34 ='4'!F34 ='4'!G34 ='4'!Н34 ='44134 ='4'! J34 ='4'!K34
='4'!$A$1&"-"&'4'!B35&", 2012" ='4'!$C35 =TEKCT('4'!R35;"00.")&'4’!$A$1 ='4'!$A$1 ='4'!B35 ='4'!D35 ='4'!Е35 ='4'!F35 ='4'!G35 ='4'!Н35 =’4’! 135 ='4'! J35 ='4'!K35
='5'!$A$1 &"-"&'5'!B3&", 2012" ='5'!$C3 =TEKCT('5'! R3;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B3 ='5'!D3 ='5’!ЕЗ ='5’!F3 ='5'!G3 ='5’!НЗ ='5’!13 ='5'! J3 ='5'! КЗ
='5'!$A$1 &"-"&'5'!B4&", 2012" ='5'!$C4 =TEKCT('5'! R4; "00." )&'5'! $A$ 1 ='5'!$A$1 ='5'!B4 ='5'!D4 ='5'!Е4 ='5'!F4 ='5'!G4 ='5’!Н4 =’5’! 14 ='5’!J4 ='5'!K4
='5'!$A$1&"-"&'5'!B5&", 2012" ='5'!$C5 =TEKCT('5'! R5;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B5 ='5'!D5 ='5'!Е5 ='5'!F5 ='5'!G5 ='5’!Н5 ='5'!15 ='5’!J5 ='5'!K5
='5'!$A$1&"-"&'5'!B6&", 2012" ='5'!$C6 =TEKCT('5'! R6;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B6 =,5'!D6 =’5’!Е6 =’5’!F6 ='5'!G6 ='5’!Н6 =’5’! 16 ='5’!J6 ='5'!K6
='5'!$A$1 &"-"&'5'!B7&", 2012" ='5'!$C7 =TEKCT('5'! R7;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B7 =,5'!D7 ='5’!Е7 ='5'!F7 ='5’!G7 ='5’!Н7 =’5’! 17 ='5’!J7 =’5'!K7
='5'!$A$1 &"-"&'5'!B8&", 2012" ='5'!$C8 =TEKCT('5'! R8;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B8 =’5'! D8 ='5’!Е8 ='5'!F8 ='5'!G8 ='5’!Н8 =’5’! 18 ='5’!J8 ='5'!K8
='5'!$A$1 &"-"&'5'!B9&", 2012" ='5'!$C9 =TEKCT('5'! R9;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B9 ='5'! D9 ='5’!Е9 ='5'!F9 ='5'!G9 ='5’!Н9 =’5’! 19 ='5’!J9 ='5'!K9
='5'!$A$1 &"-"&'5'!B10&", 2012" ='5'!$C10 =TEKCT('5'! R10;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B10 =’5’!D10 ='5'!Е10 ='5'!F10 ='5'!G10 ='5’!Н10 =,5'!110 ='5'!J10 ='5'!K10
='5'!$A$1 &"-"&'5'!B11 &", 2012" ='5'!$C11 =TEKCT(,5'!R11;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B11 =’5'!D11 ='5'!Е11 ='5'!F11 ='5'!G11 =,5’!Н11 ='54111 ='5'!J11 ='5’!K11
='5'!$A$1 &"-"&'5'!B12&", 2012" ='5'!$C12 =TEKCT(,5'!R12;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B12 ='5'!D12 ='5'!Е12 =’5'!F12 ='5'!G12 ='5’!Н12 ='5'!112 =’5'!J12 ='5'!K12
='5'!$A$1 &"-"&'5'!B13&", 2012" ='5'!$C13 =TEKCT('5'!R13;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B13 =’5'!D13 ='5’!Е13 =’5'!F13 =’5'!G13 ='5’!Н13 =’5'!113 ='5'! J13 ='5'!K13
='5'!$A$1&"-"&'5'!B14&", 2012" ='5'!$C14 =TEKCT('5'!R14;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B14 ='5'!D14 ='5'!Е14 ='5'!F14 ='5'!G14 ='5'Ш14 ='5'! 114 ='5'! J14 ='5'!K14
='5'!$A$1 &"-"&'5'!B15&", 2012" ='5'!$C15 =TEKCT('5'! R15;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B15 ='5'!D15 ='5'!Е15 ='5'!F15 ='5'!G15 ='5'!Н15 ='5'!115 ='5'! J15 ='5'!K15
='5’!$A$1 &"-"&'5'!B16&", 2012" ='5'!$C16 =TEKCT('5'! R16;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B16 ='5'!D16 ='5'!Е16 ='5'!F16 ='5'!G16 ='5'!Н16 ='5’!116 ='5’!J16 ='5'!K16
='5’!$A$1&"-"&'5’!B17&", 2012" ='5'!$C17 =TEKCT('5'! R17;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B17 ='5'!D17 ='5'!Е17 ='5'!F17 ='5'!G17 ='5'!Н17 ='5’! 117 ='5’!J17 ='5'!K17
='5'!$A$1 &"-"&'5'!B18&", 2012" ='5'!$C18 =TEKCT('5'! R18;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B18 ='5'!D18 ='5'!Е18 ='5'!F18 ='5'!G18 ='5'!Н18 ='5'! 118 ='5’!J18 ='5'!K18
='5'!$A$1 &"-"&'5'!B19&", 2012" ='5'!$C19 =TEKCT('5'!R19;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B19 =’5'!D19 ='5’!Е19 =’5'!F19 ='5’!G19 ='5'!Н19 ='5'!119 ='5’!J19 =’5'!K19
='5'!$A$1 &"-"&'5'!B20&", 2012" ='5'!$C20 =TEKCT('5'! R20;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B20 ='5'!D20 ='5'!Е20 ='5'!F20 ='5'!G20 ='5'! Н20 ='5'! I20 ='5’!J20 ='5'!K20
='5'!$A$1 &"-"&'5'!B21 2012" ='5'!$C21 =TEKCT('5'! R21 ;"00.")&'5'!$A$1 ='5'!$A$1 ='5'!B21 ='5'!D21 ='5'!Е21 ='5'!F21 ='5'!G21 ='5'!Н21 ='5'!121 ='5’!J21 ='5'!K21
http://ej .kubagro.ru/2015/03/pdf/01 .pdf
Научный журнал КубГАУ, №107(03), 2015 года
24
3.3. Установка системы «Эйдос»
Скачиваем и устанавливаем систему «Эйдос». Это наиболее полная на данный момент незащищенная от несанкционированного копирования портативная (portable) версия системы (не требующая инсталляции) с исходными текстами, находящаяся в полном открытом бесплатном досту-
17
пе (около 50 Мб). Обновление имеет объем около 3 Мб.
ИНСТРУКЦИЯ
по скачиванию и установке системы «Эйдос» (объем около 50 Мб)
Система не требует инсталляции, не меняет никаких системных файлов и содержимого папок операционной системы, т.е. является портативной (portable) программой. Но чтобы она работала необходимо аккуратно выполнить следующие пункты.
1. Скачать самую новую на текущий момент версию системы «Эйдос-Х++» по ссылкам: http://lc.kubagro.ru/a.rar или: http://lc.kubagro.ru/Aidos-X.exe (ссылки для обновления системы даны в режиме 6.2).
2. Разархивировать этот архив в любую папку с правами на запись с коротким латинским именем и путем доступа, включающим только папки с такими же именами (лучше всего в корневой каталог какого-нибудь диска).
3. Запустить систему. Файл запуска: 0_AIDOS-X.exe *
4. Задать имя: 1 и пароль: 1 (потом их можно поменять в режиме 1.2).
5. Перед тем как запустить новый режим НЕОБХОДИМО ЗАВЕРШИТЬ предыдущий (Help можно не закрывать). Окна
закрываются в порядке, обратном порядку их открытия.__________________________________________________________
* Разработана программа: «t)_START_AIDOS.exe», полностью снимающая с пользователя системы «Эйдос-Х++» заботу о проверке наличия и скачивании обновлений. Эту программу надо просто скачать по ссылке: http://lc.kubagro.ru/Install Aidos-X/ START AIDOS.exe , поместить в папку с исполнимым модулем системы и всегда запускать систему с помощью этого файла.
При запуске программы _START_AIDOS.EXE система Эйдос не должна быть запущена, т.к. она содержится в файле обновлений и при его разархивировании возникнет конфликт, если система будет запущена.
1. Программа t£)_START_AIDOS.exe определяет дату системы Эйдос в текущей папке, и дату обновлений на FTP-сервере не скачивая их, и, если система Эйдос в текущей папке устарела, скачивает обновления. (Если в текущей папке нет исполнимого модуля системы Эйдос, то программа пытается скачать полную инсталляцию системы, но не может этого сделать из-за ограниченной функциональности демо-версии библиотеки Xb2NET.DLL).
2. После этого появляется диалоговое окно с сообщением, что надо сначала разархивировать систему, заменяя все файлы (опция: «Yes to АН» или «OwerWrite АН»), и только после этого закрыть данное окно.
3. Потом программа tl)_START_AIDOS.exe запускает обновления на разархивирование. После окончания разархивирования окно архиватора с отображением стадии процесса исчезает.
4. После закрытия диалогового окна с инструкцией (см. п.2), происходит запуск обновленной версии системы Эйдос на исполнение.
Для работы программы START_AIDOS.exe необходима библиотека: Xb2NET.DLL, которую можно скачать по
ссылке: http://lc.kubagro.ru/Install Aidos-X/Xb2NET.DLL . Перед первым запуском этой программы данную библиотеку необходимо скачать и поместить либо в папку с этой программой, а значит и исполнимым модулем системы «Эй-дос-Х++», либо в любую другую папку, на которую в операционной системе прописаны пути поиска файлов, например в папку: c:\Windows\System32\. Эта библиотека стоит около 500$ и у меня ее нет, поэтому я даю только бесплатную демо-версию, которая выдает сообщение об ограниченной функциональности, но для наших целей ее достаточно.
Лицензия:
Автор отказывается от какой бы то ни было ответственности за последствия применения или не применения Вами системы «Эйдос».
Проще говоря, пользуйтесь если понравилось, а если не понравилось - сотрите и забудьте, а лучше вообще не скачивайте.
17 http://lc.kubagro.ru/aidos/ Aidos-X.htm
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
25
3.4. Ввод исходных данных в систему «Эйдос» с помощью одного и ее программных интерфейсов
Записываем файл исходных данных, приведенный в таблице 5, с именем: Inp_data.xls в папку с системой (если она на диске C: в коревом каталоге) по пути:
c:\Aidos-X\AID_DATA\Inp_data\Inp_data.xls
Запускаем систему «Эйдос» и задаем режим 2.3.2.2 с параметрами,
Рисунок 5. Экранная форма универсального программного интерфейса импорта данных из внешних баз данных в систему «Эйдос»
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
26
18
Через несколько секунд на заднем фоне появляется окно (рисунок 6) на котором нажимаем «Сохранить», после чего появляется экранный калькулятор (рисунок 7):___________
Microsoft Excel
Рисунок 6. Экранная форма, выдаваемая MS Excel, т.к. в файле исходных
данных есть расчетные ячейки
Рисунок 7. Экранного калькулятора универсального программного интерфейса импорта данных из внешних баз данных в систему «Эйдос»
На этом калькуляторе а данном случае задано по 10 интервальных числовых значений в числовых классификационных и описательных шкалах. Можно задать другие их количество, затем пересчитать шкалы и градации и выйти на создание модели.
За 41 секунду происходит формирование классификационных и описательных шкал и градаций и обучающей выборки по 2559 примерам вузов, описанных в исходных данных (рисунок 8): 18
18 А значит, чтобы его увидеть надо свернуть все окна
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
27
Рисунок 8. Экранная форма отображения стадии и прогноза времени исполнения
В результате автоматически формируются классификационные е и описательные шкалы и градации и обучающая выборка, приведенные в таблицах 7, 8, 9:
Код Наименование
1 GUARDIAN SCORE/100-1/10-{25.9000000, 33.3100000}
2 GUARDIAN SCORE/100-2/10-{33.3100000, 40.7200000}
3 GUARDIAN SCORE/100-3/10-{40.7200000, 48.1300000}
4 GUARDIAN SCORE/100-4/10-{48.1300000, 55.5400000}
5 GUARDIAN SCORE/100-5/10-{55.5400000, 62.9500000}
6 GUARDIAN SCORE/100-6/10-{62.9500000, 70.3600000}
7 GUARDIAN SCORE/100-7/10-{70.3600000, 77.7700000}
8 GUARDIAN SCORE/100-8/10-{77.7700000, 85.1800000}
9 GUARDIAN SCORE/100-9/10-{85.1800000, 92.5900000}
10 GUARDIAN SCORE/100-10/10-{92.5900000, 100.0000000}
11 RANK-01 .Agriculture, forestry and food
12 RANK-01.American studies
13 RANK-01.Anatomy and physiology
14 RANK-01.Anthropology
15 RANK-01.Archaeology and Forensics
16 RANK-01.Architecture
17 RANK-01.Art and design
18 RANK-01.Biosciences
19 RANK-01.Building and town and country planning
20 RANK-01.Business and management studies
21 RANK-01.Chemistry
22 RANK-01.Classics
23 RANK-01.Computer sciences and IT
24 RANK-01.Dentistry
25 RANK-01.Drama and dance
26 RANK-01.Earth and marine sciences
27 RANK-01.Economics
28 RANK-01.Education
29 RANK-01.Engineering: chemical
30 RANK-01.Engineering: civil
31 RANK-01.Engineering: electronic and electrical
32 RANK-01.Engineering: general
33 RANK-01.Engineering: materials and mineral
34 RANK-01.Engineering: mechanical
35 RANK-01. English
36 RANK-01.Geography and environmental studies
37 RANK-01.History and history of art
38 RANK-01.Law
39 RANK-01.Mathematics
40 RANK-01.Media studies, communications and librarianship
41 RANK-01.Medicine
42 RANK-01.Modern languages and linguistics
43 RANK-01.Music
44 RANK-01.Nursing and paramedical studies
45 RANK-01.Pharmacy and pharmacology
46 RANK-01.Philosophy
47 RANK-01.Physics
48 RANK-01. Politics
49 RANK-01.Psychology
50 RANK-01 .Religious studies and theology
51 RANK-01 .Social policy and administration
52 RANK-01.Social work
53 RANK-01.Sociology
54 RANK-01 .Sports science
55 RANK-01 .Tourism, transport and travel
56 RANK-01 .Veterinary science
57 RANK-02.Agriculture, forestry and food
58 RANK-02.American studies
59 RANK-02.Anatomy and physiology
60 RANK-02.Anthropology
61 RANK-02.Archaeology and Forensics
62 RANK-02.Architecture
63 RANK-02.Art and design
64 RANK-02.Biosciences
65 RANK-02.Building and town and country planning
66 RANK-02.Business and management studies
67 RANK-02.Chemistry
68 RANK-02.Classics
69 RANK-02.Computer sciences and IT
70 RANK-02.Dentistry
71 RANK-02.Drama and dance
72 RANK-02.Earth and marine sciences
73 RANK-02.Economics
74 RANK-02.Education
75 RANK-02.Engineering: chemical
76 RANK-02.Engineering: civil
77 RANK-02.Engineering: electronic and electrical
78 RANK-02.Engineering: general
79 RANK-02.Engineering: materials and mineral
80 RANK-02.Engineering: mechanical
81 RANK-02.English
82 RANK-02.Geography and environmental studies
83 RANK-02.History and history of art
84 RANK-02.Law
85 RANK-02.Mathematics
86 RANK-02.Media studies, communications and librarianship
87 RANK-02.Medicine
88 RANK-02.Modern languages and linguistics
89 RANK-02.Music
90 RANK-02.Nursing and paramedical studies
91 RANK-02.Pharmacy and pharmacology
92 RANK-02.Philosophy
93 RANK-02.Physics
94 RANK-02. Po litics
95 RANK-02.Psychology
96 RANK-02.Religious studies and theology
97 RANK-02.Social policy and administration
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
28
98 RANK-02.Social work
99 RANK-02.Sociology
100 RANK-02.Sports science
101 RANK-02.Tourism, transport and travel
102 RANK-03.Aqriculture, forestry and food
103 RANK-03.American studies
104 RANK-03.Anatomv and physiology
105 RANK-03.Anthropology
106 RANK-03.Archaeology and Forensics
107 RANK-03.Architecture
108 RANK-03.Art and design
109 RANK-03.Biosciences
110 RANK-03.Building and town and country planning
111 RANK-03.Business and management studies
112 RANK-03.Chemistry
113 RANK-03.Classics
114 RANK-03.Computer sciences and IT
115 RANK-03.Dentistry
116 RANK-03.Drama and dance
117 RANK-03.Earth and marine sciences
118 RANK-03.Economics
119 RANK-03.Education
120 RANK-03.Engineering: chemical
121 RANK-03.Engineering: civil
122 RANK-03.Engineering: electronic and electrical
123 RANK-03.Engineering: general
124 RANK-03.Engineering: materials and mineral
125 RANK-03.Engineering: mechanical
126 RANK-03. English
127 RANK-03.Geography and environmental studies
128 RANK-03.History and history of art
129 RANK-03.Law
130 RANK-03.Mathematics
131 RANK-03.Media studies, communications and librarianship
132 RANK-03.Medicine
133 RANK-03.Modern languages and linguistics
134 RANK-03.Music
135 RANK-03.Nursing and paramedical studies
136 RANK-03.Pharmacy and pharmacology
137 RANK-03.Philosophy
138 RANK-03.Physics
139 RANK-03. Politics
140 RANK-03.Psychology
141 RANK-03.Religious studies and theology
142 RANK-03.Social policy and administration
143 RANK-03.Social work
144 RANK-03.Sociology
145 RANK-03.Sports science
146 RANK-03.Tourism, transport and travel
147 RANK-03.Veterinary science
148 RANK-04.Agriculture, forestry and food
149 RANK-04.American studies
150 RANK-04.Anatomy and physiology
151 RANK-04.Anthropology
152 RANK-04.Archaeology and Forensics
153 RANK-04.Architecture
154 RANK-04.Art and design
155 RANK-04.Biosciences
156 RANK-04.Building and town and country planning
157 RANK-04.Business and management studies
158 RANK-04.Chemistry
159 RANK-04.Classics
160 RANK-04.Computer sciences and IT
161 RANK-04.Dentistry
162 RANK-04.Drama and dance
163 RANK-04.Earth and marine sciences
164 RANK-04.Economics
165 RANK-04.Education
166 RANK-04.Engineering: chemical
167 RANK-04.Engineering: civil
168 RANK-04.Engineering: electronic and electrical
169 RANK-04.Engineering: general
170 RANK-04.Engineering: materials and mineral
171 RANK-04.Engineering: mechanical
172 RANK-04. English
173 RANK-04.Geography and environmental studies
174 RANK-04.History and history of art
175 RANK-04.Law
176 RANK-04.Mathematics
177 RANK-04.Media studies, communications and librarianship
178 RANK-04.Medicine
179 RANK-04.Modern languages and linguistics
180 RANK-04.Music
181 RANK-04.Nursing and paramedical studies
182 RANK-04.Pharmacy and pharmacology
183 RANK-04.Philosophy
184 RANK-04.Physics
185 RANK-04. Po litics
186 RANK-04.Psychology
187 RANK-04.Religious studies and theology
188 RANK-04.Social policy and administration
189 RANK-04.Social work
190 RANK-04.Sociology
191 RANK-04.Sports science
192 RANK-04.Tourism, transport and travel
193 RANK-04.Veterinary science
194 RANK-05.Agriculture, forestry and food
195 RANK-05.American studies
196 RANK-05.Anatomy and physiology
197 RANK-05.Anthropology
198 RANK-05.Archaeology and Forensics
199 RANK-05.Architecture
200 RANK-05.Art and design
201 RANK-05.Biosciences
202 RANK-05.Building and town and country planning
203 RANK-05.Business and management studies
204 RANK-05.Chemistry
205 RANK-05.Classics
206 RANK-05.Computer sciences and IT
207 RANK-05.Dentistry
208 RANK-05.Drama and dance
209 RANK-05.Earth and marine sciences
210 RANK-05.Economics
211 RANK-05.Education
212 RANK-05.Engineering: chemical
213 RANK-05.Engineering: civil
214 RANK-05.Engineering: electronic and electrical
215 RANK-05.Engineering: general
216 RANK-05.Engineering: materials and mineral
217 RANK-05.Engineering: mechanical
218 RANK-05.English
219 RANK-05.Geography and environmental studies
220 RANK-05.History and history of art
221 RANK-05.Law
222 RANK-05.Mathematics
223 RANK-05.Media studies, communications and librarianship
224 RANK-05.Medicine
225 RANK-05.Modern languages and linguistics
226 RANK-05.Music
227 RANK-05.Nursing and paramedical studies
228 RANK-05.Pharmacy and pharmacology
229 RANK-05.Philosophy
230 RANK-05.Physics
231 RANK-05. Po litics
232 RANK-05.Psychology
233 RANK-05.Religious studies and theology
234 RANK-05.Social policy and administration
235 RANK-05.Social work
236 RANK-05.Sociology
237 RANK-05.Sports science
238 RANK-05.Tourism, transport and travel
239 RANK-06.Agriculture, forestry and food
240 RANK-06.American studies
241 RANK-06.Anatomy and physiology
242 RANK-06.Anthropology
243 RANK-06.Archaeology and Forensics
244 RANK-06.Architecture
245 RANK-06.Art and design
246 RANK-06.Biosciences
247 RANK-06.Building and town and country planning
248 RANK-06.Business and management studies
249 RANK-06.Chemistry
250 RANK-06.Classics
251 RANK-06.Computer sciences and IT
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
29
Таблица 8 - Описательные шкалы и градации (показатели)
39 STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000}
38 STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000}
37 STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000}
36 STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000}
35 STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000}
34 STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000}
33 STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000}
32 STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000}
31 STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000}
30 EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000}
29 EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000}
28 EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000}
27 EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000}
26 EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000}
25 EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000}
24 EXPENDITURE PER STUDENT (FTE)-4/10-{3.7000000, 4.6000000}
23 EXPENDITURE PER STUDENT (FTE)-3/10-{2.8000000, 3.7000000}
22 EXPENDITURE PER STUDENT (FTE)-2/10-{1.9000000, 2.8000000}
21 EXPENDITURE PER STUDENT (FTE)-1/10-{1.0000000, 1.9000000}
20 % SATISFIED OVERALL WITH COURSE-10/10-{93.7515677, 100.0000000}
19 % SATISFIED OVERALL WITH COURSE-9/10-{87.5031353, 93.7515677}
18 % SATISFIED OVERALL WITH COURSE-8/10-{81.2547030, 87.5031353}
17 % SATISFIED OVERALL WITH COURSE-7/10-{75.0062706, 81.2547030}
16 % SATISFIED OVERALL WITH COURSE-6/10-{68.7578383, 75.0062706}
15 % SATISFIED OVERALL WITH COURSE-5/10-{62.5094060, 68.7578383}
14 % SATISFIED OVERALL WITH COURSE-4/10-{56.2609736, 62.5094060}
13 % SATISFIED OVERALL WITH COURSE-3/10-{50.0125413, 56.2609736}
12 % SATISFIED OVERALL WITH COURSE-2/10-{43.7641089, 50.0125413}
11 % SATISFIED OVERALL WITH COURSE-1/10-{37.5156766, 43.7641089}
10 % SATISFIED WITH TEACHING-10/10-{95.0000000, 100.0000000}
9 % SATISFIED WITH TEACHING-9/10-{90.0000000, 95.0000000}
8 % SATISFIED WITH TEACHING-8/10-{85.0000000, 90.0000000}
7 % SATISFIED WITH TEACHING-7/10-{80.0000000, 85.0000000}
6 % SATISFIED WITH TEACHING-6/10-{75.0000000, 80.0000000}
5 % SATISFIED WITH TEACHING-5/10-{70.0000000, 75.0000000}
4 % SATISFIED WITH TEACHING-4/10-{65.0000000, 70.0000000}
3 % SATISFIED WITH TEACHING-3/10-{60.0000000, 65.0000000}
2 % SATISFIED WITH TEACHING-2/10-{55.0000000, 60.0000000}
1 % SATISFIED WITH TEACHING-1/10-{50.0000000, 55.0000000}
Код Наименование
80 % SATISFIED WITH ASSESSMENT-10/10-{88.8275502, 96.6000000}
79 % SATISFIED WITH ASSESSMENT-9/10-{81.0551004, 88.8275502}
78 % SATISFIED WITH ASSESSMENT-8/10-{73.2826506, 81.0551004}
77 % SATISFIED WITH ASSESSMENT-7/10-{65.5102008, 73.2826506}
76 % SATISFIED WITH ASSESSMENT-6/10-{57.7377510, 65.5102008}
75 % SATISFIED WITH ASSESSMENT-5/10-{49.9653012, 57.7377510}
74 % SATISFIED WITH ASSESSMENT-4/10-{42.1928514, 49.9653012}
73 % SATISFIED WITH ASSESSMENT-3/10-{34.4204016, 42.1928514}
72 % SATISFIED WITH ASSESSMENT-2/10-{26.6479518, 34.4204016}
71 % SATISFIED WITH ASSESSMENT-1/10-{18.8755020, 26.6479518}
70 AVERAGE ENTRY TARIFF-10/10-{551.7000000, 598.0000000}
69 AVERAGE ENTRY TARIFF-9/10-{505.4000000, 551.7000000}
68 AVERAGE ENTRY TARIFF-8/10-{459.1000000, 505.4000000}
67 AVERAGE ENTRY TARIFF-7/10-{412.8000000, 459.1000000}
66 AVERAGE ENTRY TARIFF-6/10-{366.5000000, 412.8000000}
65 AVERAGE ENTRY TARIFF-5/10-{320.2000000, 366.5000000}
64 AVERAGE ENTRY TARIFF-4/10-{273.9000000, 320.2000000}
63 AVERAGE ENTRY TARIFF-3/10-{227.6000000, 273.9000000}
62 AVERAGE ENTRY TARIFF-2/10-{181.3000000, 227.6000000}
61 AVERAGE ENTRY TARIFF-1/10-{135.0000000, 181.3000000}
60 VALUE ADDED SCORE/10-10/10-{9.1000000, 10.0000000}
59 VALUE ADDED SCORE/10-9/10-{8.2000000, 9.1000000}
58 VALUE ADDED SCORE/10-8/10-{7.3000000, 8.2000000}
57 VALUE ADDED SCORE/10-7/10-{6.4000000, 7.3000000}
56 VALUE ADDED SCORE/10-6/10-{5.5000000, 6.4000000}
55 VALUE ADDED SCORE/10-5/10-{4.6000000, 5.5000000}
54 VALUE ADDED SCORE/10-4/10-{3.7000000, 4.6000000}
53 VALUE ADDED SCORE/10-3/10-{2.8000000, 3.7000000}
52 VALUE ADDED SCORE/10-2/10-{1.9000000, 2.8000000}
51 VALUE ADDED SCORE/10-1/10-{1.0000000, 1.9000000}
50 CAREER PROSPECTS-10/10-{91.6000000, 100.0000000}
49 CAREER PROSPECTS-9/10-{83.2000000, 91.6000000}
48 CAREER PROSPECTS-8/10-{74.8000000, 83.2000000}
47 CAREER PROSPECTS-7/10-{66.4000000, 74.8000000}
46 CAREER PROSPECTS-6/10-{58.0000000, 66.4000000}
45 CAREER PROSPECTS-5/10-{49.6000000, 58.0000000}
44 CAREER PROSPECTS-4/10-{41.2000000, 49.6000000}
43 CAREER PROSPECTS-3/10-{32.8000000, 41.2000000}
42 CAREER PROSPECTS-2/10-{24.4000000, 32.8000000}
41 CAREER PROSPECTS-1/10-{16.0000000, 24.4000000}
40 STUDENT:STAFF RATIO-10/10-{46.0900000, 50.7000000}
Таблица 9 - Обучающая выборка (фрагмент
The object of training sample Guardi an score/1 00 Rank Field of study Name of Instituti on % Satisfie d with Teachi ng % Satisfie d overall with course Expend iture per student (FTE) Studen t:staff ratio Career prospe cts Value added score/1 0 Averag e Entry Tariff % Satisfie d with Assess ment
Medicine-Oxford, 2012 10 41 498 606 10 20 31 50 57 70 79
Medicine-Cambridge, 2012 10 41 498 535 9 19 30 31 50 52 70 76
Medicine-Edinburgh, 2012 9 87 498 553 9 19 30 31 50 54 69 75
Medicine-Dundee, 2012 9 87 498 549 10 20 30 31 50 56 68 76
Medicine-UCL, 2012 8 87 498 652 9 19 26 31 50 59 69 76
Medicine-Imperial College, 2012 6 132 498 575 9 19 27 31 50 53 69 74
Medicine-Leicester, 2012 6 132 498 585 9 19 25 31 50 55 68 75
Medicine-Newcastle, 2012 6 132 498 598 10 20 24 31 50 55 68 75
Medicine-Peninsula Medical School, 2012 6 132 498 608 9 19 27 31 50 54 68 76
Medicine-Nottingham, 2012 6 178 498 604 9 19 23 31 50 54 69 74
Medicine-King's College London, 2012 5 178 498 578 8 18 25 31 50 56 68 74
Medicine-Warwick, 2012 5 178 498 660 8 18 28 31 50 59 74
Medicine-Leeds, 2012 4 224 498 581 8 18 26 31 50 56 68 75
Medicine-Hull York Medical School, 2012 4 224 498 574 8 18 24 32 50 58 68 75
Medicine-Manchester, 2012 4 224 498 593 6 15 28 31 50 59 68 73
Medicine-Sheffield, 2012 4 224 498 628 9 19 23 31 50 54 68 75
Medicine-Aberdeen, 2012 4 269 498 513 9 19 24 31 50 56 67 77
Medicine-Brighton Sussex Medical School, 2012 4 269 498 530 8 18 24 32 50 57 75
Medicine-Queen Mary, 2012 4 269 498 613 7 17 24 31 50 58 68 74
Medicine-St George's Medical School, 2012 4 315 498 634 8 19 26 32 50 56 68 75
Medicine-Southampton, 2012 4 315 498 631 8 18 24 31 50 57 68 74
Medicine-St Andrews, 2012 4 361 498 633 10 20 22 32 50 51 68 76
Medicine-Glasgow, 2012 3 361 498 560 6 15 25 31 50 55 69 72
Medicine-UEA, 2012 3 361 498 653 8 18 23 31 50 59 67 75
Medicine-Birmingham, 2012 3 361 498 523 9 18 23 32 50 53 69 72
Medicine-Queen's, Belfast, 2012 3 406 498 611 8 18 24 32 50 53 68 75
Medicine-Liverpool, 2012 2 406 498 587 6 15 24 31 50 54 68 72
Medicine-Bristol, 2012 2 406 498 531 8 15 26 32 50 54 68 71
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
30
Medicine-Keele, 2012 1 452 498 576 7 14 23 32 50 57 67 72
Medicine-Cardiff, 2012 1 452 498 537 6 14 23 32 50 58 68 71
Dentistry-King's College London, 2012 10 24 481 578 9 18 28 31 50 57 68 77
Dentistrv-Glasgow, 2012 8 70 481 560 10 20 23 32 50 56 68 78
Dentistry-Cardiff, 2012 8 115 481 537 9 20 28 31 50 51 68 75
Dentistry-Queen's, Belfast, 2012 7 115 481 611 10 20 29 31 50 55 67 76
Dentistry-Birmingham, 2012 7 161 481 523 10 18 25 31 50 56 68 76
Dentistrv-Bristol, 2012 6 207 481 531 9 20 26 32 50 55 68 78
Dentistry-Dundee, 2012 5 252 481 549 8 19 24 31 50 57 68 75
Dentistry-Sheffield, 2012 4 252 481 628 9 19 23 31 50 56 68 76
Dentistry-Liverpool, 2012 3 298 481 587 8 17 27 31 50 57 68 76
Dentistry-Manchester, 2012 3 344 481 593 9 18 25 31 50 57 68 75
Dentistry-Newcastle, 2012 2 389 481 598 8 19 21 32 50 56 68 76
Dentistry-Queen Mary, 2012 1 389 481 613 7 17 24 31 50 57 68 76
Dentistry-Leeds, 2012 1 435 481 581 9 19 29 32 50 56 68 73
Veterinary science-Cambridge, 2012 10 56 512 535 9 19 28 31 49 53 69 77
Veterinary science-Edinburgh, 2012 8 147 512 553 9 18 29 31 50 59 68 74
Veterinary science-Liverpool, 2012 6 193 512 587 9 20 23 31 50 54 68 74
Veterinary science-Glasgow, 2012 5 284 512 560 9 20 23 31 50 58 68 75
Veterinary science-Nottingham, 2012 5 330 512 604 24 31 68
Veterinary science-Royal Veterinary College, 2012 5 421 512 625 8 17 28 31 49 56 68 73
Veterinary science-Bristol, 2012 1 467 512 531 9 19 23 32 49 53 67 74
Anatomy and physiology-Oxford, 2012 10 13 470 606 10 17 30 32 56 69 75
Anatomy and physiology-Glamorgan, 2012 10 13 470 559 9 19 24 32 50 60 65 78
Anatomy and physiology-Cardiff, 2012 10 59 470 537 9 20 30 32 50 55 67 75
Anatomy and physiology-Plymouth, 2012 9 59 470 609 10 19 28 31 48 58 65 79
Anatomy and physiology-Brunel, 2012 8 59 470 532 10 20 23 32 48 59 65 76
Anatomy and physiology-Liverpool, 2012 8 59 470 587 9 19 29 32 48 54 66 77
Anatomy and physiology-Sussex, 2012 8 59 470 643 9 20 26 32 59 66 76
Anatomy and physiology-Newcastle, 2012 7 104 470 598 9 20 24 32 48 55 67 76
Anatomy and physiology-Aston, 2012 7 104 470 518 8 18 26 33 50 52 66 78
Anatomy and physiology-Bristol, 2012 7 150 470 531 9 19 27 32 47 54 67 76
Anatomy and physiology-Nottingham, 2012 6 150 470 604 10 19 27 33 54 67 77
Anatomy and physiology-Birmingham, 2012 6 150 470 523 9 18 32 47 57 67 75
Anatomy and physiology-Sheffield Hallam, 2012 5 150 470 629 10 19 23 33 48 55 66 77
Anatomy and physiology-Manchester, 2012 5 196 470 593 9 19 25 32 48 54 67 75
Anatomy and physiology-Glasgow Caledonian, 2012 5 196 470 561 9 19 24 33 48 57 66 76
Anatomy and physiology-Edinburgh, 2012 5 196 470 553 9 19 29 33 45 55 67 74
Anatomy and physiology-Robert Gordon, 2012 5 241 470 616 9 20 23 34 48 57 67 76
Anatomy and physiology-De Montfort, 2012 5 241 470 547 8 19 25 33 50 55 64 76
Anatomy and physiology-Hertfordshire, 2012 5 241 470 570 8 19 23 33 49 57 63 77
Anatomy and physiology-UEA, 2012 5 241 470 653 10 20 49 53 65 75
Anatomy and physiology-Queen's, Belfast, 2012 4 287 470 611 9 19 29 32 46 57 65 74
Anatomy and physiology-Aberdeen, 2012 4 287 470 513 8 20 24 33 47 56 64 78
Anatomy and physiology-Bradford, 2012 4 287 470 528 8 20 24 33 49 53 65 76
Anatomy and physiology-Birmingham City, 2012 2 287 470 524 9 15 23 34 48 58 65 75
Anatomy and physiology-Leeds, 2012 2 333 470 581 8 19 25 35 45 56 67 76
Anatomy and physiology-Northampton, 2012 2 333 470 601 9 17 23 33 63 77
Anatomy and physiology-Anglia Ruskin, 2012 2 333 470 516 8 20 25 36 46 58 64 78
Anatomy and physiology-Manchester Met, 2012 2 378 470 594 8 17 22 33 48 53 65 75
Anatomy and physiology-City, 2012 1 378 470 542 8 17 24 33 50 51 66 74
Anatomy and physiology-Cumbria, 2012 1 378 470 546 7 18 23 34 50 52 64 76
Anatomy and physiology-St Mary's UC, Twickenham, 2012 1 378 470 636 10 20 22 35 47 56 62 77
Anatomy and physiology-King's College London, 2012 1 424 470 578 8 19 27 36 46 53 67 75
Anatomy and physiology-Ulster, 2012 1 424 470 654 7 15 23 33 45 58 65 75
Nursing and paramedical studies-Edinburgh, 2012 10 44 501 553 10 20 29 32 58 66 78
Nursing and paramedical studies-Glasgow, 2012 10 44 501 560 10 20 27 33 56 66 80
Nursing and paramedical studies-UEA, 2012 9 44 501 653 9 18 30 33 50 58 65 76
Nursing and paramedical studies-Leeds, 2012 7 44 501 581 8 17 30 33 50 53 65 77
Nursing and paramedical studies-Staffordshire, 2012 7 44 501 637 9 20 27 33 50 58 63 78
Nursing and paramedical studies-Portsmouth, 2012 7 90 501 610 8 18 28 32 50 54 65 76
Nursing and paramedical studies-City, 2012 7 90 501 542 8 18 30 33 49 55 64 77
Nursing and paramedical studies-Keele, 2012 7 90 501 576 10 20 26 33 49 57 64 78
Nursing and paramedical studies-Southampton, 2012 7 90 501 631 8 18 28 33 49 59 66 75
Nursing and paramedical studies-Birmingham, 2012 7 90 501 523 9 19 32 49 54 66 76
Nursing and paramedical studies-Bedfordshire, 2012 7 90 501 522 9 18 24 33 60 63 77
Nursing and paramedical studies-Liverpool, 2012 7 90 501 587 8 17 29 32 50 52 65 76
Nursing and paramedical studies-Oxford Brookes, 2012 7 90 501 607 9 19 24 33 50 55 64 78
Nursing and paramedical studies-Nottingham, 2012 7 135 501 604 8 18 27 33 49 59 65 76
Nursing and paramedical studies-Surrey, 2012 7 135 501 642 8 19 28 35 50 58 65 77
Nursing and paramedical studies-Manchester, 2012 7 135 501 593 9 18 27 33 50 55 65 76
Nursing and paramedical studies-Brighton, 2012 6 135 501 529 8 17 24 33 49 58 65 77
Nursing and paramedical studies-Thames Valley, 2012 6 135 501 646 8 16 28 33 50 60 62 77
Nursing and paramedical studies-Middlesex, 2012 6 135 501 597 8 17 29 33 50 56 63 77
Nursing and paramedical studies-Edge Hill, 2012 6 135 501 552 9 19 23 33 49 54 63 79
Nursing and paramedical studies-Bangor, 2012 6 135 501 519 8 18 26 33 50 52 64 77
Nursing and paramedical studies-Coventry, 2012 6 135 501 545 9 19 23 33 49 58 64 77
Nursing and paramedical studies-Northampton, 2012 6 181 501 601 8 18 24 33 49 59 63 76
Полностью обучающая выборка в статье не может быть приведена, т.к. файл исходных данных содержит 2559 строк.
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
31
Этим завершается 2-й этап АСК-анализа, который называется «Формализация предметной области» и создаются все необходимые и достаточные предпосылки для выполнения следующего этапа, т.е. синтеза и верификации (измерения достоверности) модели.
3.5. Синтез и верификация многокритериальной системно-когнитивной модели университетского рейтинга Гардиан, учитывающей направления подготовки
Синтез и верификация многокритериальной системно-когнитивной модели университетского рейтинга Гардиан, учитывающей направления подготовки, представляет собой задачу, требующую довольно значительных вычислительных ресурсов. Решение этой задачи на компьютере с процессором i7 и 16 Гб оперативной памяти с размещение задачи на SSD, потребовало около 13 часов счета (рисунок 9).
Рисунок 9. Экранная форма с отображением стадии синтеза и верификации моделей и прогнозом времени исполнения
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
32
Такая большая длительность расчетов обусловлена тем, что для измерения достоверности 10 моделей была использована вся обучающая выборка, включающая 2559 примеров.
Математические аспекты формирования системно-когнитивных моделей описаны в ряде работ автора [3] и здесь их подробно освещать нет необходимости. Отметим лишь, что для преобразования матрицы абсолютных частот в другие модели используются формулы преобразования, приведенные в таблице 10:
Таблица 10 - Частные критерии знаний, используемые в настоящее время в АСК-анализе и системе «Эйдос-Х++»____________________________
Наименование модели знаний и частный критерий Выражение для частного критерия
через относительные частоты через абсолютные частоты
INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу. Относительная частота того, что если у объекта j-го класса обнаружен признак, то это i-й признак Ij = Yx Log 2 P N.N Ij =Yx Log 2 1 N 7N7 ‘ J
INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу. Относительная частота того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак. Ij = Yx Log2 P N77N Ij =Yx Log 2 1 N7N7
INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами — n,n7 I = N.. i 1 iJ v N
INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу h—i II 2a 1 II 2^ 7a | .As n77n I j = J 1 J N N J
INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу II Та 2° 1 II 2^ -Та i .Да N77N I j = —1— 1 у N N j
INF6, частный критерий: разность условной и безусловной относительных частот, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу 43: II 2^ 1 2a 43: II jsp;
INF7, частный критерий: разность условной и безусловной относительных частот, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу 43: II 2^ 1 2a I = N , N , 7] N. N
Обозначения:
i - значение прошлого параметра; j - значение будущего параметра;
Nij - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра; M- суммарное число значений всех прошлых параметров;
W - суммарное число значений всех будущих параметров.
Ni - количество встреч i-м значения прошлого параметра по всей выборке;
Nj - количество встреч j-го значения будущего параметра по всей выборке;
N - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра по всей выборке.
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
33
Ij - частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;
W- нормировочный коэффициент (Е.В.Луценко, 1979, впервые опубликовано в 1993 году [15]), преобразующий количество информации в формуле АХаркевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;
Pi - безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке;
Pj - условная относительная частота встречи i-го значения прошлого параметра при j-м значении будущего параметра.
В результате сформированы 10 моделей: 3 статистических и 7 системно-когнитивных моделей (моделей знаний). Фрагменты трех из них приведены ниже (таблицы 11, 12, 13):
Таблица 11 - Матрица абсолютных частот, модель ABS (фрагмент)
Код Наименование показателя CO CO CO o" a> LO CM о CM Г-. о CO CO CO о CM CO CO cm" Г-. о о CO LO LO LO co" CO о LO CT> CM CO LO LO LO о LO 6/10-{62.95, 70.36} 7/10-{70.36, 77.77} CO LO CO Г-." Г-. Г-. о CO o> LO CM o> co" LO CO о 5> 10/10-{92.59, 100.00}
1 % SATISFIED WITH TEACHING-1/10-{50.0000000, 55.0000000} 2 2 1 0 2 0 1 0 0 0
2 % SATISFIED WITH TEACHING-2/10-{55.0000000, 60.0000000} 4 8 0 1 1 0 1 0 0 0
3 % SATISFIED WITH TEACHING-3/10-{60.0000000, 65.0000000} 3 8 7 5 2 4 2 2 1 0
4 % SATISFIED WITH TEACHING-4/10-{65.0000000, 70.0000000} 7 23 17 18 9 4 6 3 1 0
5 % SATISFIED WITH TEACHING-5/10-{70.0000000, 75.0000000} 6 22 31 43 30 29 9 5 0 0
6 % SATISFIED WITH TEACHING-6/10-{75.0000000, 80.0000000} 17 29 63 72 79 43 22 12 5 3
7 % SATISFIED WITH TEACHING-7/10-{80.0000000, 85.0000000} 15 22 65 93 108 89 53 43 20 12
8 % SATISFIED WITH TEACHING-8/10-{85.0000000, 90.0000000} 6 21 55 96 121 121 101 41 30 27
9 % SATISFIED WITH TEACHING-9/10-{90.0000000, 95.0000000} 6 9 25 54 87 104 97 71 38 35
10 % SATISFIED WITH TEACHING-10/10-{95.0000000, 100.0000000} 1 2 3 12 23 18 39 23 21 32
11 % SATISFIED OVERALL WITH COURSE-1/10-{37.5156766, 43.7641089} 3 3 2 1 0 0 0 1 1 0
12 % SATISFIED OVERALL WITH COURSE-2/10-{43.7641089, 50.0125413} 3 5 1 1 2 1 0 0 1 0
13 % SATISFIED OVERALL WITH COURSE-3/10-{50.0125413, 56.2609736} 4 7 5 4 6 2 2 1 0 0
14 % SATISFIED OVERALL WITH COURSE-4/10-{56.2609736, 62.5094060} 6 16 17 11 13 6 5 3 0 0
15 % SATISFIED OVERALL WITH COURSE-5/10-{62.5094060, 68.7578383} 9 20 20 31 21 19 5 6 0 0
16 % SATISFIED OVERALL WITH COURSE-6/10-{68.7578383, 75.0062706} 9 23 41 45 45 33 19 11 4 0
17 % SATISFIED OVERALL WITH COURSE-7/10-{75.0062706, 81.2547030} 16 28 65 81 96 73 45 16 9 2
18 % SATISFIED OVERALL WITH COURSE-8/10-{81.2547030, 87.5031353} 8 26 66 109 118 110 80 42 25 12
19 % SATISFIED OVERALL WITH COURSE-9/10-{87.5031353, 93.7515677} 5 15 40 84 118 114 111 73 43 44
20 % SATISFIED OVERALL WITH COURSE-10/10-{93.7515677, 100.0000000} 4 3 10 27 43 54 64 47 33 51
21 EXPENDITURE PER STUDENT (FTE)-1/10-{1.0000000, 1.9000000} 2 4 3 0 1 0 0 0 0 0
22 EXPENDITURE PER STUDENT (FTE)-2/10-{1.9000000, 2.8000000} 9 28 44 33 23 13 9 0 0 0
23 EXPENDITURE PER STUDENT (FTE)-3/10-{2.8000000, 3.7000000} 31 48 84 114 102 64 20 13 5 2
24 EXPENDITURE PER STUDENT (FTE)-4/10-{3.7000000, 4.6000000} 17 35 63 111 121 86 51 21 2 2
25 EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000} 6 15 38 47 67 63 58 19 7 4
26 EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000} 0 9 18 35 54 59 42 28 14 6
27 EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000} 2 6 8 28 39 52 47 29 14 8
28 EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000} 0 5 13 14 35 40 48 32 19 15
29 EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000} 1 0 0 12 22 25 33 35 23 11
30 EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000} 0 0 1 3 4 9 24 23 31 56
31 STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000} 1 2 4 11 16 13 17 17 18 20
32 STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000} 7 7 9 29 44 62 73 69 46 50
33 STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000} 7 24 53 101 160 150 131 69 43 37
34 STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000} 15 36 90 144 167 122 93 33 12 6
35 STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000} 22 34 74 79 59 47 16 11 2 2
36 STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000} 8 24 20 23 19 8 1 1 1 0
37 STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000} 4 12 10 6 2 4 1 0 0 0
38 STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000} 2 5 9 3 1 0 0 0 0 0
39 STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000} 2 3 2 0 0 1 0 0 0 0
40 STUDENT:STAFF RATIO-10/10-{46.0900000, 50.7000000} 0 1 0 0 0 0 0 0 0 0
41 CAREER PROSPECTS-1/10-{16.0000000, 24.4000000} 2 5 5 5 2 0 0 0 0 0
42 CAREER PROSPECTS-2/10-{24.4000000, 32.8000000} 5 14 18 21 21 4 0 0 0 1
43 CAREER PROSPECTS-3/10-{32.8000000, 41.2000000} 12 15 41 61 57 21 14 0 1 1
44 CAREER PROSPECTS-4/10-{41.2000000, 49.6000000} 6 32 36 65 58 36 31 7 3 0
45 CAREER PROSPECTS-5/10-{49.6000000, 58.0000000} 8 19 32 66 67 89 51 19 5 1
46 CAREER PROSPECTS-6/10-{58.0000000, 66.4000000} 3 7 24 40 65 51 55 21 14 8
47 CAREER PROSPECTS-7/10-{66.4000000, 74.8000000} 1 3 10 30 28 55 47 45 27 14
48 CAREER PROSPECTS-8/10-{74.8000000, 83.2000000} 0 3 11 10 26 30 42 36 21 29
49 CAREER PROSPECTS-9/10-{83.2000000, 91.6000000} 2 1 1 4 14 10 19 19 14 19
50 CAREER PROSPECTS-10/10-{91.6000000, 100.0000000} 6 3 9 20 14 16 16 10 7 9
51 VALUE ADDED SCORE/10-1/10-{1.0000000, 1.9000000} 15 21 20 24 12 3 2 2 1 0
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
34
Таблица 11 - Матрица условных и безусловных
процентных распределений , модель PRC2 ^ (фрагмент)
Код Наименование показателя CO CO CO o" o> LO CM о CM Г-. о CO CO CO о CM CO CO cm" Г-. о о CO LO LO LO co" CO о LO CT> CM CO LO LO LO о LO 6/10-{62.95, 70.36} 7/10-{70.36, 77.77} CO LO CO r--" r-. r*2 Г-. о CO o> LO CM o> co" LO CO о 5> 10/10-{92.59, 100.00}
1 % SATISFIED WITH TEACHING-1 /10-{50.0000000, 55.0000000} 3 1 0 0 0 0 0 0 0 0
2 % SATISFIED WITH TEACHING-2/10-{55.0000000, 60.0000000} 6 5 0 0 0 0 0 0 0 0
3 % SATISFIED WITH TEACHING-3/10-{60.0000000, 65.0000000} 4 5 3 1 0 1 1 1 1 0
4 % SATISFIED WITH TEACHING-4/10-{65.0000000, 70.0000000} 10 15 6 5 2 1 2 1 1 0
5 % SATISFIED WITH TEACHING-5/10-{70.0000000, 75.0000000} 9 15 11 11 6 7 3 2 0 0
6 % SATISFIED WITH TEACHING-6/10-{75.0000000, 80.0000000} 25 19 23 18 17 10 7 6 4 3
7 % SATISFIED WITH TEACHING-7/10-{80.0000000, 85.0000000} 22 15 24 23 23 21 16 21 16 10
8 % SATISFIED WITH TEACHING-8/10-{85.0000000, 90.0000000} 9 14 20 24 26 29 30 20 24 23
9 % SATISFIED WITH TEACHING-9/10-{90.0000000, 95.0000000} 9 6 9 14 18 25 29 35 31 30
10 % SATISFIED WITH TEACHING-10/10-{95.0000000, 100.0000000} 1 1 1 3 5 4 12 11 17 28
11 % SATISFIED OVERALL WITH COURSE-1/10-{37.5156766, 43.7641089} 4 2 1 0 0 0 0 0 1 0
12 % SATISFIED OVERALL WITH COURSE-2/10-{43.7641089, 50.0125413} 4 3 0 0 0 0 0 0 1 0
13 % SATISFIED OVERALL WITH COURSE-3/10-{50.0125413, 56.2609736} 6 5 2 1 1 0 1 0 0 0
14 % SATISFIED OVERALL WITH COURSE-4/10-{56.2609736, 62.5094060} 9 11 6 3 3 1 1 1 0 0
15 % SATISFIED OVERALL WITH COURSE-5/10-{62.5094060, 68.7578383} 13 13 7 8 4 5 1 3 0 0
16 % SATISFIED OVERALL WITH COURSE-6/10-{68.7578383, 75.0062706} 13 15 15 11 10 8 6 5 3 0
17 % SATISFIED OVERALL WITH COURSE-7/10-{75.0062706, 81.2547030} 23 19 24 20 20 18 13 8 7 2
18 % SATISFIED OVERALL WITH COURSE-8/10-{81.2547030, 87.5031353} 12 17 24 27 25 27 24 21 20 10
19 % SATISFIED OVERALL WITH COURSE-9/10-{87.5031353, 93.7515677} 7 10 15 21 25 27 33 36 35 38
20 % SATISFIED OVERALL WITH COURSE-10/10-{93.7515677, 100.0000000} 6 2 4 7 9 13 19 23 27 44
21 EXPENDITURE PER STUDENT (FTE)-1/10-{1.0000000, 1.9000000} 3 3 1 0 0 0 0 0 0 0
22 EXPENDITURE PER STUDENT (FTE)-2/10-{1.9000000, 2.8000000} 13 19 16 8 5 3 3 0 0 0
23 EXPENDITURE PER STUDENT (FTE)-3/10-{2.8000000, 3.7000000} 45 32 31 29 22 15 6 6 4 2
24 EXPENDITURE PER STUDENT (FTE)-4/10-{3.7000000, 4.6000000} 25 23 23 28 26 21 15 10 2 2
25 EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000} 9 10 14 12 14 15 17 9 6 3
26 EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000} 0 6 7 9 11 14 13 14 11 5
27 EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000} 3 4 3 7 8 13 14 14 11 7
28 EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000} 0 3 5 4 7 10 14 16 15 13
29 EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000} 1 0 0 3 5 6 10 17 19 9
30 EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000} 0 0 0 1 1 2 7 11 25 48
31 STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000} 1 1 1 3 3 3 5 8 15 17
32 STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000} 10 5 3 7 9 15 22 34 37 43
33 STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000} 10 16 19 25 34 36 39 34 35 32
34 STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000} 22 24 33 36 35 29 28 16 10 5
35 STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000} 32 23 27 20 12 11 5 5 2 2
36 STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000} 12 16 7 6 4 2 0 0 1 0
37 STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000} 6 8 4 2 0 1 0 0 0 0
38 STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000} 3 3 3 1 0 0 0 0 0 0
39 STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000} 3 2 1 0 0 0 0 0 0 0
40 STUDENT:STAFF RATIO-10/10-{46.0900000, 50.7000000} 0 1 0 0 0 0 0 0 0 0
41 CAREER PROSPECTS-1/10-{16.0000000, 24.4000000} 3 3 2 1 0 0 0 0 0 0
42 CAREER PROSPECTS-2/10-{24.4000000, 32.8000000} 7 9 7 5 4 1 0 0 0 1
43 CAREER PROSPECTS-3/10-{32.8000000, 41.2000000} 17 10 15 15 12 5 4 0 1 1
44 CAREER PROSPECTS-4/10-{41.2000000, 49.6000000} 9 21 13 16 12 9 9 3 2 0
45 CAREER PROSPECTS-5/10-{49.6000000, 58.0000000} 12 13 12 17 14 21 15 9 4 1
46 CAREER PROSPECTS-6/10-{58.0000000, 66.4000000} 4 5 9 10 14 12 16 10 11 7
47 CAREER PROSPECTS-7/10-{66.4000000, 74.8000000} 1 2 4 8 6 13 14 22 22 12
48 CAREER PROSPECTS-8/10-{74.8000000, 83.2000000} 0 2 4 3 5 7 13 18 17 25
49 CAREER PROSPECTS-9/10-{83.2000000, 91.6000000} 3 1 0 1 3 2 6 9 11 16
50 CAREER PROSPECTS-10/10-{91.6000000, 100.0000000} 9 2 3 5 3 4 5 5 6 8
51 VALUE ADDED SCORE/10-1/10-{1.0000000, 1.9000000} 22 14 7 6 3 1 1 1 1 0
52 VALUE ADDED SCORE/10-2/10-{1.9000000, 2.8000000} 14 13 10 10 7 6 4 1 0 3
53 VALUE ADDED SCORE/10-3/10-{2.8000000, 3.7000000} 13 15 17 15 11 8 7 3 3 3
54 VALUE ADDED SCORE/10-4/10-{3.7000000, 4.6000000} 6 17 19 16 12 13 10 11 11 3
55 VALUE ADDED SCORE/10-5/10-{4.6000000, 5.5000000} 6 7 8 10 12 13 14 8 7 9
56 VALUE ADDED SCORE/10-6/10-{5.5000000, 6.4000000} 10 11 8 8 14 13 11 14 11 9
57 VALUE ADDED SCORE/10-7/10-{6.4000000, 7.3000000} 7 6 8 10 15 16 19 24 25 28
58 VALUE ADDED SCORE/10-8/10-{7.3000000, 8.2000000} 6 6 8 9 10 12 18 18 24 25
59 VALUE ADDED SCORE/10-9/10-{8.2000000, 9.1000000} 1 2 3 7 7 7 9 12 10 11
60 VALUE ADDED SCORE/10-10/10-{9.1000000, 10.0000000} 0 1 1 1 3 4 4 3 4 6
61 AVERAGE ENTRY TARIFF-1/10-{135.0000000, 181.3000000} 4 5 4 2 0 1 1 0 0 0
62 AVERAGE ENTRY TARIFF-2/10-{181.3000000, 227.6000000} 30 29 21 10 9 5 4 1 2 1
63 AVERAGE ENTRY TARIFF-3/10-{227.6000000, 273.9000000} 38 37 35 35 26 18 13 5 7 1
64 AVERAGE ENTRY TARIFF-4/10-{273.9000000, 320.2000000} 10 19 25 27 29 25 12 10 10 2
65 AVERAGE ENTRY TARIFF-5/10-{320.2000000, 366.5000000} 6 3 7 12 15 16 19 15 14 9
66 AVERAGE ENTRY TARIFF-6/10-{366.5000000, 412.8000000} 3 2 4 6 10 17 23 19 20 13
67 AVERAGE ENTRY TARIFF-7/10-{412.8000000, 459.1000000} 4 2 1 3 6 12 21 24 22 19
68 AVERAGE ENTRY TARIFF-8/10-{459.1000000, 505.4000000} 4 2 1 3 2 3 6 16 15 14
69 AVERAGE ENTRY TARIFF-9/10-{505.4000000, 551.7000000} 0 0 1 0 1 1 1 5 7 25
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
35
Таблица 12 - Матрица информативностей в модели модель INF1,
Код Наименование показателя ё S’ 1 S’ 5 S ! в ! CO 1 i 1 6/10-{62.95, 70.36} 7/10-{70.36, 77.77} CO £ s i s CO 1 a 10/10-{92.59, 100.00}
1 % SATISFIED WITH TEACHING-1/10-{50.0000000, 55.0000000} 1876 1219 140 252 -55
2 % SATISFIED WITH TEACHING-2/10-{55.0000000, 60.0000000} 1930 1850 -718 -850 -579
3 % SATISFIED WITH TEACHING-3/10-{60.0000000, 65.0000000} 1009 1168 556 -59 -954 -272 -683 -254 -394
4 % SATISFIED WITH TEACHING-4/10-{65.0000000, 70.0000000} 922 1256 503 216 -493 -1064 -560 -709 -1186
5 % SATISFIED WITH TEACHING-5/10-{70.0000000, 75.0000000} 221 646 431 369 -63 14 -795 -856
6 % SATISFIED WITH TEACHING-6/10-{75.0000000, 80.0000000} 523 310 456 233 178 -224 -616 -692 -984 -1349
7 % SATISFIED WITH TEACHING-7/10-{80.0000000, 85.0000000} 77 -262 140 104 97 41 -225 29 -170 -536
8 % SATISFIED WITH TEACHING-8/10-{85.0000000, 90.0000000} -832 -446 -144 -15 47 151 167 -156 22 -5
9 % SATISFIED WITH TEACHING-9/10-{90.0000000, 95.0000000} -696 -1016 -665 -359 -93 161 269 438 355 347
10 % SATISFIED WITH TEACHING-10/10-{95.0000000, 100.0000000} -1267 -1348 -1510 -690 -279 -379 432 420 782 1194
11 % SATISFIED OVERALL WITH COURSE-1/10-{37.5156766, 43.7641089} 1949 1291 453 -460 108 546
12 % SATISFIED OVERALL WITH COURSE-2/10-{43.7641089, 50.0125413} 1748 1516 -326 -661 -215 -688 345
13 % SATISFIED OVERALL WITH COURSE-3/10-{50.0125413, 56.2609736} 1325 1134 353 -168 38 -772 -606 -755
14 % SATISFIED OVERALL WITH COURSE-4/10-{56.2609736, 62.5094060} 905 1065 614 -83 -75 -615 -601 -598
15 % SATISFIED OVERALL WITH COURSE-5/10-{62.5094060, 68.7578383} 800 808 307 337 -119 -97 -1043 -463
16 % SATISFIED OVERALL WITH COURSE-6/10-{68.7578383, 75.0062706} 331 455 436 179 47 -106 -400 -427 -832
17 % SATISFIED OVERALL WITH COURSE-7/10-{75.0062706, 81.2547030} 287 96 297 145 155 32 -205 -638 -679 -1872
18 % SATISFIED OVERALL WITH COURSE-8/10-{81.2547030, 87.5031353} -561 -236 39 123 57 103 4 -104 -98 -649
19 % SATISFIED OVERALL WITH COURSE-9/10-{87.5031353, 93.7515677} -1021 -763 -446 -163 -11 65 209 288 285 365
20 % SATISFIED OVERALL WITH COURSE-10/10-{93.7515677, 100.0000000} -661 -1558 -1055 -563 -306 -12 296 467 611 1034
21 EXPENDITURE PER STUDENT (FTE)-1/10-{1.0000000, 1.9000000} 1690 1610 870 -512
22 EXPENDITURE PER STUDENT (FTE)-2/10-{1.9000000, 2.8000000} 639 927 803 228 -204 -575 -715
23 EXPENDITURE PER STUDENT (FTE)-3/10-{2.8000000, 3.7000000} 743 450 416 335 111 -173 -976 -906 -1264 -1967
24 EXPENDITURE PER STUDENT (FTE)-4/10-{3.7000000, 4.6000000} 199 143 132 269 210 30 -239 -550 -2071 -2011
25 EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000} -292 -187 87 -70 94 147 244 -257 -651 -1057
26 EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000} -445 -368 -149 81 260 143 234 94 -552
27 EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000} -933 -675 -936 -227 -83 262 344 370 201 -205
28 EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000} -783 -488 -761 -129 87 405 496 500 363
29 EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000} -1208 -631 -257 -46 352 830 918 364
30 EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000} -2308 -1727 -1619 -838 145 538 1225 1778
31 STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000} -951 -1031 -954 -446 -265 -334 56 485 971 1119
32 STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000} -331 -989 -1280 -640 -424 -34 269 650 751 881
33 STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000} -891 -522 -362 -160 92 143 197 91 135 70
34 STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000} -192 -120 143 199 191 35 -25 -460 -865 -1382
35 STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000} 736 441 588 307 -67 -152 -884 -767 -1750 -1689
36 STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000} 886 1144 491 273 -18 -634 -2200 -1772 -1334
37 STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000} 1134 1392 739 -21 -1068 -386 -1375
38 STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000} 1113 1219 1208 -43 -1089
39 STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000} 1876 1556 718 -221
40 STUDENT:STAFF RATIO-10/10-{46.0900000, 50.7000000} 2374
41 CAREER PROSPECTS-1/10-{16.0000000, 24.4000000} 1156 1261 761 426 -469
42 CAREER PROSPECTS-2/10-{24.4000000, 32.8000000} 681 881 589 383 252 -1025 -1087
43 CAREER PROSPECTS-3/10-{32.8000000, 41.2000000} 596 125 462 458 270 -457 -629 -1961 -1901
44 CAREER PROSPECTS-4/10-{41.2000000, 49.6000000} -153 584 182 339 113 -180 -138 -949 -1217
45 CAREER PROSPECTS-5/10-{49.6000000, 58.0000000} -133 -70 -137 132 13 354 56 -338 -1012 -2293
46 CAREER PROSPECTS-6/10-{58.0000000, 66.4000000} -772 -724 -197 -107 166 69 298 -76 25 -381
47 CAREER PROSPECTS-7/10-{66.4000000, 74.8000000} -1602 -1344 -842 -261 -450 217 252 645 657 170
48 CAREER PROSPECTS-8/10-{74.8000000, 83.2000000} -1158 -576 -991 -326 -102 345 645 634 963
49 CAREER PROSPECTS-9/10-{83.2000000, 91.6000000} -253 -1488 -1989 -1169 -256 -432 269 698 882 1196
50 CAREER PROSPECTS-10/10-{91.6000000, 100.0000000} 608 -628 -213 118 -311 -95 71 108 249 519
51 VALUE ADDED SCORE/10-1/10-{ 1.0000000, 1.9000000} 1451 1073 532 349 -360 -1410 -1582 -1153 -1293
52 VALUE ADDED SCORE/10-2/10-{ 1.9000000, 2.8000000} 637 557 337 320 -45 -87 -379 -1291 -793
53 VALUE ADDED SCORE/10-3/10-{2.8000000, 3.7000000} 222 310 423 310 59 -166 -314 -912 -940 -1120
54 VALUE ADDED SCORE/10-4/10-{3.7000000, 4.6000000} -648 221 331 182 -59 1 -219 -116 -153 -1075
55 VALUE ADDED SCORE/10-5/10-{4.6000000, 5.5000000} -481 -376 -182 -56 136 167 200 -201 -391 -145
56 VALUE ADDED SCORE/10-6/10-{5.5000000, 6.4000000} -63 -32 -267 -264 195 104 -52 196 28 -192
57 VALUE ADDED SCORE/10-7/10-{6.4000000, 7.3000000} -595 -762 -557 -355 3 35 163 365 439 551
58 VALUE ADDED SCORE/10-8/10-{7.3000000, 8.2000000} -630 -612 -331 -340 -184 -29 273 275 562 594
59 VALUE ADDED SCORE/10-9/10-{8.2000000, 9.1000000} -1300 -1043 -628 -17 -11 -44 180 423 283 410
60 VALUE ADDED SCORE/10-10/10-{9.1000000, 10.0000000} -1130 -1053 -624 -26 264 373 96 382 723
61 AVERAGE ENTRY TARIFF-1/10-{135.0000000, 181.3000000} 894 943 818 316 -1068 -200 -797
62 AVERAGE ENTRY TARIFF-2/10-{181.3000000, 227.6000000} 978 936 651 42 -70 -504 -776 -1569 -1131 -1986
63 AVERAGE ENTRY TARIFF-3/10-{227.6000000, 273.9000000} 444 426 374 360 121 -216 -471 -1198 -1025 -2697
64 AVERAGE ENTRY TARIFF-4/10-{273.9000000, 320.2000000} -576 -49 185 196 290 161 -477 -585 -614 -2046
65 AVERAGE ENTRY TARIFF-5/10-{320.2000000, 366.5000000} -668 -1326 -528 -73 127 173 289 86 51 -252
66 AVERAGE ENTRY TARIFF-6/10-{366.5000000, 412.8000000} -1171 -1491 -988 -594 -183 259 528 357 447 81
67 AVERAGE ENTRY TARIFF-7/10-{412.8000000, 459.1000000} -690 -1348 -2186 -1028 -484 100 569 695 654 544
68 AVERAGE ENTRY TARIFF-8/10-{459.1000000, 505.4000000} -134 -792 -1053 -545 -676 -371 133 913 917 834
69 AVERAGE ENTRY TARIFF-9/10-{505.4000000, 551.7000000} -1002 -1914 -1130 -448 -1197 652 923 1958
70 AVERAGE ENTRY TARIFF-10/10-{551.7000000, 598.0000000} 374 2494
71 % SATISFIED WITH ASSESSMENT-1/10-{18.8755020, 26.6479518} 2454 1796
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
36
Достоверность этих моделей различна (рисунок 10):
4.1.3,6, Обобщ,форма по достов.моделей при разн.инпфит,, Текущая модель: TNF1"
I | 1°)
Наименование модели и частного критерия Интегральный критерий Вероятность правильной иденгифка... Вероятность правильной не иденгиф... Средняя вероятно... правильн... результата Дата получения результата Время получения результ..
Корреляция абс.частот с обр.... 99,512 13.360 56,436 08.03.2015 14:27:33
1. ABS • частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... 10G.QQQ 0.706 50.353 08.03,2015 14:27:54
2. PRC1 • частный критерий: уел. вероятность i-ro признака сред... Корреляция уел. отн. частот с о... 99-512 13.310 56,411 08.03,2015 15:42:12
2. PRC1 • частный критерий: уел. вероятность i-ro признака сред... Сумма уел.отн.частот по приз... 100,000 0.706 50.353 08.03,2015 15:42:32
3. PRC2 • частный критерий: условная вероятность i-ro признака... Корреляция уел.отн.частот с о... 99,512 13.360 56,436 08.03.2015 16:51:20
3. PRC2 • частный критерий: условная вероятность i-ro признака... Сумма уел.отн.частот по приз... 100.000 0.706 50.353 08.03,2015 16:51:34
4. INF1 - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 91.422 56,026 73,724 08.03,2015 18:11:40
4. INF1 - частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 88.492 48,641 68,566 08.03,2015 18:11:54
5. INF2 - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 91.422 55.979 73.701 08.03.201S 19:30:47
5. INF2 • частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 88.560 48.363 68.462 08.03,2015 19:31:01
6. INF3 • частный критерий: Хи-квадрат, разности между Фактич... Семантический резонанс зна... 93.474 51.362 72,418 08.03,2015 20:48:54
6. INF3 - частный критерий: Хи-квадрат, разности между Фактич... Сумма знаний 93,474 51,363 72,418 08.03,2015 20:49:08
7. INF4 - частный критерий: R0I (Return On Investment); вероятно... Семантический резонанс зна... 85,053 64.570 74,811 08.03.2015 22:07:00
7. INF4 - частный критерий: R0I (Return On Investment); вероятно... Сумма знаний 93.767 35.210 64.489 08.03,2015 22:07:15
8. INF5 - частный критерий: R0I (Return On Investment); вероятно... Семантический резонанс зна... 85.043 64,474 74,758 08.03,2015 23:25:29
8. INF5 - частный критерий: R0I (Return On Investment); вероятно... Сумма знаний 93,845 34.991 64.418 08.03,2015 23:25:44
8. INF6 - частный критерий: разн.усл.и безусл.вероягностей; вер... Семантический резонанс зна... 91.803 49.500 70,652 09.03.2015 00:45:50
8. INF6 - частный критерий: разн.усл.и безусл.вероягностей; вер... Сумма знаний 93.474 35.342 64.408 09.03,2015 00:46:06
10.INF7 - частный критерий: разн.усл.и безусл.вероягностей; ве... Семантический резонанс зна... 91.745 49.365 70.555 09.03,2015 02:02:44
10.INF7 - частный критерий: разн.усл.и безусл.вероягностей; ве... Сумма знаний 93,621 35.150 64,385 09.03,2015 02:02:58
Помощь
Рисунок 10. Экранная форма отчета по достоверности моделей
Для количественной оценки достоверности моделей применена метрика, предложенная автором и по смыслу сходная с известным F-критерием (рисунок 11):
€) Помощь го режиму: 4.1.3.6: Виды прогнозов л принцип опрделегтав достовеноста моделей в системе "Эйдос-Х+-*-"
Режим: помощь по режиму: 4.1.3.6: виды прогнозов и принцип опрделения достовености моделей в системе "зйдос-х++". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. В зтом случае у нее будет 1003Й достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации), ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.
ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
представим себе, что мы выбрасываем кубик с б гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и б, а что-то из этого естественно выпало, конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет. Но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.
ИДЕАЛЬНЫЙ ПРОГНОЗ.
если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3,
4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.
РЕАЛЬНЫЙ ПРОГНОЗ.
На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой, например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или б. понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.теперь представите себе, что у вас не 1 кубик и прогноз его поведения, а тысячи, тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.
Таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся. Ясно, что этот критерий очень сходен по смыслу с известным F-критерием и сходные оценки качества моделей.
Рисунок 11. Экранная форма пояснения по достоверности моделей
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
37
Обращает на себя внимание, что системно-когнитивные модели (INF1 - INF7) имеют значительно более высокую среднюю достоверность, чем статистические. Такая картина по опыту автора наблюдается в подавляющем большинстве приложений. В этом и состоит обоснование целесообразности применения системно-когнитивных (интеллектуальных) моделей.
3.6. Наглядное отображение подматриц системнокогнитивных моделей университетского рейтинга Гардиан в виде когнитивных функций
Применительно к задаче, рассматриваемой в данной работе, когнитивная функция показывает в наглядной графической форме, какое количество информации содержится в различных значениях показателей вузов о том, что у них будет определенный рейтинг по напылению подготовки и общий рейтинг Г ардиан.
Когнитивным функциям посвящено много работ автора19, но наиболее новой и обобщающей из них является работа [9]. Поэтому здесь не будем останавливаться на описании того, что представляют собой когнитивные функции в АСК-анализе.
Отметим, что при построении средневзвешенных трендов применены математические методы, предложенные и описанные в работах [10, 11,
12], в частности применен метод взвешенных наименьших квадратов, модифицированный путем использования в качестве весовых коэффициентов количества информации в наблюдениях.
На рисунке 12 приведены визуализации некоторых когнитивных функций данного приложения для модели INF 1:
19 См., например: http://www.twirpx.com/file/775236/
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
38
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
39
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
40
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
41
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
42
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
43
Рисунок 12. Визуализация когнитивных функций зависимостей рейтинга Г ардиан от значений показателей в системно-когнитивной модели INF 1
Из приведенных когнитивных функций видно, что увеличение или уменьшение значений показателей вузов влияет на рейтинг Г ардиан по направлению подготовки и общий рейтинг Гардиан, примерно пропорционально или обратно пропорционально. Отметим, что об этом можно говорить потому, что в системно-когнитивных моделях используются интервальные числовые и порядковые измерительные шкалы.
Это подтверждает разумность и корректность построения университетского рейтинга Гардиан его разработчиками.
3.7. Интегральный критерий и решение задачи оценки рейтинга вуза в системно-когнитивной модели университетского рейтинга Гардиан
Из модели INF1 мы видим, какое количество информации содержится в том или ином значении каждого показателя о том, что вуз с этим значением показателя имеет тот или иной рейтинг по направлению подготовки и общий рейтинг Гардиан.
Но если нам известно не одно, а несколько значений показателей вузов, то как посчитать их общий вклад в сходство с теми или иными классами? Для этого в системе «Эйдос» используется 2 аддитивных интегральных критерия: «Сумма знаний» и «Семантический резонанс знаний».
Интегральный критерий «Семантический резонанс знаний» представляет собой суммарное количество знаний, содержащееся в системе
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
44
факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3:
I=(h, ц).
В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:
м
I = I hjL,,,
i=1
где: M - количество градаций описательных шкал (признаков);
Ту = {Ту } - вектор состояния j-го класса;
Li = {Li} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:
1, если i — й фактор действует;
п, где: п > 0, если i — й фактор действует с истинностью п;
0, если i — й фактор не действует.
Li =
В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).
Интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3 и имеет вид:
SSMI{'--—- ^
L )
где:
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
45
M - количество градаций описательных шкал (признаков);
Ij - средняя информативность по вектору класса;
L - среднее по вектору объекта;
SI - среднеквадратичное отклонение частных критериев знаний
вектора класса;
sL - среднеквадратичное отклонение по вектору распознаваемого объекта.
Ij — {Ij } - вектор состояния j-го класса;
Li — {Li} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:
1, если i - й фактор действует;
п, где : n > 0, если i - й фактор действует с истинностью п;
0, если i - й фактор не действует.
L —
В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).
Приведенное выражение для интегрального критерия «Семантический резонанс знаний» получается непосредственно из выражения для критерия «Сумма знаний» после замены координат перемножаемых векторов их стандартизированными значениями:
, Ijj - Ij
I„ ® —----------
Г L - L
s.
j l
Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния j-го класса и состояния распознаваемого объекта.
Пример решения задачи идентификации для вузов рейтинга Г ардиан по направлению подготовки и общего рейтинга Гардиан приведен на рисунке 12:
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
46
Распознаваемые объекты Интегральный критерий сходства: "Семантический резонанс знаний"
II Код | Наим, объекта Код Наименование класса Сходство ф... | Сходство _1
30 Medicine-Cardiff, 2012 ... Г ■ 421 RANK-09.Veterinary science ... 99,77... V
31 Dentistry-King's College Londo.. 625 NAME OF INSTITUTION-Royal Veterinary College ... 77.66... V
32 Dentistry-Glasgow, 2012 ... 512 FIELD OF STUDV-Veterinary science ... 46,78... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
33 Dentistry-Cardiff, 2012 ... 9 GUARDIAN SCORE/100-9/10-{85.1800000, 92.5900000} ... 12,14...
34 Dentistry-Queen's, Belfast, 201... 4 GUARDIAN SCORE/100-4/10-{481300000, 55.5400000} ... -14,01... IIIIIIIIIIIIII
35 Dentistry-Birmingham, 2012 ... 494 FIELD OF STUDV-History and history of art ... -14,41... IIIIIIIIIIIIII
36 Dentistry-Bristol, 2012 ... 524 NAME OF INSTITUTION-Birmingham City ... -23,76... IIIIIIIIIIIIIII1IIII
37 Dentistry-Dundee, 2012 ... 299 RANK-07.Drama and dance ... -24,54... IIIIIIIIIIIIIIIIIIIIIIII
38 Dentistry-Sheffield, 2012 ...
39 Dentistry-Liverpool, 2012 ... Л ЕС 3D Г
40 Dentistry-Manchester, 2012 ... Интегральный критерий сходства: "Сумма знаний"
41 Dentistry-Newcastle, 2012 ... Код Наименование класса Сходство ф... | Сходство
42 Dentistry-Queen Mary, 2012 ... И 421 RANK-09.Veterinary science ... 100.00... V
43 Dentistry-Leeds, 2012 ... 625 NAME OF INSTITUTION-Royal Veterinary College ... 51,66... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
44 Veterinary science-Cambridge,.. 512 FIELD OF STUDV-Veterinary science .. 28.97... V IIIIIIIIIIIIIIIIIIIIIIII
45 Veterinary science-Edinburgh,... 9 GUARDIAN SCORE/100-Э/10-{851SOOOOO, 92.5900000} ... 3,442... III
46 Veterinary science-Liverpool, 2... 4 GUARDIAN SCORE/100-4/10-{48.1300000, 55.5400000} ... -1,676... I
47 Veterinary science-Glasgow, 2... 299 RANK-07.Drama and dance ... -2,597... II
48 Veterinary science-Nottingham... 494 FIELD OF STUDV-History and history of art ... -2,823... II
1 48 Veterinary science-Royal Veter... 524 NAME OF INSTITUTION-B irmingham City ... -4,820... llll
50 Veterinary science-Bristol, 201... 'w ▼
-1 1 ^ г <1 Л Г
Помощь | Э классов 11 Классы с МакМш УрСх :j Э классов c MaxMin УрСх | ВСЕ классы | ВКЛ. Фильтр по класс.шкале : | ВЫКЛ.Фильтр по класс.шкале | Граф.диаграмма | |
[ 41.3.2. Визуализация результатов распознавания в отношении: "Класс-объекты''. Текущая моделы "INFl"^^ ■ _ [wsbiadl
Классы I Интегральный критерий сходства: "Семантический резонанс знаний"
1 к» t Наим, класса HI <'-'A Наименование объекта Сходство |ф... Сходство p
| 1 GUARDIAN SC0RE/108-1Л 0-{25.9000000,3... r- ■ 14 Modern languages and linguistics-Cambrid... 65,87... V
1 2 GUARDIAN SC0RE/100-2Л 0-{33.3100000,4... 11... Geography and environmental studies-Ca.. 63,74... V
3 GUARDIAN SC0RE/100-ЗЛ 0-{40.7200000,4... 14... Modern languages and linguistics-Oxford,... 83,39... V
_ 4 GUARDIAN SC0RE/100-4/10-{48.1300000,5... 15... Law-Cambridge, 2012 ... 58,19... V
5 GUARDIAN SC0RE/100-5/10-{55.5400000,6... 886 Computer sciences and IT-St Andrews, 20... 56,40... V
6 GUARDIAN SC0RE/100-6/10-{62.9500000,7... 22... Philosophy-Cambridge, 2012 ... 53,52... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
7 GUARDIAN SC0RE/100-7/10-{70.3600000,7... 237 Psychology-Cambridge, 2012 .. 51,75... V IIIIIIIIIIIIIIIIIIIIIIII IIIIIIIIIIIIII
8 GUARDIAN SC0RE/100-8/10-{77.7700000,8... 16... Politics-Cambridge, 2012 ... 51,75... V llllllll llll IIIIIIIIIIIIIIIIIIIIIIII llll lllll ..
9 GUARDIAN SC0RE/100-9/10-{85.1800000,9... 22... Classics-Oxford, 2012 ... 51,68... V Illlllll llll IIIIIIIIIIIIIIIIIIIIIIII llll Hill ... Jd
10 GUARDIAN SC0RE/100-10/10-{92.5900000,... <l 1: r
11 RANK-01 .Agriculture, forestry and food ... Интегральный критерий сходства: "Сумма знаний"
12 RANK-01 American studies ... HI Наименование объекта Сходство |ф.. Сходство p
13 RANK-01 .Anatomy and physiology ... ■—IT- Modern languages and linguistics-Cambrid... 24,53... V IIIIIIIIIIIIIIIIIIIIIIII ...
14 RANK-01 .Anthropology ... 11... Geography and environmental studies-Ca... 23,76... V ...
15 RANK-01 .Archaeology and Forensics ... 14... Modern languages and linguistics-Oxford,... 23,63... V llllllll llll llllllll ..
16 RANK-01 .Architecture ... 15... Law-Cambridge, 2012 ... 22,10... V ..
17 RANK-01 .Art and design .... 22... Philosophy-Cambridge, 2012 ... 20,03... V iiiiiiii iiii iiiiii ...
18 RANK-01 .Biosciences ... 886 Computer sciences and IT-St Andrews, 20... 18,82... V llllllll llll lllll ...
19 RANK-01 .Building and town and country planni... 22... Classics-UCL, 2012 ... 18,04... V ..
29 RANK-01 .Business and management studies ... 22... Classics-Cambridge, 2012 ... 18,80... V llllllll llll llll ..
21 RANK-01.Chemistry ... -r 237 Psychology-Cambridge, 2012 ... 18,23... V llllllll llll llll ... Jd
71 1 й <1 Г r
|| Помощь Поиск объекта В начало БД В конец БД Предыдущая | Следующая | 9 записей | Все записи | ПечатьХБЗ Печать TXT ПечатьАЬБ |
^m ^я Л
Рисунок 12. Экранная форма с результатами идентификации рейтинга Г ардиан по направлению подготовки и общего рейтинга Г ардиан
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
47
3.8. Исследование многокритериальной системнокогнитивной модели университетского рейтинга Гардиан, учитывающей направления подготовки
3.8.1. Автоматизированный количественный SWOT-анализ университетского рейтинга Гардиан
В системе «Эйдос» реализован Автоматизированный количественный SWOT-анализ [13]. Его можно применить для исследования того, какие значения показателей способствуют, а какие препятствуют присвоению вузу тех или иных рейтингов Гардиан.
Например, высокому общему рейтингу Гардиан способствуют и препятствуют значения показателей, приведенные на SWOT-диаграмме (рисунок 13), соответствующей SWOT-матрице (рисунок 14) и нелокальном нейроне (рисунок 15):
Рисунок 13. SWOT-диаграмма высокого рейтинга Гардиан
http ://ej. kubagro .ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
48
о 4.4,S. Количественный автоматизированный SWOT-анализ классов средствами АС^анализа в системе "Эйдост
■ В
Выбор класса, соответствующего будущему состоянию объекта управления £
1 Код Наименование кла'сса
7 GUARDIAN SCORE/100-7/10-{70.3600000, 77.7700000} ..
8 GUARDIAN SC0RE/100-8/10-{77.7708800,85.1808000} ...
8 GUARDIAN SCORE/100-8/10-{85.1800000,82.5900000} ...
10 GUARDIAN SCORE/100-10/10-{92.5900000,100.0000000} ...
11 RANK-01 .Agriculture, forestry and food
Л " : i ► Г
SWOT-анализ класса: 10 "GUARDIAN SCORE/1 00-10Л0-{Э2.5900000, 100.0000000}" в модели: 4 "INFI" Способствующие факторы и сила их влияния Препятствующие факторы и сила их влияния
I Кеш 1 70 Наименование Фактора него интервального значения Сила влияния Код Наименование Фактора и его интервального значения Сила влияния Г I I
AVERAGE ENTRY TARIFF-10/10-1551.7000000, 598.0000... 2.494 63 AVERAGE ENTRY TARIFR-3/10-1227.6000000, 273.9000000... -2,697
68 AVERAGE ENTRY TARIFF-9/10-{505.4000000, 551.70000... 1.958 45 CAREER PRCSPECTS-5/10-{49.6000000, 58.0000000} ... -2.293
30 EXPENDITURE PER STUDENT (FTE]-10/10-{9.1000000,1... 1.778 64 AVERAGE ENTRY TARIFF-4/10-1273.9000000, 320.2000000... -2,046
80 % SATISFIED WITH ASSESSMENT-10/10-{88.8275502, 90... 1.307 24 EXPENDITURE PER 3TUDENT (FTE)-4/10-13.7000000,4.60... -2.011
49 .CAREER PR0SPECTS 9/10-{83.2000000,91.8000000} ... 1.196 62 AVERAGE ENTRY TARIFF-2/10-1181.3000000, 227.6000000... -1.986
10 % SATISFIED WITH TEACHING-10/10-{95.0000000,100.0... 1.194 23 EXPENDITURE PER STUDENT (FTEJ-3/10-12.8000000,3.70... -1.967
31 STUDENT:STAFF RATIO-1 /10-{4.6000000, 9.2100000} ... 1.119 43 CAREER PR0SPECTS-3/10-{32.8000000, 41.2000000} ... -1.901
20 % SATISFIED OVERALL WITH COURSE-10/10-{93.751567... 1.034 17 % SATISFIED OVERALL WITH COURSE-7/10-{75.0062706,... -1.872
48 .CAREER PROSPECTS-8/10-{74.8000000,83.2000000} ... 0.963 35 STUDENT:STAFF RATID-5/10-{23.0400000,27.6500000} ... -1,689
32 STUDENT:STAFF RATIO-2/10-{9.2100000,13.8200000} ... 0,881 74 X SATISFIED WITH ASSESSMENT-4/10-{42.1028514, 46.90... -1.536
68 AVERAGE ENTRY TARIFF-8/10-М59.1000000, 505.40000... 0.834 34 STUDENT:STAFFRATIO-4/10-{18 4300000, 23.0400000} ... -1.382
60 <1 VALUE ADDED SCORE/10-10/10-{9.1000000,10.0000000... 0.723 D 6 X SATISFIED WITH TEACHING-6/10-{75 0000000,80.00000... -1.349 1 ►
ВКЛЮЧИТЬ Фильтр по Фактору ВЫКЛЮЧИТЬ Фильтр по Фактору ВКЛЮЧИТЬ Фильтр по Фактору ВЫКЛЮЧИТЬ Фильтр по Фактору
Помощь Abs Prc1 Prc2 | j Inf1 | Inf2 | Inf3 | Inf4 | Inf5 Irilb | |nl7 Нейрон SWOT-диаграмма Интегральная когнитивная карта
I
Рисунок 14. SWOT-матрица высокого рейтинга Гардиан
Рисунок 15. Нелокальный нейрон высокого рейтинга Гардиан
http ://ej. kubagro .ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
49
3.8.2. Информационные портреты классов и значений показателей университетского рейтинга Гардиан
Информационный портрет класса - это список факторов, ранжированных в порядке убывания силы их влияния на переход объекта управления в состояние, соответствующее данному классу. Информационный портрет класса отражает систему его детерминации. Генерация информационного портрета класса представляет собой решение обратной задачи прогнозирования, т.к. при прогнозировании по системе факторов определяется спектр наиболее вероятных будущих состояний объекта управления, в которые он может перейти под влиянием данной системы факторов, а в информационном портрете мы наоборот, по заданному будущему состоянию объекта управления определяем систему факторов, детерминирующих это состояние, т.е. вызывающих переход объекта управления в это состояние. В начале информационного портрета класса идут факторы, оказывающие положительное влияние на переход объекта управления в заданное состояние, затем факторы, не оказывающие на это существенного влияния, и далее - факторы, препятствующие переходу объекта управления в это состояние (в порядке возрастания силы препятствования). Информационные портреты классов могут быть от отфильтрованы по диапазону факторов, т.е. мы можем отобразить влияние на переход объекта управления в данное состояние не всех отраженных в модели факторов, а только тех, коды которых попадают в определенный диапазон, например, относящиеся к определенным описательным шкалам.
Пример информационного портрета класса приведен на рисунке 16:
4.2.1. Информационные портреты классов
>1@ bwEbd
Инф.портрет класса: 10 "GUARDIAN SCORE/100-10/10 (92.5900000. 100.0000000}" в модели: 4 "INF1"
I Код I Наименование класса
1 GUARDIAN SCORE/100-1 /10-125.9000000. 33.31...
2 GUARDIAN SCORE/100-2/10-133.3100000. 40.72...
3 GUARDIAN SCORE/100-3/10-140.7200000, 48.13...
4 GUARDIAN SCORE/100-4/10-148.1300000, 55.54...
5 GUARDIAN SCORE/100-5/10-155.5400000, 62.95...
Б GUARDIAN SCORE/100-G/10-162.9500000. 70.ЗБ...
7 GUARDIAN SCORE/100-7/10-170.3600000, 77.77...
8 GUARDIAN SCORE/100-8/10-177.7700000, 85.18...
Э GUARDIAN SCORE/100-9/10-185.1800000. 92.59...
10 GUARDIAN SCORE/100-10/10-192.5900000, 100....
11 RANK-01 .Agriculture, forestry and food ...
12 RANK-01 American studies ..
13 RANK-01 .Anatomy and physiology ...
14 RANK-01 .Anthropology ...
15 RANK-01 .Archaeology and Forensics ...
16 RANK-01 .Architecture ...
17 RANK-01 Art and design ..
18 RANK-01.Biosciences ...
18 RANK-01.Building and town and country planning ...
20 RANK-01.Business and management studies ..
21 RANK-01.Chemistry ...
22 RANK-01.Classics ...
ч 23 RANK-01.Comouter sciences end IT ..
Помощь Abs | Prd Prc2 | Inf 1 Inf2 Inl3 Inf4 Inl5
Код Наименование признака Значимость
30 EXPENDITURE PER STUDENT (FTE)-10/10-19 1000000,1010000000} 1.778
10 % SATISFIED WITH TEACH 1NG-10/10-{95.0000000,100.0000000} 1,194
31 STUDENT:STAFF RATIO-1/10-14.8000000, 9.2100000} 1.119
20 % SATISFIED OVERALL WITH COURSE-10/10-193.7515677, 100.0000000} 1.034
32 STUDENT:STAFF RATIO-2/10-19.2100000, 13.8200000} 0,881
19 X SATISFIED OVERALL WITH COURSE-9/10-{87 5031353, 93.7515877} 0.365
29 EXPENDITURE PER STUDENT [FTE)-9/10-18.2000000, 9.1000000} 0.364
28 EXPENDITURE PER STUDENT (FTE)-8/10-17.3000000, 8.2000000} 0.363
9 X SATISFIED WITH TEACHING-9/10-190.0000000. 95 0000000} 0.347
33 STUDENT:STAFF RATIO-3/10-113.8200000,18.4300000} 0.070
8 % SATISFIED WITH TEACHING-8/10-185.0000000, 90.0000000} -0.005 „
27 EXPENDITURE PER STUDENT [FTE)-7/10-18.4000000. 7.3000000} -0.205
7 % SATISFIED WITH TEACHING-7/10-180.0000000. 85 0000000} -0.536
28 EXPENDITURE PER STUDENT (FTE)-6/10-15.5000000, 9.4000000} -0.552
18 % SATISFIED OVERALL WITH COURSE-8/10-181.2547030, 87.5031353} -0.649
25 EXPENDITURE PER STUDENT |FTE)-5/10-14.6000000, 5.5000000} -1.057
42 CAREER PRDSPECTS-2/10-124 4000000, 32.8000000} -1.087
8 % SATISFIED WITH TEACHING-6/10-175.0000000, 80 0000000} -1.349
34 STUDENT:STAFF RATIO-4/10-118.4300000. 23.0400000} -1.3S2
35 STUDENTrSTAFF RATIO-5/10-123 0400000,27.8500000} -1.689
17 % SATISFIED OVERALL WITH COURSE-7/10-175.0062706, 81.2547030} -1.372
23 EXPENDITURE PER STUDENT (FTE)-3/10-12.8000000, 3.7000000} -1.967
24 ±J EXPENDITURE PER STUDENT IFTE1-4/10-13.7000000. 4.80000001 -2.011^ .
Рисунок 16. Экранная форма с информационным портретом класса: «Наивысший общий рейтинг Г ардиан»
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
50
Информационный (семантический) портрет фактора - это список классов, ранжированный в порядке убывания силы влияния данного фактора на переход объекта управления в состояния, соответствующие данным классам. Информационный портрет фактора называется также его семантическим портретом, т.к. в соответствии с концепцией смысла системно-когнитивного анализа, являющейся обобщением концепции смысла Шенка-Абельсона, смысл фактора состоит в том, какие будущие состояния объекта управления он детерминирует. Сначала в этом списке идут состояния объекта управления, на переход в которые данный фактор оказывает наибольшее влияние, затем состояния, на которые данный фактор не оказывает существенного влияния, и далее состояния - переходу в которые данный фактор препятствует. Информационные портреты факторов могут быть от отфильтрованы по диапазону классов, т.е. мы можем отобразить влияние данного фактора на переход объекта управления не во все возможные будущие состояния, а только в состояния, коды которых попадают в определенный диапазон, например, относящиеся к определенным классификационным шкалам.
Пример информационного портрета значения фактора (показателя) приведен на рисунке 17:
Рисунок 17. Экранная форма с информационным портретом значения показателя с установленным фильтром по наименованиям вузов
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
51
3.8.3. Кластерно-конструктивный анализ университетского рейтинга Гардиан
Кластерно-конструктивный анализ - это новый математический метод анализа знаний, реализованный в АСК-анализе и системе «Эйдос»
[14], обеспечивающий:
- выявление классов, наиболее сходных по системе их детерминации и объединение их в кластеры;
- выявление кластеров классов, наиболее сильно отличающиеся по системе их детерминации и построение из них полюсов конструктов классов, при этом остальные кластеры включаются в конструкты в качестве промежуточных между полюсами;
- выявление факторов, наиболее сходных по детерминируемым ими классам и объединение их в кластеры;
- выявление кластеров факторов, наиболее сильно отличающиеся по детерминируемым ими классам и построение из них полюсов конструктов факторов, при этом остальные кластеры включаются в конструкты в качестве промежуточных между полюсами.
Состояния объекта управления, соответствующие классам, включенным в один кластер, могут быть достигнуты одновременно, т.е. являются совместимыми (коалиционными) по детерминирующим их факторам. Состояния объекта управления, соответствующие классам, образующим полюса конструкта, не могут быть достигнуты одновременно, т.е. являются противоположными по детерминирующим их факторам (антагонистическими).
Факторы, включенные в один кластер, оказывают сходное влияние на поведение объекта управления и могут, при необходимости, быть использованы для замены друг друга. Факторы, образующие полюса конструкта, оказывают противоположное влияние на поведение объекта управления.
Кластерно-конструктивный анализ классов позволяет сравнить их по сходству системы детерминации и отобразить эту информацию в наглядной графической форме семантической сети классов.
Кластерно-конструктивный анализ факторов позволяет сравнить факторы по сходству их влияния на переход объекта в будущие состояния и отобразить эту информацию в наглядной графической форме семантической сети факторов.
Примеры когнитивных диаграмм, отражающих некоторые результаты кластерно-конструктивного анализа модели университетского рейтинга Гардиан, приведены на рисунках 18, 19, 20:
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
52
Рисунок 18. Пример конструкта класса университетского рейтинга Г ардиан
Рисунок 19. Пример конструкта класса университетского рейтинга Гардиан
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
53
Рисунок 20. Пример конструкта значения показателя университетского рейтинга Г ардиан
Как видно из приведенных когнитивных диаграмм, все классы и значения показателей являются взаимозависимыми, что исключает применение факторного анализа, как метода моделирования линейных систем.
4. Интеграция различных рейтингов в одном «супер рейтинге» - путь к использованию рейтинга Гардиан для оценки российских вузов
4.1. Пилотное исследование и Парето-оптимизация
Минобрнауки РФ в своих регламентирующих документах предлагает очень много частных критериев20. Ясно, что собрать информацию по всем этим показателям очень сложно, дорого и трудоемко. Поэтому представляет интерес, выявить из них минимальное количество таких критериев, которых было бы достаточно для надежного решения задачи определения рейтинга вуза.
Системно-когнитивные модели позволяют выявить показатели, оказывающие наиболее существенное влияние на объекты моделирования, что позволяет удалить из моделей не существенные показатели, т.е. провести
20 См., например: http://uup.samgtu.ru/node/211
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
54
Паретто-оптимизацию, в результате которой в моделях остаются только существенные показатели.
Таким образом, решается задача, аналогичная задаче разработки системе стандартизированных показателей, но конкретно для данного предприятия.
В результате можно сократить размерность моделей без потери их достоверности, а значит существенно сократить затраты труда и времени на сбор, ввод в компьютер и обработку исходных данных, т.е. эффективность их использования.
В таблице 13 приведен список значений факторов системнокогнитивной модели INF1 (см. табл. ) университетского рейтинга Гардиан, в котором эти значения проранжированы в порядке убывания вариабельности информативности, которая в АСК-анализе рассматривается как значимость (дифференцирующая способность) этого значения. Вариабельность информативности измеряется как ее среднеквадратичное отклонение по всем классам. Но в данном случае она посчитана только по первым 10 классам, т.е. по общему рейтингу.
Таблица 13 - Ранжированная таблица значений показателей для построе-
Код Значение показателя Значимость Паретто
70 AVERAGE ENTRY TARIFF-10/10-{551.7000000, 598.0000000} 1499,07 1499,07
30 EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000} 1493,90 2992,96
2 % SATISFIED WITH TEACHING-2/10-{55.0000000, 60.0000000} 1430,66 4423,63
69 AVERAGE ENTRY TARIFF-9/10-{505.4000000, 551.7000000} 1315,20 5738,83
36 STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000} 1196,80 6935,63
51 VALUE ADDED SCORE/10-1/10-{1.0000000, 1.9000000} 1153,71 8089,34
37 STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000} 1074,37 9163,71
49 CAREER PR0SPECTS-9/10-{83.2000000, 91.6000000} 1052,72 10216,43
62 AVERAGE ENTRY TARIFF-2/10-{181.3000000, 227.6000000} 1034,30 11250,73
38 STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000} 1026,14 12276,87
21 EXPENDITURE PER STUDENT (FTE)-1/10-{1.0000000, 1.9000000} 1020,24 13297,11
63 AVERAGE ENTRY TARIFF-3/10-{227.6000000, 273.9000000} 1010,23 14307,33
12 % SATISFIED OVERALL WITH COURSE-2/10-{43.7641089, 50.0125413} 1009,23 15316,56
67 AVERAGE ENTRY TARIFF-7/10-{412.8000000, 459.1000000} 994,19 16310,75
43 CAREER PR0SPECTS-3/10-{32.8000000, 41.2000000} 994,12 17304,87
10 % SATISFIED WITH TEACHING-10/10-{95.0000000, 100.0000000} 948,77 18253,64
39 STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000} 939,42 19193,06
35 STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000} 909,13 20102,18
24 EXPENDITURE PER STUDENT (FTE)-4/10-{3.7000000, 4.6000000} 905,30 21007,49
23 EXPENDITURE PER STUDENT (FTE)-3/10-{2.8000000, 3.7000000} 899,29 21906,78
72 % SATISFIED WITH ASSESSMENT-2/10-{26.6479518, 34.4204016} 882,78 22789,56
4 % SATISFIED WITH TEACHING-4/10-{65.0000000, 70.0000000} 879,48 23669,05
11 % SATISFIED OVERALL WITH COURSE-1/10-{37.5156766, 43.7641089} 857,09 24526,14
61 AVERAGE ENTRY TARIFF-1/10-{135.0000000, 181.3000000} 832,47 25358,60
1 % SATISFIED WITH TEACHING-1/10-{50.0000000, 55.0000000} 827,04 26185,65
80 % SATISFIED WITH ASSESSMENT-10/10-{88.8275502, 96.6000000} 826,29 27011,93
13 % SATISFIED OVERALL WITH COURSE-3/10-{50.0125413, 56.2609736} 818,74 27830,68
42 CAREER PR0SPECTS-2/10-{24.4000000, 32.8000000} 812,94 28643,62
20 % SATISFIED OVERALL WITH COURSE-10/10-{93.7515677, 100.0000000} 804,92 29448,54
47 CAREER PROSPECTS-7/10-{66.4000000, 74.8000000} 794,88 30243,42
31 STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000} 782,26 31025,68
45 CAREER PROSPECTS-5/10-{49.6000000, 58.0000000} 775,12 31800,80
48 CAREER PROSPECTS-8/10-{74.8000000, 83.2000000} 758,31 32559,11
32 STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000} 746,78 33305,89
68 AVERAGE ENTRY TARIFF-8/10-{459.1000000, 505.4000000} 743,35 34049,24
3 % SATISFIED WITH TEACHING-3/10-{60.0000000, 65.0000000} 738,54 34787,78
66 AVERAGE ENTRY TARIFF-6/10-{366.5000000, 412.8000000} 736,20 35523,97
29 EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000} 726,84 36250,82
64 AVERAGE ENTRY TARIFF-4/10-{273.9000000, 320.2000000} 700,26 36951,07
41 CAREER PROSPECTS-1/10-{16.0000000, 24.4000000} 696,72 37647,79
14 % SATISFIED OVERALL WITH COURSE-4/10-{56.2609736, 62.5094060} 696,11 38343,90
74 % SATISFIED WITH ASSESSMENT-4/10-{42.1928514, 49.9653012} 674,77 39018,68
17 % SATISFIED OVERALL WITH COURSE-7/10-{75.0062706, 81.2547030} 672,82 39691,50
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
55
22 EXPENDITURE PER STUDENT (FTE)-2/10-{1.9000000, 2.8000000} 667,46 40358,97
60 VALUE ADDED SCORE/10-10/10-{9.1000000, 10.0000000} 666,34 41025,30
6 % SATISFIED WITH TEACHING-6/10-{75.0000000, 80.0000000} 657,57 41682,88
52 VALUE ADDED SCORE/10-2/10-{1.9000000, 2.8000000} 644,10 42326,98
15 % SATISFIED OVERALL WITH COURSE-5/10-{62.5094060, 68.7578383} 631,57 42958,55
59 VALUE ADDED SCORE/10-9/10-{8.2000000, 9.1000000} 608,18 43566,72
44 CAREER PROSPECTS-4/10-{41.2000000, 49.6000000} 584,91 44151,64
53 VALUE ADDED SCORE/10-3/10-{2.8000000, 3.7000000} 583,81 44735,44
5 % SATISFIED WITH TEACHING-5/10-{70.0000000, 75.0000000} 555,04 45290,48
28 EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000} 528,69 45819,17
9 % SATISFIED WITH TEACHING-9/10-{90.0000000, 95.0000000} 524,30 46343,48
34 STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000} 517,10 46860,57
73 % SATISFIED WITH ASSESSMENT-3/10-{34.4204016, 42.1928514} 508,31 47368,89
27 EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000} 507,02 47875,91
65 AVERAGE ENTRY TARIFF-5/10-{320.2000000, 366.5000000} 498,92 48374,82
79 % SATISFIED WITH ASSESSMENT-9/10-{81.0551004, 88.8275502} 496,61 48871,44
19 % SATISFIED OVERALL WITH COURSE-9/10-{87.5031353, 93.7515677} 477,60 49349,03
57 VALUE ADDED SCORE/10-7/10-{6.4000000, 7.3000000} 468,80 49817,83
71 % SATISFIED WITH ASSESSMENT-1/10-{18.8755020, 26.6479518} 465,09 50282,92
58 VALUE ADDED SCORE/10-8/10-{7.3000000, 8.2000000} 451,24 50734,16
16 % SATISFIED OVERALL WITH COURSE-6/10-{68.7578383, 75.0062706} 443,77 51177,93
54 VALUE ADDED SCORE/10-4/10-{3.7000000, 4.6000000} 424,13 51602,06
78 % SATISFIED WITH ASSESSMENT-8/10-{73.2826506, 81.0551004} 423,10 52025,17
25 EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000} 401,72 52426,89
50 CAREER PROSPECTS-10/10-{91.6000000, 100.0000000} 373,87 52800,76
33 STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000} 361,39 53162,15
46 CAREER PROSPECTS-6/10-{58.0000000, 66.4000000} 358,11 53520,26
26 EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000} 308,74 53829,01
8 % SATISFIED WITH TEACHING-8/10-{85.0000000, 90.0000000} 306,02 54135,02
75 % SATISFIED WITH ASSESSMENT-5/10-{49.9653012, 57.7377510} 292,73 54427,75
18 % SATISFIED OVERALL WITH COURSE-8/10-{81.2547030, 87.5031353} 272,45 54700,20
55 VALUE ADDED SCORE/10-5/10-{4.6000000, 5.5000000} 243,46 54943,66
7 % SATISFIED WITH TEACHING-7/10-{80.0000000, 85.0000000} 219,55 55163,21
77 % SATISFIED WITH ASSESSMENT-7/10-{65.5102008, 73.2826506} 180,25 55343,46
56 VALUE ADDED SCORE/10-6/10-{5.5000000, 6.4000000} 170,49 55513,95
76 % SATISFIED WITH ASSESSMENT-6/10-{57.7377510, 65.5102008} 143,31 55657,26
На рисунке 21 приведена Парето-диаграмма, построенная по таблице 13:
Рисунок 13. Парето-кривая значимости значений показателей университетского рейтинга Г ардиан
http://ej .kubagro.ru/2015/03/pdf/01 .pdf
Научный журнал КубГАУ, №107(03), 2015 года
56
Из приведенной Парето-кривой можно сделать вывод о том, что Па-ретто-оптимизация была проведена разработчиками университетского рейтинга Г ардиан на этапе его создания, т.к. все используемые в нем значения показателей имеют достаточно высокую значимость. Когда в модели есть малозначимые факторы, то Парето-кривая поднимается гораздо резче и потом идет более полого (рисунок 14).
Но при разработке отечественного рейтинга, по-видимому, сначала должно быть проведено пилотное исследование на всех мыслимых показателях, информацию по которым возможно собрать, на не очень большом количестве вузов, участвующих в эксперименте (при этом важно, чтобы вузы должны быть разных направлений подготовки). При этом при пилотном исследовании используется максимальная система показателей, которую можно взять из многих известных рейтингов и материалов Минобрнауки РФ.
Затем необходимо провести Паретто-оптимизацию и разработать минимальную по количеству систему показателей, дающих максимум информации для определения рейтинга вуза (конфигуратор вузовского рейтинга). Таким образом, созданная по этой технологии наукометрическая методика определения рейтинга вуза будет представлять собой методику, 21
21 См., например: Ьрр://уаМех.ш/уаМ5еагсЬ?1г=35&1ех1=Паретто-кривая
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
57
интегрирующую многие известные рейтинги, используемые при ее разработке.
После тестирования и сертификации системно-когнитивной модели, построенной на этой системе показателей, ее можно применять в адаптивном режиме.
4.2. Эксплуатация методики в адаптивном режиме
АСК-анализ и система «Эйдос» представляют собой с одной стороны инструмент разработки, а с другой стороны среду или оболочку (Run-time system) эксплуатации создаваемого интеллектуального приложения.
Это открывает уникальные возможности, которые полностью отсутствуют, когда мы используем приобретаемые у сторонних разработчиков продукты подобных технологий.
Возникает закономерный вопрос о том, в какой степени эти продукты применимы в наших условиях и что они будут измерять, если их применить для российских вузов? Не столкнемся ли мы с ситуацией, когда из-за того, что не могут найти линейку, измеряют размеры предметов с помощью шкалы от наружного термометра, т.е. применяют непригодный для наших целей измерительный инструмент, даже и может быть и качественный, но предназначенный для других целей и других условий. Используя университетский рейтинг Гардиан для оценки российских вузов мы сравниваем их не только друг с другом, но и с зарубежными вузами и как бы отвечаем на вопрос о том, как бы оценивались наши вузы, если бы они оказались за рубежом. Но дело в том, что они находятся у нас и поэтому модели и методов принятия решений, заложенные его разработчиками в этом рейтинге, могут быть не адекватными для наших условий, и для приведения их в соответствие с нашими реалиями может быть необходима локализация этих моделей и методов.
Имея инструментарий разработки измерительного инструмента мы получаем возможность периодически, например, ежегодно, использовать его для пересоздания модели, с целью учета изменений в моделируемом объекте и других факторов [15].
5. Выводы. Ограничения и перспективы
Таким образом, АСК-анализ и система «Эйдос» представляют собой современную инновационную (готовую к внедрению) технологию решения задач статистики методами теории информации.
Данная статья может быть использована как описание лабораторной работы по дисциплинам:
- Интеллектуальные системы;
- Инженерия знаний и интеллектуальные системы;
- Интеллектуальные технологии и представление знаний;
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
58
- Представление знаний в интеллектуальных системах;
- Основы интеллектуальных систем;
- Введение в нейроматематику и методы нейронных сетей;
- Основы искусственного интеллекта;
- Интеллектуальные технологии в науке и образовании;
- Управление знаниями;
- Автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос»;
22
которые автор ведет в настоящее время , а также и в других дисциплинах, связанных с преобразованием данных в информацию, а ее в знания и применением этих знаний для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области (а это практически все дисциплины во всех областях науки).
Этим и другим применениям должно способствовать и то, что данное приложение вместе с системой «Эйдос» размещено автором в полном открытом бесплатном доступе по адресу:
https://cloud.mail.ru/public/a5b22d65bc88/Aidos-X-1071503001.rar. Для установки системы с данным приложением на компьютере достаточно развернуть архив в корневом каталоге на диске C:.
Таким образом, в статье предлагается решение проблемы, заключающейся в том, что с одной стороны рейтинг российских вузов востребован, а с другой стороны пока он не создан. Предлагаемая идея решения проблемы состоит в применении отечественной лицензионной инновационной интеллектуальной технологии для этих целей: а именно предлагается применить автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальную систему «Эйдос». Эти методы подробно описываются в этом контексте. Предлагается рассмотреть возможности применения данного инструментария на примере университетского рейтинга Гардиан и рассматриваются его частные критерии (показатели вузов). Указываются источники данных и методика их подготовки для обработки в системе «Эйдос». В соответствии с методологией АСК-анализа описывается установка системы «Эйдос», ввод исходных данных в нее и формализация предметной области, синтез и верификация модели, их отображение и применение для решения задач оценки рейтинга Гардиан для российских вузов и исследования объекта моделирования. Рассматриваются перспективы и пути создания интегрированного рейтинга российских вузов и эксплуатации рейтинга в адаптивном режиме. Указываются ограничения предлагаемого подхода и перспективы его развития. 22
22 http://lc.kubagro.ru/My training schedule.doc
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
59
Конечно, рассматриваемая проблема требует к себе очень серьезного отношения и большого объема работ по совершенствованию инструментария, созданию и исследованию моделей на российских данных. Поэтому предлагаемые в статье решения можно рассматривать не более как идею решения поставленной проблемы и численную иллюстрацию этой идеи, но ни в коем случае не как готовое решение.
Литература
1. Хагуров Т.А., Остапенко А.А. Реформа образования глазами учителей и преподавателей: опыт социологического исследования / Ин-т социологии РАН; Рос. акад. социал. наук, Краснодар. регион. отд-ние. - М.-Краснодар: Парабеллум, 2013. - 107 с. http://ost101.narod.ru/2013 Khagurov Ostapenko Reforma obrazovaniya.pdf
2. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№04(088). С. 340 - 359. - IDA [article ID]: 0881304022. - Режим доступа: http://ei.kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л.
3. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ei.kubagro.ru/2013/08/pdf/58.pdf. 1,562 у.п.л.
4. Луценко Е.В. Реализация психологических, педагогических и профориентационных тестов и супертестов без программирования в среде интеллектуальной системы «Эй-дос-Х++» (На примере теста: «Анализ особенностей индивидуального стиля педагогической деятельности») / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №04(088). С. 1057
- 1085. - IDA [article ID]: 0881304076. - Режим доступа:
http://ei.kubagro.ru/2013/04/pdf/76.pdf, 1,812 у.п.л.
5. Луценко Е.В. Реализация тестов и супертестов для ветеринарной и медицинской диагностики в среде системы искусственного интеллекта «Эйдос-Х++» без программирования / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №05(089). С. 167 - 207. - IDA [article ID]: 0891305014. - Режим доступа: http://ei.kubagro.ru/2013/05/pdf/14.pdf, 2,562 у.п.л.
6. Луценко Е.В. Разработка без программирования и применение в адаптивном режиме методик риэлтерской экспресс-оценки по методу аналогий (сравнительных продаж) в системно-когнитивном анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс].
- Краснодар: КубГАУ, 2013. - №10(094). С. 507 - 564. - IDA [article ID]: 0941310036. - Режим доступа: http://ei.kubagro.ru/2013/10/pdf/36.pdf, 3,625 у.п.л.
7. Луценко Е.В. Моделирование сложных многофакторных нелинейных объектов управления на основе фрагментированных зашумленных эмпирических данных большой размерности в системно-когнитивном анализе и интеллектуальной системе «Эйдос-Х++» / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Элек-
http://eJ.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
60
тронный ресурс]. - Краснодар: КубГАУ, 2013. - №07(091). С. 164 - 188. - IDA [article ID]: 0911307012. - Режим доступа: http://ei.kubagro.ru/2013/07/pdf/12.pdf, 1,562 у.п.л.
8. Луценко Е.В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №01(001). С. 79 - 91. - IDA [article ID]: 0010301011. - Режим доступа: http://ei.kubagro.ru/2003/01/pdf/11.pdf, 0,812 у.п.л.
9. Луценко Е.В. Когнитивные функции как обобщение классического понятия функциональной зависимости на основе теории информации в системной нечеткой интервальной математике / Е.В. Луценко, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №01(095). С. 122 - 183. -IDA [article ID]: 0951401007. - Режим доступа: http://ei.kubagro.ru/2014/01/pdf/07.pdf, 3,875 у. п. л.
10. Луценко Е.В. Модификация взвешенного метода наименьших квадратов путем применения в качестве весов наблюдений количества информации в аргументе о значении функции (алгоритм и программная реализация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. -№10(104). С. 1371 - 1421. - IDA [article ID]: 1041410100. - Режим доступа: http://ei.kubagro.ru/2014/10/pdf/100.pdf, 3,188 у.п.л.
11. Луценко Е. В. Модификация взвешенного метода наименьших квадратов путем применения в качестве весов наблюдений количества информации в аргументе о значении функции (математические аспекты) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №01(105). С. 814 -845. - IDA [article ID]: 1051501050. - Режим доступа: http://ei.kubagro.ru/2015/01/pdf/50.pdf, 2 у. п. л.
12. Луценко Е. В. Решение задач статистики методами теории информации / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №02(106). С. 1 - 47. - IDA [article ID]: 1061502001. - Режим доступа: http://ei.kubagro.ru/2015/02/pdf/01.pdf, 2,938 у.п.л.
13. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ei.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.
14. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эй-дос») / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(071). С. 528 - 576. - Шифр Информрегистра: 0421100012\0253, IDA [article ID]: 0711107040. - Режим доступа: http://ei.kubagro.ru/2011/07/pdf/40.pdf, 3,062 у.п.л.
15. Луценко Е.В. Системно-когнитивный анализ и система "Эйдос" и их применение для построения интеллектуальных измерительных систем // Заводская лаборатория. Диагностика материалов. 2014. Т.80. №5. С.64-74.
http://elibrary.ru/contents.asp?issueid=1267409 http://elibrary.ru/item.asp?id=21538328
http://ei.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
61
Literatura
1. Hagurov T.A., Ostapenko A.A. Reforma obrazovanija glazami uchitelej i prepodavatelej: opyt sociologicheskogo issledovanija / In-t sociologii RAN; Ros. akad. social. nauk, Krasnodar. region. otd-nie. - M.-Krasnodar: Parabellum, 2013. - 107 s. http://ost101.narod.ru/2013_Khagurov_Ostapenko_Reforma_obrazovaniya.pdf
2. Lucenko E.V. Teoreticheskie osnovy, tehnologija i instrumentarij avtomatizirovannogo sistemno-kognitivnogo analiza i vozmozhnosti ego primenenija dlja sopostavimoj ocenki jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №04(088). S. 340 - 359. - IDA [article ID]: 0881304022. - Rezhim dostupa: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l.
3. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.
4. Lucenko E.V. Realizacija psihologicheskih, pedagogicheskih i proforientacionnyh testov i supertestov bez programmirovanija v srede intellektual'noj sistemy «Jejdos-H++» (Na primere testa: «Analiz osobennostej individual'nogo stilja pedagogicheskoj dejatel'nosti») / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2013. - №04(088). S. 1057 - 1085. - IDA [article ID]: 0881304076. -Rezhim dostupa: http://ej.kubagro.ru/2013/04/pdf/76.pdf, 1,812 u.p.l.
5. Lucenko E.V. Realizacija testov i supertestov dlja veterinarnoj i medicinskoj diagnostiki v srede sistemy iskusstvennogo intellekta «Jejdos-H++» bez programmirovanija / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2013. - №05(089). S. 167 - 207. - IDA [article ID]: 0891305014. -Rezhim dostupa: http://ej.kubagro.ru/2013/05/pdf/14.pdf, 2,562 u.p.l.
6. Lucenko E.V. Razrabotka bez programmirovanija i primenenie v adaptivnom rezhime metodik rijelterskoj jekspress-ocenki po metodu analogij (sravnitel'nyh prodazh) v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos» / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. -№10(094). S. 507 - 564. - IDA [article ID]: 0941310036. - Rezhim dostupa: http://ej.kubagro.ru/2013/10/pdf/36.pdf, 3,625 u.p.l.
7. Lucenko E.V. Modelirovanie slozhnyh mnogofaktornyh nelinejnyh ob#ektov upravlenija na osnove fragmentirovannyh zashumlennyh jempiricheskih dannyh bol'shoj razmernosti v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos-H++» / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2013. - №07(091). S. 164 - 188. - IDA [article ID]: 0911307012. -Rezhim dostupa: http://ej.kubagro.ru/2013/07/pdf/12.pdf, 1,562 u.p.l.
8. Lucenko E.V. Sistemnaja teorija informacii i nelokal'nye interpretiruemye nejronnye seti prjamogo scheta / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2003. - №01(001). S. 79 - 91. - IDA [article ID]: 0010301011. - Rezhim dostupa: http://ej.kubagro.ru/2003/01/pdf/11.pdf, 0,812 u.p.l.
9. Lucenko E.V. Kognitivnye funkcii kak obobshhenie klassicheskogo ponjatija funkcional'noj zavisimosti na osnove teorii informacii v sistemnoj nechetkoj interval'noj matematike / E.V. Lucenko, A.I. Orlov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal
http://ej.kubagro.ru/2015/03/pdf/01.pdf
Научный журнал КубГАУ, №107(03), 2015 года
62
Kubanskogo gosudarstvennogo agramogo universiteta (Nauchnyj zhumal KubGAU)
[Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №01(095). S. 122 - 183. - IDA [article ID]: 0951401007. - Rezhim dostupa: http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 u.p.l.
10. Lucenko E.V. Modifikacija vzveshennogo metoda naimen'shih kvadratov putem primenenija v kachestve vesov nabljudenij kolichestva informacii v argumente o znachenii funkcii (algoritm i programmnaja realizacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №10(104). S. 1371 - 1421. -IDA [article ID]: 1041410100. - Rezhim dostupa: http://ej.kubagro.ru/2014/10/pdf/100.pdf, 3,188 u.p.l.
11. Lucenko E.V. Modifikacija vzveshennogo metoda naimen'shih kvadratov putem primenenija v kachestve vesov nabljudenij kolichestva informacii v argumente o znachenii funkcii (matematicheskie aspekty) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №01(105). S. 814 - 845. - IDA [article ID]: 1051501050. - Rezhim dostupa: http://ej.kubagro.ru/2015/01/pdf/50.pdf, 2 u.p.l.
12. Lucenko E.V. Reshenie zadach statistiki metodami teorii informacii / E.V. Lucenko //
Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. -№02(106). S. 1 - 47. - IDA [article ID]: 1061502001. - Rezhim dostupa:
http://ej.kubagro.ru/2015/02/pdf/01.pdf, 2,938 u.p.l.
13. Lucenko E.V. Kolichestvennyj avtomatizirovannyj SWOT- i PEST-analiz sredstvami
ASK-analiza i intellektual'noj sistemy «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1367 -1409. - IDA [article ID]: 1011407090. - Rezhim dostupa:
http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.
14. Lucenko E.V. Metod kognitivnoj klasterizacii ili klasterizacija na osnove znanij (klasterizacija v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos») / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2011. - №07(071). S. 528 - 576. - Shifr Informregistra: 0421100012\0253, IDA [article ID]: 0711107040. - Rezhim dostupa: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 u.p.l.
15. Lucenko E.V. Sistemno-kognitivnyj analiz i sistema "Jejdos" i ih primenenie dlja postroenija intellektual'nyh izmeritel'nyh sistem // Zavodskaja laboratorija. Diagnostika materialov. 2014. T.80. №5. S.64-74.
http://elibrary.ru/contents.asp?issueid=1267409 http://elibrary.ru/item.asp?id=21538328
http://ej.kubagro.ru/2015/03/pdf/01.pdf
