Синтез и верификация многокритериальной системно-когнитивной модели университетского рейтинга гардиан и ее применение для сопоставимой оценки эффективности российских вузов с учетом направления подготовки

Применение отечественной лицензионной инновационной интеллектуальной технологии для разработки модели университетского рейтинга гардиан. Автоматизированный системно-когнитивный анализ, его программный инструментарий – интеллектуальная система "Эйдос".

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 20.05.2017
Размер файла 1,9 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Синтез и верификация многокритериальной системно-когнитивной модели университетского рейтинга гардиан и ее применение для сопоставимой оценки эффективности российских вузов с учетом направления подготовки

1. Формулировка проблемы

университетский рейтинг автоматизированный

Университетские рейтинги давно стали общепринятым в мире методом оценки эффективности вузов См., например: http://www.hotcourses.ru/study-in-the-uk/choosing-a-university/university-rankings-guide/ .

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 научно-педагогического сообщества. Возражения вызвали, прежде как сами критерии оценки эффективности вузов http://yandex.ru/yandsearch?lr=35&text=критерии%20оценки%20эффективности%20вузов&lr=35 , так и полная непрозрачность процедуры формирования этих критериев, а также то, что за бортом широкого 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, Достаточно сделать запрос: «научные конференции форумы по эффективности вузов» 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 иностранцев-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» http://ost101.livejournal.com/ http://profdavidson.ucoz.ru/ . 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» 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., - 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 вузов http://uup.samgtu.ru/node/211 .

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).

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 вузов1:

- Университетский рейтинг The Guardian http://www.theguardian.com/education/table/2011/may/17/university-league-table-2012 ;

- Университетский рейтинг Times http://extras.thetimes.co.uk/public/good_university_guide_landing?CMP=KNGvccp1-university%20rankings ;

- Мировой рейтинг Times Higher Education http://extras.thetimes.co.uk/public/good_university_guide_landing?CMP=KNGvccp1-university%20rankings ;

- Рейтинг мировых вузов Шанхайского Университета http://www.educationindex.ru/article_ranking-shanghai-2014.aspx .

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».

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.

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».

Отметим, что в материалах Минобрнауки РФ и о критериях оценки эффективности вузов См., например: http://uup.samgtu.ru/node/211 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 Проще говоря «ерундой».. Как бы нечто похожее и на таком же научном 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 системно-когнитивном 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 «Эйдос» 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 использование 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.

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 - эвентологическую 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 причинно-следственных связей, основной из которых является семантическая мера целесообразности информации по А.Харкевичу.

Знания - это информация, полезная для достижения целей 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://ej.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 «Эйдос» / 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\0197, IDA [article ID]: 0701106018. - Режим доступа: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л..

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.

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.

Рисунок 1. Соотношение содержания понятий: «Данные», «Информация», «Знания» и этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям

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 Гардиан (который выбран просто в качестве примера), а затем приводится численный пример его реализации в форме приложения интеллектуальной системы «Эйдос». Отметим, что создание этого приложения не требует программирования [4-6], т.е. система «Эйдос» 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 Гардиан http://www.theguardian.com/education/table/2011/may/17/university-league-table-2012 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):

Таблица 1 - Направления подготовки, по которым проводился университетский рейтинг Гардиан

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 в университетском рейтинге Гардиан

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

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

Royal Academy 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 Гардиан http://www.theguardian.com/education/table/2011/may/17/university-league-table-2012 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 Гардиан.

3. Численный пример

3.1 Источники исходных данных

В нижней части одной из страниц официального сайта университетского рейтинга Гардиан http://www.theguardian.com/news/datablog/2011/may/17/university-guide-2012-data-guardian есть ссылка на Excel-таблицу, которую мы использовали в качестве исходных данных:

Download the data

* DATA: download the full spreadsheet.

Кликнув по этой ссылке, мы получаем on-line доступ к этой Excel-таблице (рисунок 2):

Рисунок 2. Excel-таблица исходных данных по университетскому рейтингу Гардиан 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:

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):

Рисунок 3. Экранная форма системы «Эйдос» с описанием требований к внешним базам исходных данных

Для этого преобразуем таблицу, приведенную на рисунке 2, следующим образом:

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

Способ (формулы) 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

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

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)

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)

Получим выражение для линейного отображения абсолютной шкалы, с числом градаций X2 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:

Откуда получаем искомое выражение для нормировки:

где:

C - относительный рейтинг;

A - абсолютный рейтинг;

Y1 -значение начальной градации шкалы относительного рейтинга;

Y2 -значение конечной градации шкалы относительного рейтинга (число градаций, если Y1 = 1);

X1 - значение начальной градации шкалы абсолютного рейтинга;

X2 - значение конечной градации шкалы абсолютного рейтинга (число градаций, если X1 = 1).

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 X2 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)

Отметим, что значение Y2=10 во всех листах берется с листа «P» 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):

Таблица 5 - Исходные данные по рейтингу Гардиан, подготовленные для ввода в систему «Эйдос» (фрагмент)

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)

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 доступе (около 50 Мб). Обновление имеет объем около 3 Мб. http://lc.kubagro.ru/aidos/_Aidos-X.htm

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: _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: «_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 _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 All» или «OwerWrite All»), и только после этого закрыть данное окно.

3. Потом программа _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 «Эйдос-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.

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, указанными на экранной форме (рисунок 5):

Рисунок 5. Экранная форма универсального программного интерфейсаимпорта данных из внешних баз данных в систему «Эйдос»

Через несколько секунд на заднем фоне А значит, чтобы его увидеть надо свернуть все окна появляется окно (рисунок 6) на котором нажимаем «Сохранить», после чего появляется экранный калькулятор (рисунок 7):

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):

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:

Таблица 7 - Классификационные шкалы и градации (фрагмент)

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


Подобные документы

  • Базовые основы разработки программного обеспечения: его классический жизненный цикл, макетирование, стратегии конструирования, модели качества процессов разработки. Применение параллельных алгоритмов и CASE-системы, критерии оценки их эффективности.

    курсовая работа [179,5 K], добавлен 07.04.2015

  • Информатика как единство науки и технологии, этапы ее развития и инструментарий. Классификация видов информационных технологий и их применение. Модели информационных процессов и структура программных продуктов. Объектно-ориентированное проектирование.

    курс лекций [1,6 M], добавлен 12.12.2011

  • Применение вычислительной техники в учебном процессе. Разработка математической модели. Выбор программного обеспечения. Определение требований к техническим средствам. Формы представления входных, выходных данных. Расчет технико-экономических показателей.

    курсовая работа [1,3 M], добавлен 25.12.2013

  • Распределенная обработка данных. Двухуровневые модели распределения основных функций. Применение модели сервера приложений и баз данных. Основные пути распараллеливания запросов. Общая характеристика программных средств подготовки табличных документов.

    отчет по практике [52,6 K], добавлен 30.09.2009

  • Создание математической модели системы массового обслуживания на примере банка. Разработка имитационной модели на языке программирования С++. Блок-схема программы, перевод модели на язык программирования. Верификация и валидация имитационной модели.

    курсовая работа [630,5 K], добавлен 01.06.2015

  • Особенности создания интеллектуальной справочной системы по логике, ее технико-экономическое обоснование. Онтология, содержательная декомпозиция, исходные тексты базы знаний, ее верификация и отладка. Тестирование интеллектуальной справочной системы.

    курсовая работа [3,4 M], добавлен 14.07.2012

  • Разработка самообучающейся интеллектуальной информационной системы для анализа кредитоспособности заемщика и оценки кредитных рисков на основе подхода иммунокомпьютинга. Применение процедур кластеризации, классификации и формирования оценок рисков.

    курсовая работа [822,3 K], добавлен 09.06.2012

  • Предварительный анализ заданного временного ряда на предмет наличия тренда. Обоснование наличия сезонности по графическому представлению одноименных элементов ряда разных лет. Применение модели для прогноза. Выбор типа остатков и корректировка модели.

    контрольная работа [218,8 K], добавлен 12.09.2011

  • Сравнительный анализ технологий тестирования. Разработка программного модуля "Интеллектуальная обучающая система для широкого перечня курсов". Обоснование необходимости и важности этапа отладки в процессе разработки данного программного обеспечения.

    дипломная работа [101,2 K], добавлен 17.06.2011

  • Проектирование и анализ логической модели программного обеспечения "Автоматизированный учет радиоточек передающего центра". Ее преобразование в физическую модель при помощи базы данных MS Access. Расчет экономической эффективности разработки ПО.

    дипломная работа [3,1 M], добавлен 09.09.2010

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.