Модельно-методический комплекс поддержки процесса принятия решений в приемной комиссии вуза тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат наук Диязитдинова Альфия Асхатовна

• Диязитдинова Альфия Асхатовна
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Диязитдинова Альфия Асхатовна

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР СОВРЕМЕННЫХ МЕТОДОВ ПОВЫШЕНИЯ

ЭФФЕКТИВНОСТИ ОБУЧЕНИЯ

1.1 Определение эффективности обучения

1.2 Определение понятия интеллектуальной системы поддержки принятия решений

1.3 Анализ результатов исследований в области решения задачи повышения эффективности обучения студентов вузов

1.3.1 Повышение эффективности обучения с использованием статистических методов

1.3.2 Повышение эффективности обучения как оптимизационная задача

1.3.3 Повышение эффективности обучения с использованием технологии ИАД

1.3.4 Гибридные алгоритмы повышения эффективности обучения

1.4 Постановка задачи диссертационного исследования

1.5 Выводы

ГЛАВА 2. МОДЕЛЬ И МЕТОД ИНТЕЛЛЕКТУАЛЬНОЙ

ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

2.1 Модель интеллектуальной поддержки принятия решений

2.2 Методы интеллектуального анализа данных

2.2.1 Нейронные сети (Neural networks)

2.2.2 Деревья решений (Decision trees)

2.2.3 Кластеризация (Clustering)

2.3 Анализ выбранных методов прогнозирования

2.3.1 Краткий обзор программных продуктов, реализующих выбранные методы

2.3.2 Описание процесса и результатов анализа выбранных методов ИАД

2.4 Выбор типа метода деревьев решений для построения модели интеллектуальной поддержки принятия решений

2.5 Метод интеллектуальной поддержки принятия решений

2.6 Построение дерева решений

2.7 Выбор наилучшей прогностической модели и характеристики рекомендаций

2.8 Выводы

ГЛАВА 3. ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ И МЕТОДИКА ВЫРАБОТКИ

РЕКОМЕНДАЦИЙ ДЛЯ АБИТУРИЕНТОВ ВУЗОВ

3.1 Описание структуры ИСППР «iWizard-E»

3.2 Характеристики ИСППР «iWizard-E»

3.3 Пример выработки рекомендации для абитуриентов при помощи ИСППР «iWizard-E»

3.4 Методика повышения эффективности обучения на основе использования ИППР

3.5 Вычислительный эксперимент и практические приложения разработанных модели, метода и методики

3.5.1 Сравнение возможностей разработанной системы с существующими аналогами

3.5.2 Моделирование применения ИСППР «iWizard-E» в приемной комиссии вуза

3.5.3 Оценка эффекта от внедрения результатов диссертационной работы в деятельность вуза

3.6 Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

ПРИЛОЖЕНИЕ В

ПРИЛОЖЕНИЕ Г

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ, АББРЕВИАТУР И ТЕРМИНОВ

БС - Байесовская сеть

БД - База данных

ВИ - Вариант использования

ДР - Дерево решений

ИАД - Интеллектуальный анализ данных

ИН - Искусственный нейрон

ИСППР - Интеллектуальная система поддержки принятия решений

ИХ - Индивидуальная характеристика

ИХА - Индивидуальные характеристики абитуриента

ИХС - Индивидуальные характеристики студента

ЛИХ - Лучшая индивидуальная характеристика

ЛПР - Лицо, принимающее решение

ММПИИ - Многокомпонентная модель представления индивидуальной информации

НПМ - Настраиваемая прогностическая модель

НС - Нейронная сеть

НПО - Начальное профессиональное образование

НПП - Наиболее подходящая пара

ППР - Поддержка принятия решений

СПО - Среднее профессиональное образование

СППР - Система поддержки принятия решений

Введение диссертации (часть автореферата) на тему «Модельно-методический комплекс поддержки процесса принятия решений в приемной комиссии вуза»

ВВЕДЕНИЕ

Одной из серьезных проблем вузов в настоящее время является повышение эффективности обучения. Низкая эффективность обучения может быть обусловлена самыми разными причинами [26]. К числу самых серьезных причин относится неправильный выбор направления подготовки [4,6]. Не секрет, что часть студентов только отучившись один-два, а, иногда, три года осознает свою ошибку, которую они допустили при выборе направления [7].

Одним из способов снижения вероятности такой ошибки является выявление скрытых закономерностей между индивидуальными характеристиками студента (абитуриента) и результатами окончания вуза, с последующим использованием полученной информации для помощи абитуриенту при выборе направления подготовки на этапе подачи заявления в приемную комиссию. В сфере образования для выявления скрытых закономерностей применяется современная информационная технология Data Mining (Интеллектуальный анализ данных, ИАД), использующая методы искусственного интеллекта. ИАД - это технология, вобравшая в себя многое из таких направлений, как статистика, распознавание образов, искусственный интеллект, базы данных и т.д. Отличительной особенностью ИАД является нацеленность на решение практических задач и прозрачность процесса анализа.

В сфере образования методы ИАД используются в рамках систем поддержки принятия решений (СППР) как механизм для выработки рекомендаций лицам, принимающим решения.

Проблема повышения эффективности процесса обучения студентов вообще и с применением ИАД и СППР в частности, исследовалась на различном уровне отечественными и зарубежными учеными. Можно выделить следующие направления работ:

1) Вопросы, касающиеся способов повышения эффективности процесса обучения студентов, рассмотрены в работах В.П. Беспалько, В.М. Белова, В.С.

Канева, Н.М. Пейсахова, В.А. Якунина, Г.Е. Гунько, Е.М.Тишиной, Ю.А. Захарова, В.А. Москинова, Н.А. Кузьминой и др.

2) Вопросы, связанные с созданием моделей и методов поддержки принятия решений для вузов представлены в работах В.Е. Белоусова, К.Р. Нугаевой, А.П. Обухова, А.Н. Павлова, В.А. Суворовой, Т.С. Ильиной, L. Dole, J. Rajurkar и др.

3) Вопросы создания СППР для вузов освещены в работах Е.О. Грубова, Е.В. Гольцовой, А.Б. Крохалевой, Е.А. Темниковой, Н.А. Наумовой, В.Ю. Преснецовой, Г.Р. Сабирьяновой, Р.У. Стативко, С.Н. Султановой, G. Srivastava, R.K. Srivastava, R.C. Vaishya, J. Chanwijit, W. Lomwongpaiboon, O. Dowjam, V. Kostoglou и др.

4) Теоретические вопросы использования ИАД и СППР в вузах представлены в работах Л.И. Клениной [33], В.С. Симанкова [68], Н.К. Зарубиной [20], Т.Н. Загородней [16], V.P. Bresfelean, N. Ghisou, A. Breiter, D. Light и др.

Однако ни одно из предлагаемых в этих работах решений не снимает в полной мере проблему повышения уровня достоверности рекомендаций при выборе направления подготовки.

Причины этого заключаются в следующем:

- невысокие значения характеристик эффективности предлагаемых решений;

- слабая степень учета специфики работы приемной комиссии в части выработки рекомендаций абитуриенту при выборе направления подготовки на этапе подачи заявления.

Рекомендации должны формироваться на основании достоверных прогнозов и в «реальном масштабе времени», чтобы избежать возникновения очередей при подаче заявления в приемную комиссию. В связи с этим, решение проблемы повышения эффективности обучения посредством разработки модельно-методического комплекса поддержки процесса принятия решений для выработки рекомендаций абитуриенту при выборе направления подготовки на этапе подачи заявления в приемную комиссию является актуальным.

Объектом исследования является взаимосвязь между индивидуальными характеристиками и направлением подготовки, определяющая эффективность обучения.

Предметом исследования является механизм принятия решения для выбора направления подготовки на основании индивидуальных характеристик.

Целью работы является разработка модельно-методического комплекса поддержки принятия решений для выбора направления подготовки по индивидуальным характеристикам абитуриентов, позволяющего повысить эффективность обучения в высшем учебном заведении.

Для достижения поставленной цели требуется решить следующие задачи:

1. Исследовать проблему повышения эффективности обучения посредством выработки рекомендаций абитуриенту при выборе направления подготовки на этапе подачи заявления в приемную комиссию. Разработать модель интеллектуальной поддержки принятия решений для реализации процесса выработки рекомендаций при выборе направления подготовки абитуриентами вузов.

2. Провести анализ методов ИАД и определить наиболее приемлемый для эффективного анализа индивидуальных характеристик студентов. Разработать метод интеллектуальной поддержки принятия решений.

3. Разработать модельно-методический комплекс на основе модифицированного метода для выработки рекомендаций, повышающих эффективность процесса выбора направления подготовки абитуриентами вузов.

4. Провести сравнительный анализ созданного модельно-методического комплекса с существующими системами, построенными с использованием методов технологии ИАД. Разработать методику повышения эффективности обучения.

Методы исследования. Основные теоретические и экспериментальные исследования диссертационной работы выполнены с применением методов теории информации, теории вероятностей и математической статистики, ИАД, теории искусственного интеллекта; языков и нотаций UML и Python;

аналитических систем Deductor, Orange Canvas, RapidMiner; сред моделирования StarUML, AnyLogic; IDE PyCharm.

Достоверность и обоснованность результатов диссертационного исследования подтверждается корректностью использованного математического аппарата, основанного на методах теории искусственного интеллекта, теории вероятностей, математической статистики, апробацией на научных конференциях, а также практическими результатами использования, подтверждаемыми актами внедрения в ФГБОУ ВО «Поволжский государственный университет телекоммуникаций и информатики», ФГАОУ ВО «Самарский национальный исследовательский университет имени академика С.П. Королева», ООО «Научно-производственный центр «Интеллектуальные транспортные системы» и свидетельством о государственной регистрации программы для ЭВМ.

Научная новизна диссертационного исследования заключается в следующем:

1. Разработана новая модель интеллектуальной поддержки принятия решений. В отличие от существующих, она основана на использовании многокомпонентной модели представления индивидуальной информации и автоматическом формировании лучшей для нее прогностической модели. (соответствует п.5 паспорта специальности 05.13.10)

2. Разработан оригинальный метод интеллектуальной поддержки принятия решений на основе использования настраиваемой прогностической модели. При ее формировании применяется комбинированный подход, состоящий из настройки сложности модели и использования набора критериев для выбора структуры модели. В отличие от применяемых на практике, он обеспечивает высокое качество формируемых рекомендаций при обработке индивидуальных характеристик студентов и абитуриентов (соответствует п.4 паспорта специальности 05.13.10).

3. Разработан модельно-методический комплекс для выработки рекомендаций, повышающих эффективность процесса выбора направления

подготовки абитуриентами вузов на этапе подачи заявления в приемную комиссию (соответствует п.5 паспорта специальности 05.13.10).

4. Разработана новая методика повышения эффективности обучения студентов вузов на основе использования интеллектуальной поддержки принятия решений (соответствует п.10 паспорта специальности 05.13.10).

Теоретическая значимость.

Заключается в разработке модели поддержки принятия решений на основе использования индивидуальных характеристик, новом типе прогностической модели, эффективно дополняющем существующий инструментарий ИАД, и новом методе поддержки принятия решений, позволяющем, в отличие от применяемых на практике, обеспечивать высокую достоверность формируемых рекомендаций при обработке индивидуальных характеристик студентов и абитуриентов.

Практическая значимость. Внедрение разработанных методики и интеллектуальной системы поддержки принятия решений (ИСППР, модельно-методического комплекса) позволило повысить эффективность работы приемной комиссии вуза.

Разработанные в работе методика, метод и модельно-методический комплекс (ИСППР) для повышения эффективности процесса выбора направления подготовки абитуриентами вузов приняты к использованию в учебном процессе федерального государственного автономного образовательного учреждения высшего образования «Самарский национальный исследовательский университет имени академика С.П. Королева» и ФГБОУ ВО «Поволжский государственный университет телекоммуникаций и информатики». Также результаты диссертации внедрены в ООО «Научно-производственный центр «Интеллектуальные транспортные системы» с целью повышения эффективности процесса подбора сотрудников, что подтверждаются соответствующими актами (Приложение Г).

Положения, выносимые на защиту

1. Показано, что предложенная модель интеллектуальной поддержки принятия решений для процесса выработки рекомендаций при выборе

направления подготовки абитуриентами вузов, обеспечивает, в отличие от существующих решений, выработку достоверных рекомендаций на основе индивидуальных характеристик.

2. Показано, что метод интеллектуальной поддержки принятия решений, разработанный на основе модифицированного классификатора «дерево решений», формирует более достоверные рекомендации для выбора направления подготовки обучения в вузе по индивидуальным характеристикам абитуриентов по сравнению с существующими методами.

3. Экспериментально установлено, что созданный модельно-методический комплекс обладает большей эффективностью при выработке рекомендаций абитуриентам относительно выбора направления подготовки, так как он, в отличие от других систем, формирует более значимые рекомендации (вероятность прогноза составляет порядка 85%). По этому показателю он превосходит аналоги на 5-10%. Скорость формирования рекомендаций разработанного модельно-методического комплекса приблизительно в 10-12 раз выше, чем у существующих аналогов.

4. Показано, что разработанная методика формирования рекомендаций абитуриентам вузов позволяет повысить эффективность процесса обучения студентов вузов и работы приемной комиссии. Это достигается за счет использования новой ИСППР на этапе выбора направления подготовки.

Апробация работы. Отдельные законченные этапы работы докладывались и обсуждались на XXI Российской научной конференции профессорско-преподавательского состава, научных сотрудников и аспирантов (Самара: ПГУТИ, 2014), XII Международной дистанционной научной конференции «Современная наука: актуальные проблемы и пути их решения» (Липецк, 2014), I Всероссийской научно-технической конференции «Студенческая наука для развития информационного общества» (Ставрополь, 2015), XXII Российской научной конференции профессорско-преподавательского состава, научных сотрудников и аспирантов (Самара: ПГУТИ, 2015), XX Международной научно-технической конференции «Современные средства связи» (Минск: УОВГКС,

2015), XVI Международной научно-технической конференции «Проблемы техники и технологии телекоммуникации»: (Уфа: УГАТУ, 2015), XXIII Российской научной конференции профессорско-преподавательского состава, научных сотрудников и аспирантов (Самара: ПГУТИ, 2016), XVII Международной научно-технической конференции «Проблемы техники и технологии телекоммуникации» (Самара: ПГУТИ, 2016), XXIV Российской научной конференции профессорско-преподавательского состава, научных сотрудников и аспирантов (Самара: ПГУТИ, 2017), XVIII Международной научно-технической конференции «Проблемы техники и технологии телекоммуникации» (Казань: КНИТУ-КАИ, 2017), Международной научно-технической конференции «Проблемы техники и технологии телекоммуникации» (Уральск: КазУИТС, 2018), XX Международной научно-технической конференции «Проблемы техники и технологии телекоммуникации» (Уфа: УГАТУ, 2018), XXVIII Российской научной конференции ППС, научных сотрудников и аспирантов (Самара: ПГУТИ, 2019).

Личный вклад автора. Автором была разработана модель и метод интеллектуальной поддержки принятия решений, модельно-методический комплекс для выработки рекомендаций, методика повышения эффективности обучения.

Публикации. Основное содержание диссертации отражено в 47 опубликованных работах. Публикации включают 8 научных статей в изданиях, рекомендованных ВАК для публикации трудов на соискание ученых степеней, 5 статьей в изданиях, включенных в базу РИНЦ, 6 научных статей в изданиях, не включенных в базу РИНЦ и 28 тезисов докладов.

Структура и объем работы. Диссертационная работа состоит из введения, трех глав, заключения, списка литературы и приложений. Общий объем - 159 страниц. Основная часть работы содержит 134 страницы машинописного текста, 4 приложения, 22 рисунка, 17 таблиц. Список литературы содержит 120 наименований.

ГЛАВА 1. ОБЗОР СОВРЕМЕННЫХ МЕТОДОВ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ОБУЧЕНИЯ

В данной главе представлен обзор методов и алгоритмов повышения эффективности обучения в сфере образования. Описываются существующие модели, связывающие эффективность обучения, направление подготовки и индивидуальные характеристики (ИХ) абитуриентов.

Эффективность обучения в высшем учебном заведении зависит от разных факторов [22, 23, 35, 37, 38, 39]. Многие из этих факторов носят абстрактный характер, и возможность их анализа и практического применения является открытым вопросом. Но некоторые факторы представляют собой характеристики, описываемые дискретными значениями. Примером тому могут служить ИХ абитуриента: наличие медали (1 - да, 0 - нет), тип документа об окончании учебного заведения (1 - аттестат о среднем общем образовании, 2 - диплом о среднем образовании), выбранное направление подготовки (1 - 09.03.01, 2 -09.03.02, 3 - 09.03.03, 4 - 09.04.05 и др.) и т.д.

Анализ этих факторов может показать наличие связи с эффективностью обучения.

Для системы образования можно сделать два правдоподобных предположения:

1. Направление подготовки предполагает наличие у абитуриента определенного набора способностей (ИХ), то есть абитуриент, обладающий ими, имеет большую вероятность успешного освоения основной образовательной программы данного направления подготовки, чем другого.

2. Так как требования к направлениям подготовки ежегодно меняются незначительно, то и набор ИХ, соответствующий направлению подготовки, также будет меняться незначительно.

Из этих утверждений следует, что:

1. Высокая вероятность успешного освоения основной образовательной программы высшего учебного заведения определяется соответствием ИХ абитуриента выбранному направлению подготовки.

2. Взаимосвязь между ИХ и направлением подготовки можно оценивать на основании данных предыдущих лет обучения.

Разработка системы, которая предоставила бы абитуриенту информацию о направлении подготовки с наибольшей вероятностью окончания вуза, могла бы повлиять на его выбор.

Если абитуриенты большей частью согласятся с предложенными рекомендациями, то это увеличит процент студентов, успешно окончивших вуз, и повысит эффективность образовательной работы вуза в целом.

Системы, анализирующие параметры и формирующие рекомендации в социальных и экономических системах (в том числе в образовательной сфере), объединены общим термином «системы поддержки принятия решений».

В настоящий момент существует несколько направлений в образовательной сфере, которые связаны с повышением эффективности обучения в высших учебных заведениях.

Обзор научных статей и трудов позволил выделить следующие направления:

- применение статистических параметров (среднего значения и дисперсии), регрессионного анализа и полиномиальной аппроксимации;

- формулировка проблемы повышения эффективности как оптимизационной задачи;

- применение технологии ИАД;

- разработка гибридных алгоритмов.

1.1 Определение эффективности обучения

Одной из самых острых проблем вузов в настоящее время является повышение эффективности обучения. Можно сказать, что данная проблема существовала всегда. Будет неправильным утверждать, что благодаря исключительно ее сложности, эта проблема остается по-прежнему актуальной. Сама суть человеческого общества есть причина недостаточной эффективности

процесса обучения. Постоянные изменения, носящие, зачастую, революционный характер, порождают новые требования, которым должен соответствовать человек, чтобы быть успешным.

Для оценки качества процесса обучения будем использовать меру «эффективность обучения». Провести объективную формализацию всех слагаемых «эффективности обучения» не представляется возможным в силу неоднозначности исследуемой темы. В зависимости от преследуемых целей поставленных задач исследователи определяют эффективность различными способами.

В самом общем виде корректное определение было предложено в работе [80]: эффективность обучения - это мера совпадения реально достигнутых результатов с целями, предусмотренными образовательными программами.

Для практического применения (объективной оценки, сравнительного анализа различными методиками) необходимо дать более строгое определение.

Эффективность обучения - это отношение количества студентов, окончивших вуз, к общему количеству поступивших.

С

Э , = , (1)

ооуч ^ 7 х '

— ПВ

где Э0буч - эффективность обучения студентов вуза;

—Ов - количество студентов, окончивших вуз;

—пв - количество студентов, поступивших в вуз.

Данная формулировка определяет эффективность обучения в узком смысле слова, с точки зрения работы вуза.

При таком определении задача повышения эффективности обучения будет связана с построением модели прогноза количества студентов, успешно закончивших вуз.

Целесообразность такого критерия продиктована работой самого учебного заведения, так как снижение числа выпускников ведет к уменьшению числа выделяемых бюджетных мест, что отрицательно сказывается на престижности вуза и его финансах [34].

1.2 Определение понятия интеллектуальной системы поддержки

принятия решений

Система поддержки принятия решений (СППР) - компьютерная автоматизированная система, предназначенная для анализа данных, характеризующихся значительным объемом, а также наличием взаимных связей между данными, которые практически невозможно определить без глубокого исследования предметной области. В таких ситуациях лица, принимающие решение (ЛПР), не способны самостоятельно справиться с поставленной задачей.

СППР применяется для поддержки многокритериальных решений в сложной информационной среде. Многокритериальность - объединение некоторого количества характеристик, используемых одновременно. Обработка такого количества информации сильно затрудняется без использования современной техники [28, 45, 46, 52].

Задачи, для решения которых используется СППР:

1. Оптимизация.

2. Ранжирование.

Обе задачи направлены на объединение показателей, предназначенных для оценивания и сопоставления возможных решений. СППР помогает определиться с выбором такого решения.

В настоящее время СППР, используя все возможности инфокоммуникационных технологий [9, 11], помогают ЛПР обрабатывать такие данные, которые невозможно обработать человеку, предоставляя при этом информацию о полученных результатах [58].

Методы анализа и выработок предложений в СППР [17, 27]:

- информационный поиск;

- имитационное моделирование [43, 41, 42, 44];

- эволюционные вычисления и генетические алгоритмы;

- нейронные сети;

- ситуационный анализ;

- когнитивное моделирование и др.

Ряд алгоритмов анализа в СППР были заимствованы из методов, которые исследователи относят к «искусственному интеллекту». СППР, разработанная с применением методов искусственного интеллекта, называется интеллектуальной СППР (ИСППР) [18,25,71].

ИСППР - система, помогающая ЛПР в принятии решений, в основе которой лежат методы ИАД, моделирования и визуализации.

Проблемы, решаемые СППР:

1. Принятие решений в сложных ситуациях.

2. Наличие мультипотокового входа для принятия решений.

В работе модельно-методический комплекс будет представлять собой ИСППР.

1.3 Анализ результатов исследований в области решения задачи повышения

эффективности обучения студентов вузов

1.3.1 Повышение эффективности обучения с использованием статистических

методов

В работе [5] автором разрабатывается автоматизированная система контроля успеваемости. Для этого используются математическое ожидание и дисперсия с целью определения успеваемости, а связь между параметрами определятся с помощью коэффициента корреляции.

Одной из задач, решаемых в работе, является прогноз оценки, получаемой учащимися по дисциплине:

¿=2,3,4,5

Ф *

( V \ - т -ж- *

= Ф

г X 1 -5р*5 -4р*4 -3р*з -2р*2Л

5 р *5 + 4 р *4 + 3 р *з + 2 р *

2 У

где р*5, р*, р з, р 2 - частоты оценок «5»,«4»,«3»,«2» соответственно; г - оценка;

Р - вероятность получения оценки, равной г; - значение оценки, равной г;

Ф*(х) - функция ошибок; тI - среднее значение оценки, равной I; ^ -среднеквадратическое отклонение оценки, равной I.

Недостатком работы является то, что автором проводится анализ фактической успеваемости и прогноза оценок, получаемых учащимися за экзамен, но при этом не рассматриваются механизмы улучшения этих показателей, а также не исследуется связь этих показателей с вероятностью окончания вуза (эффективностью обучения).

В работе [20] автором используется регрессионный анализ и полиномиальная аппроксимация для прогноза численности студентов. Данный прогноз используется для определения количества абитуриентов, потенциально поступающих в вуз, определения числа бюджетных мест и финансирования учебного заведения.

Недостатком работы является отсутствие исследований по выбору направления подготовки, которые максимизируют число абитуриентов, закончивших вуз.

Автор [53] рассматривает проблему эффективности обучения как управление маркетинговой деятельности вуза моногорода. Одним из анализируемых параметров является отношение числа окончивших вуз к числу поступивших. Этот параметр используется для расчета прогностической цены стоимости обучения. Основным методом анализа является регрессионный анализ с оценкой тренда по линейным и полиномиальным законам.

Отрицательной чертой данного исследования является недостаточно полное рассмотрение вопроса взаимосвязи индивидуальных характеристик с выбором направления подготовки для улучшения параметра отношения числа окончивших вуз к числу поступивших. Использование этого прогноза в значительной степени повлияло бы на результаты оптимизации работы вуза и его финансовую стабильность.

В работе [70] автор рассматривает проблему эффективности обучения как самооценку качества образования студентов на основе анкетирования. Для того,

чтобы выявить проблемные зоны, проводился анализ на основе средних значений, дисперсий и средних оценок гистограмм по следующим характеристикам:

- отношение к учебе;

- базовые ценности;

- удовлетворенность студенческой жизнью;

- включенность в жизнь вуза;

- уровень материальной обеспеченности;

- представление о перспективах и жизненных планах.

Недостатком является оценка эффективности обучения на стадии обучения, то есть фактическая констатация. Использованный аппарат не предполагает формирование рекомендации для выбора направления подготовки и носит общий характер выявления проблем вуза.

В работе [118] авторы рассматривают СППР для прогнозирования результатов экзаменов (Licensure Examination Performance). Для построения модели используется множественная регрессия. Недостатком данной работы является то, что предлагаемая СППР предназначена исключительно для прогнозирования, и не является инструментом для регулирования результатов экзаменов путем воздействия на параметры модели.

Таким образом, алгоритмы повышения эффективности на базе статистических методов рассматривают задачу оценки и прогноза текущей академической успеваемости обучения. В основе этих исследований лежит предположение, что текущая успеваемость студентов, выраженная некоторым параметром, может быть сравнена с некоторым известным плановым значением. Если успеваемость ниже планового значения, то и эффективность обучения (процент окончивших вуз студентов) также будет ниже. Верно и обратное утверждение. Результат сравнения является индикатором необходимости влияния на текущую ситуацию.

Резюмируя вышесказанное, алгоритмы данной группы имеют следующие недостатки:

- фактическая констатация уровня успеваемости, а не эффективности обучения;

- отсутствие четкого механизма, связывающего успеваемость студентов и эффективность обучения;

- разработанные СППР играют роль индикатора проблем без четкого механизма формирования рекомендаций.

1.3.2 Повышение эффективности обучения как оптимизационная задача

В работе [8] автор рассматривает эффективность обучения через качество освоения образовательных программ (компетенции). Оценка компетенции производится по набору фактических оценок и часов, затраченных на изучение дисциплин:

Список литературы диссертационного исследования кандидат наук Диязитдинова Альфия Асхатовна, 2019 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Алгоритмы интеллектуального анализа данных [Электронный ресурс]. -Режим доступа: https://tproger.ru/translations/top-10-data-mining-algorithms/ (дата обращения 05.11.2016).

2. Алгоритмы создания дерева принятия решений [Электронный ресурс]. -Режим доступа: http://econf.rae.ru/pdf/2014/03/3245.pdf (дата обращения 05.11.2016).

3. Ассоциативные правила [Электронный ресурс]. - Режим доступа: StGAU.ru/company/personal/user/7684/files/lib/Анализ данных/Тема 2_Задача ассоциации/М_101_Ассоциативныеправила.pdf (дата обращения 10.11.2016).

4. Батколина, В.В. Повышение эффективности образования взрослых в вузах на основе современных информационных технологий: автореф. дис. ... канд. пед. наук: 13.00.08 / Батколина Виктория Валерьевна. - М., 2011. - 24 с.

5. Белоусов, В.Е. Алгоритмы автоматизированного контроля успеваемости и формирования информационно-образовательной среды в интеллектуальной системе поддержки принятия решений военного вуза: автореф. дис. . канд. тех. наук: 05.13.10 / Белоусов Вадим Евгеньевич. - Воронеж, 2004. - 20 с.

6. Беспалько, В.П. Слагаемые педагогической технологии / В.П. Беспалько. - М.: Педагогика, 1989. - 192с.

7. Влияние самооценки студентов на успешность обучения в ВУЗе [Электронный ресурс]. - Режим доступа: http://all-referats.com/76/1-38195-vliyanie-samoocenki-studentov-na-uspeshnost-obucheniya-v-vuze.html (дата обращения 13.10.2016).

8. Гольцова, Е.В. Поддержка принятия решений для управления подготовкой инженерных кадров: автореф. дис. ... канд. тех. наук: 05.13.10 / Гольцова Елена Валерьевна. - Новосибирск, 2016. - 22 с.

9. Горлушкина, Н.Н., Задачи и методы интеллектуального анализа образовательных данных для поддержки принятия решения / Н.Н. Горлушкина,

И.Ю. Коцюба, М.В. Хлопотов // Образовательные технологии и общество. - 2015. - Т.18. - №1. - С. 472-482.

10. Грубов, Е.О. Разработка системы поддержки принятия решений в вузе на основе теории нечетких множеств: автореф. дис. ... канд. эк. наук: 08.00.13 / Грубов Евгений Олегович. - Иваново, 2001. - 19 с.

11. Данильченко О. Интеллектуальный анализ данных для повышения эффективности работы государственных органов управления [Электронный ресурс]. - Режим доступа: https://www.ibm.com/ru/events/swconf2011/pdf/2-7.pdf (дата обращения 15.04.2017).

12. Деревья решений [Электронный ресурс]. - Режим доступа: http://cdo.bseu.by/stat1/lab_7.htm (дата обращения 10.09.2016).

13. Деревья решений и алгоритмы их построения [Электронный ресурс]. -Режим доступа http://datareview.mfo/article/derevya-resheniy-i-algoritmyi-ih-postroeniya/ (дата обращения 10.09.2016).

14. Деревья решений - С4.5 математический аппарат [Электронный ресурс]. - Режим доступа: http://www.basegroup.ru/library/analysis/tree/math_c45_part1/ (дата обращения 10.09.2016).

15. Деревья решений - CART математический аппарат. Часть 1 [Электронный ресурс]. - Режим доступа: https://basegroup.ru/community/articles/math-cart-part1 (дата обращения 10.09.2016).

16. Загородняя, Т.Н. Моделирование процесса поддержки принятия решений при обучении студентов технических специальностей дневной и заочной форм обучения / Т.Н. Загородняя // Инновации в науке: Материалы XXX Международной научо-практической конференции. - Новосибирск: СибАК. -2014. - №2(27). - Ч. I. - С.103-112.

17. Задачи анализа данных [Электронный ресурс]. - Режим доступа: http://blagodareva.info/%D0%B7%D0%B0%D0%B4%D0%B0%D1%87%D0%B8-%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7%D0%B0-

%Б0%В4%В0%В0%В0%ВВ%В0%ВВ%В1%8В%Б1%85/ (дата обращения

11.09.2016).

18. Задачи искусственного интеллекта [Электронный ресурс]. - Режим доступа: http://www.bestreferat.ru/referat-401556.html (дата обращения 08.09.2016).

19. Запрягаева, Е.А. Классификация текстов по заданным признакам стилей на основе деревьев решений / Е.А. Запрягаева // Выпускная квалификационная работа на соискание степени бакалавра. - Томск. - 2011. - 30 с.

20. Зарубина Н.К. Исторические и методологические аспекты планирования контингента студентов при приеме в вуз (научный обзор) [Электронный ресурс]. -Режим доступа: https://www.eduherald.ru/ru/article/view?id=15141 (дата обращения

15.07.2017).

21. Захаров, Н.Ю. Разработка целевой функции оптимального планирования повышения квалификации сотрудников вузов / Н.Ю. Захаров, А.Н. Полетайкин,

B.С. Канев // Проблемы оптимизации сложных систем: Материалы 12-й Международной Азиатской школы-семинара. - Новосибирск: ИВМиМГ. - 2016. -

C. 216-221.

22. Захаров, Ю.А. Основные пути повышения качества высшего образования / Ю.А. Захаров, В.А. Москинов // Университетское управление: практика и анализ. - 2005. - №. 1. - С. 100-103.

23. Ильина, Т.С. Управление рисками оценивания образовательных компетенций в высших учебных заведениях / Т.С. Ильина, А.И. Баранова, В.С. Канев // Вестник СибГУТИ. - 2017. - №1(37). -С.3-11.

24. Ильина, Т. С. Энтропийный подход к оцениванию сформированности образовательных компетенций [Текст] / Т. С. Ильина, А. Н. Полетайкин // Математические методы в технике и технологиях - ММТТ-29: сборник трудов XXIX Международной научной конфкренции. - 2016. - Т. 8, № 2. - С.137-141.

25. Искусственный интеллект [Электронный ресурс]. - Режим доступа: http://www.psyoffice.ru/5-enc_philosophy-469.htm (дата обращения 08.09.2016).

26. Исследование причин низкой академической успеваемости студентов [Электронный ресурс]. - Режим доступа:

https://storage.tusur.ru/files/310/%D0%AD%D0%BA%D0%BE%D0%BD%D0%BE% D0%oBC%oD0%oB8%oD0%oBA%oD0%oB8-

1102_%D0%98%D1%81%D1%81%D0%BB%D0%B5%D0%B4%D0%BE%D0%B2 %D0%B0%D0%BD%D0%B8%D0%B5%20%D0%BF%D1%80%D0%B8%D1%87% D0%B8%D0%BD%20%D0%BD%D0%B8%D0%B7%D0%BA%D0%BE%D0%B9% 20%D0%B0%D0%BA%D0%B0%D0%B4%D0%B5%D0%BC%D0%B8%D1%87%D 0%B5%D1 %81%D0%BA%D0%BE%D0%B9%20%D1%83%D1%81%D0%BF%D0 %B5%D0%B2%D0%B0%D0%B5%D0%BC%D0%BE%D1%81%D1%82%D0%B8% 20%D1%81%D1%82%D1%83%D0%B4%D0%B5%D0%BD%D1%82%D0%BE%D0 %B2.pdf (дата обращения 15.03.2017).

27. Казмина, И.И., Интеллектуальный анализ данных в образовательной деятельности на основе алгоритма взаимосвязей / И.И. Казмина, Е.В. Нужнов // Информатика, вычислительная техника и инженерное образование. - 2015. -№ 1 (21). - С. 58-64.

28. Казмина, И.И. Модификация априорного алгоритма для анализа данных учебного процесса ВУЗа / И.И. Казмина, Е.В. Нужнов // Известия Южного Федерального Университета. Технические науки. - 2016. - №7(180). - С.28-39.

29. Каменев А.В. Применение кластерного анализа при построении моделей образовательного процесса / А.В. Каменев, Г.И. Болтунов, А.В. Лямин // Перспективы развития информационных технологий: материалы ХХ1 Международной научно-практической конференции. - 2014. - С.101-105.

30. Кластерный анализ [Электронный ресурс]. - Режим доступа: http://ru.vlab.wikia.com/wiki/%D0%9A%D0%BB%D0%B0%D1%81%D1%82%D0% B5%D1%80%D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB% D0%B8%D0%B7 (дата обращения 20.09.2016).

31. Кластерный анализ [Электронный ресурс]. - Режим доступа: http://migha.ru/analiz-ponyatie-o-klasternom-analize-klasternij-analiz-odi.html (дата обращения 10.09.2016).

32. Кластеризация: метод k-средних [Электронный ресурс]. - Режим доступа: http://www.statistica.ru/theory/klasterizatsiya-metod-k-srednikh/ (дата обращения 2G.G9.2G16).

33. Кленина, Л.И.. Теоретические аспекты систем поддержки принятия решений при построении индивидуальной траектории обучения / Л.И. Кленина, В.И. Кленина, Е.А. Павлова // Человеческий капитал. - 2G16. - №6(9G). - С. 22-26.

34. Ковалев А.И., Ивашкевич Т.В., Ковалев В.А., Фрик О.В. Marketing strategies in education (published in Russian) Сфера образовательных услуг: маркетинговые стратегии, Hamburg, Anchor Academic Publishing 2G14, 48 стр.

35. Кочетов А.И. Разработка систем поддержки принятия решений для управления качеством деятельности вуза / А.И. Кочетов, Н.В. Крапухина, С.В. Проничкин // Экология человека. - 2GG9. - № 9. - C. 39-45.

36. Крохалева А.Б. Концептуальная схема управления с использованием показателя готовности специалистов по информационной безопасности на современном рынке труда / А.Б. Крохалева, В.М. Белов // Вестник СибГУТИ. -2G16. - №1(33). - C38-5G.

37. Крохалева, А.Б. Технология формирования показателя готовности специалистов в области информационной безопасности / А.Б. Крохалева, В.М. Белов // Информационная безопасность в современном обществе (Росинфоком 2G16): Материалы научно-практической конференции. - 2G16. - С.71-75.

38. Крохалева, А.Б. Математическое и программное обеспечение поддержки принятия решений в системе подготовки специалистов (на примере направления «Информационная безопасность»): автореф. дис. ... канд. тех.наук: G5.13.1G / Крохалева Анастасия Борисовна. - Новосибирск. - 2G16. - 23 с.

39. Кузьмина, Н.А. Эффективность процесса обучения и учения / Н.А. Кузьмина // Теория и практика общественного развития. - 2G13. - №12. - С. 67.

4G. Метод нейронных сетей [Электронный ресурс].- Режим доступа: http://studopedia.ru/15_136685_metod-neyronnih-setey.html (дата обращения 13.G9.2G16).

41. Многоподходное имитационное моделирование - AnyLogic. Дискретно-событийное моделирование [Электронный ресурс]. - Режим доступа: http://www.anylogic.ru/discrete-event-simulation (дата обращения 10.03.2017).

42. Многоподходное имитационное моделирование - AnyLogic. Агентное моделирование [Электронный ресурс]. - Режим доступа: http://www.anylogic.ru/agent-based-modeling (дата обращения 10.03.2017).

43. Многоподходное имитационное моделирование - AnyLogic. Системная динамика - AnyLogic [Электронный ресурс]. - Режим доступа: http://www.anylogic.ru/system-dynamics (дата обращения 10.03.2017).

44. Многоподходное имитационное моделирование - AnyLogic. Сравнение версий [Электронный ресурс]. - Режим доступа: http://www.anylogic.ru/editions-comparison (дата обращения 10.03.2017).

45. Морозова, О.Н. Информационные технологии как средство повышения качества обучения магистров / О.Н. Морозова // Инженерный вестник Дона. -2017. - Т.45. - №2. - С. 68.

46. Наумова, Н.А. Система поддержки принятия решений для оценки и контроля качества профессиональной подготовки специалистов вузов: автореф. дис. ... канд. тех. наук: 05.13.10 / Наталья Анатольевна Наумова . - Ростов-на-Дону. - 2011. - 21 с.

47. Некрасов, М.В. Автоматизация метода «Дерево решений» / М.В. Некрасов // Актуальные вопросы экономических наук. - 2013. - №32. - С. 66-70.

48. Нейронные сети - математический аппарат [Электронный ресурс] -Режим доступа: https://basegroup.ru/community/articles/math (дата обращения 02.10.2016).

49. Нугаева, К.Р. Информационная система поддержки принятия решений при управлении качеством образовательного процесса университета на основе онтологии: автореф. дис. ... канд. тех. наук: 05.13.10 / Нугаева Камила Радиковна. - Уфа. - 2007. - 19 с.

50. Обухов, А.П. Методика разработки интеллектуальной системы оптимизации управления вузом: автореф. дис. ... канд. эк. наук: 08.00.13 / Обухов Алексанлр Павлович. - Иваново. - 2007. -с 19 с.

51. Описание алгоритма CART [Электронный ресурс]. - Режим доступа: http://iamdrunk.ru/teach/%D1%83%D1%87%D0%B5%D0%B1%D0%B0_%D0%BF% D0%B3%D0%B0%D1%82%D0%B8/2010-

2011/1 %20%D1%81 %D0%B5%D0%BC%D0%B5%D1%81%D1%82%D1%80/%D0

%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82

%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5%20%D0%B8%

D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B

E%D0%BD%D0%BD%D1%8B%D0%B5%20%D1%81%D0%B8%D1%81%D1%82

%D0%B5%D0%BC%D1%8B/src/278_andreev.pdf (дата обращения 10.09.2016).

52. Орлова, Ю.А. Современные информационные технологии как средство повышения эффективности подготовки будущих менеджеров в вузах физической культуры: автореф. дис. ... канд. пед. наук: 13.00.04 / Орлова Юлия Александровна. - Волгоград. - 2009. - 23 с.

53. Павлова, А. Н. Комплексное моделирование диверсификации образования для взрослых в моногороде: автореф. дис. ... канд. эк. наук: 08.00.13 / Павлова Александра Николаевна. - Иваново. - 2012. - 20 с.

54. Пальмов, С.В. Интеллектуальные системы и технологии: методические указания к лабораторным работам / С.В. Пальмов. - Самара: ИУНЛ ПГУТИ, 2014. - 119 с.

55. Параметры эффективности процесса обучения в условиях вуза [Электронный ресурс]. - Режим доступа:https://superinf.ru/view_helpstud.php?id=1032 (дата обращения 30.05.2017).

56. Петрова, Т. В. Исследование механизмов интеллектуального анализа данных (data mining) для решения задач извлечения знаний образовательного процесса [Текст] / Т. В. Петрова, О. Ю. Сабинин // Молодежный научный форум: Технические и математические науки. - 2013. - Т. 1, № 1. - С.15-21.

57. Понятие и структура профессиональной ориентации [Электронный ресурс]. - Режим доступа: barggu.by/4300-ponyatie-i-struktura-professionalnoy-orientacii.html (дата обращения 01.04.2018).

58. Попова, О.Б. Интеллектуальная система поддержки принятия решений, ведущая поисковые исследования / О.Б. Попова, Н.Т. Сичинава // Научные труды КубГТУ. - 2016. - №1. - С.172-184.

59. Преимущества нейронных сетей [Электронный ресурс]. URL: http://www.aiportal.ru/articles/neural-networks/advantages.html (дата обращения 02.09.2016).

60. Преснецова, В.Ю. Модели и алгоритмы управления деятельностью основных структурных подразделений и профессорско-преподавательского состава вуза: автореф. дис. канд. тех. наук: 05.13.10 / Преснецова Виктория юрьевна. - Орел. - 2011. - 20 с.

61. Применение баз данных для оценки работы [Электронный ресурс]. -Режим доступа: http://bo0k.net/index.php?p=achapter&bid=2058&chapter=1 (дата обращения 02.10.2016).

62. Профессиональная ориентация (профориентация) [Электронный ресурс].

- Режим доступа: http://www.edu.ru/abitur/act.15/index.php (дата обращения 30.03.2018).

63. Пряжникова, Е.Ю. К вопросу об истории развития профориентации и профессионального самоопределения / Е.Ю. Пряжникова // Вопросы образования.

- 2006. - №3. - С. 224-231.

64. Руанет, В.В. Нейросетевые технологии как средство организации учебного процесса / В.В. Руанет, А.К. Хетагурова // Образовательные технологии и общество. - 2005. - Т. 8. - №4. - С. 296-318.

65. Рубцова, С.Ю. Система применения информационных технологий как средство повышения качества образования в ВУЗе / С.Ю. Рубцова // Вестник РУДН, серия «Информатизация образования». - 2009. - №3. - С. 22-25.

66. Сабирьянова, Г.Р. Информационная система поддержки принятия решений при управлении процессом обучения с использованием игровых

технологий и онтологических моделей: авторефе. дис. ... канд. тех. наук: 05.13.10 // Сабирьянова Гузель Радисовна. - Уфа. - 2009. - 18 с.

67. Сегаран, Т. Программируем коллективный разум / Т. Сегаран; пер. с англ. - СПб: Символ, 2008. - 368 с.

68. Симанков, В.С. Методологические аспекты построения систем поддержки принятия решений / В.С. Симанков, С.Н. Владимиров, А.О. Денисенко, А.Н. Черкасов // Вестник Донского государственного технического университета. - 2008. - Т.8. - № 3(38). - С. 258-267.

69. Соколова, О.В. Информационные технологии как средство повышения эффективности образовательного процесса в вузе / О.В. Соколова // Проблемы и перспективы развития образования в России. - 2010. - №4-1. - С. 187-192.

70. Соотношение самооценки и успеваемости студентов [Электронный ресурс]. -Режим доступа: http://diplomba.ru/work/112957 (дата обращения 01.10.2016).

71. Стародубцев, А.А. Система поддержки принятия решений / А.А. Стародубцев // Актуальные проблемы авиации и космонавтики. - 2016. - Т.2. -№12. - С. 99-101.

72. Стативко, Р.У. Система поддержки принятия решений для управления деятельностью регионального вуза на рынке образовательных услуг: автореф. дис. ... канд. тех. наук: 05.13.10 / Стативко Роза Усманова. - Белгород. - 2009. -26 с.

73. Структура нейронных сетей [Электронный ресурс]. - Режим доступа: http://mirznanii.eom/a/112484/struktura-neyronnykh-setey (дата обращения 10.10.2016).

74. Суворова, В.А. Система поддержки принятия решений при планировании и управлении ресурсами учебного процесса: автореф. дис. канд. тех. наук: 05.13.10 / Суворова Анасасия Александровна. - Уфа. - 2010. - 19 с.

75. Султанова, С.Н. Информационная система поддержки принятия решений при планировании работ преподавателей вуза на основе интегральной

оценки показателей качества: автореф. дис. канд. тех. наук. 05.13.10 / Султанова Светлана Нурисламовна. - Уфа. - 2008. - 19 с.

76. Темникова Е.А. Математическое и программное обеспечение поддержки принятия управленческих решений для организации дополнительного профессионального образования [Электронный ресурс]. - Режим доступа: https://sibsutis.ru/upload/iblock/58a/АВTOРЕФЕРАТ_Темникова.pdf (дата обращения 30.03.2018).

77. Тишина, Е.М. Повышение эффективности процесса обучения методами математического моделирования / Е.М. Тишина // Международный научно-исследовательский журнал. - 2013. - №1-2(8). - С. 43-44

78. Тулупьев, А. Л. Алгебраические байесовские сети. Логико-вероятностный подход / А. Л. Тулупьев. - СПб.: Наука, 2006. - 607 с.

79. Турчин, Г. Д. Основные направления совершенствования системы образования в России [Текст] / Г. Д. Турчин // Известия Саратовского университета. - 2012. - Т. 12, № 4. - С. 115-117.

80. Что такое эффективное обучение? [Электронный ресурс]. -Режим доступа: http://enutina.ru/blog/chto-takoe-effektivnoe-obuchenie/ (дата обращения 05.07.2018).

81. Шевченко, В.А. Прогнозирование успеваемости студентов на основе методов кластерного анализа / В.А. Шевченко // Вестник Харьковского национального автомобильно-дорожного университета. - 2015. - №68. - С.15-18.

82. Ясинский, И.Ф. Опыт прогнозирования успеваемости студентов при помощи нейросетевой технологии / И.Ф. Ясинский // Вестник ИГЭУ. - 2007. -№4.

83. Artificial neural networks applications [Электронныйресурс]. - Режим доступа: http://www.alyuda.com/products/forecaster/neural-network-applications.htm (дата обращения 10.02.2017).

84. A beginners guide to Bayesian network modelling for integrated catchment management [Электронный ресурс]. - Режим доступа:

http://www.utas.edu.au/__data/assets/pdf_file/0011/588467/TR_9_BNs_for_Integrated_ Catchment_Management.pdf (дата обращения 10.02.2017).

85. Arena. Simulation Software [Электронный ресурс]. - Режим доступа: https://www.arenasimulation.com/ (дата обращения 09.02.2017).

86. Arena (software) [Электронный ресурс]. - Режим доступа: https://en.wikipedia.org/wiki/Arena_(software) (дата обращения 09.02.2017).

87. Agbo, Igwe Sylvester. The Need For Introducing Decision Support System (DSS) In Nigerian Universities Management And Administration / Igwe Sylvester Agbo, Nwele Anamelechi Ogai // Information and Knowledge Management. - 2013. -V.3., №.10. - P.96-101.

88. Bresfelean, V.P. Higher Education Decision Making and Decision Support Systems / V.P. Bresfelean, N. Ghisou N. // Wseastransacrions on Advances in engineering education. - 2010. - V.7., Issue 2. - P. 43-52.

89. BOUML [Электронный ресурс]. - Режим доступа: http://www.predictiveanalyticstoday.com/bouml/ (дата обращения 09.02.2017).

90. Breiter, A. Decision Support Systems in Schools - from Data Collection to Decision Making / A. Breiter, D. Ligh // Proceedings of the Tenth Americas Conference on Information Systems. - 2004. - P. 2076-2082.

91. Business Process Modeling Notation (BPMN) [Электронныйресурс]. -Режимдоступа: http://searchcio.techtarget.com/definition/Business-Process-Modeling-Notation (дата обращения 09.02.2017).

92. Clustering Algorithm Applications [Электронный ресурс]. - Режим доступа: https://sites.google.com/site/dataclusteringalgorithms/clustering-algorithm-applications (дата обращения 08.02.2017).

93. Comparison of Free UML Tools [Электронный ресурс]. - Режим доступа:https://software-talk.org/blog/2014/05/comparison-of-free-uml-tools/#umltoolPapyrus (дата обращения 09.02.2017).

94. Data Mining - добыча данных [Электронный ресурс]. Режим доступа: https://basegroup.ru/community/articles/data-mining (дата обращения 09.09.2016).

95. Data Mining: классификация и регрессия. Машинное обучение [Электронный ресурс]. Режим доступа: http://bukvi.ru/computer/datami-ning-klassifikaciya-i-regressiya-mashinnoe-obuchenie.html (дата обращения 09.09.2016).

96. Deductor - описание аналитической платформы [Электронный ресурс]. -Режим доступа: http://bitconsulting.ru/product/olap/ (дата обращения 12.09.2016).

97. Deniz, D. An Academic Decision-Support System Based on Academic Performance Evaluation for Student and Program Assessment / D. Deniz, I. Ersan // Int. J. EngngEd. - 2002. - №18(2). - P.236-244.

98. Dole, L. A Decision Support System for Predicting Student Performance / L. Dole, J. Rajurkar // International Journal of Innovative Research in Computer and Communication Engineering. - 2014. -№ 2(12). - P.7332-7237.

99. Educational DataMining: - Режим доступа: https://habrahabr.ru/post/181053/ (дата обращения 15.09.2017)

100. Event-driven Process Chain Diagrams [Электронный ресурс]. - Режим доступа: http://www.conceptdraw.com/solution-park/business-process-EPC (дата обращения 10.02.2017).

101. Gorgan, V. Monitoring student performance. A data driven decision support system approach / V. Gorgan // SEA-practical Application of Science. - 2015. -№3(8). - P.135-140.

102. Introductionto Bayes Nets [Электронный ресурс]. - Режим доступа: https://www.norsys.com/tutorials/netica/secA/tut_A1.htm 20 (дата обращения 08.02.2017).

103. Khalid, A. Decision Support Systems (DSS) in Higher Education System / A. Khalid, P. Fakeeh // International Journal of Applied Information Systems. - 2015. -№15(2). - P.32-40.

104. Klein, J. The Contribution of a Decision Support System to Educational Decision-Making Processes / J. Klein, H. Ronen // Journal of Educational Computing Research. - 2003. - №28(3). - P.43-52.

105. Kostoglou, V. Analisis and design of a web-based decision support system for choosing higher education studies / V. Kostoglou, N. Ploskas, M. Tsantopoulou, V.

Tsantopoulou // Yugoslav Journal of Operations Research. - 2014. - №24(3). - P.399-414.

106. List of Modeling Language tools [Электронный ресурс]. - Режим Unified доступа: https://en.wikipedia.org/wiki/List_of_Unified_Modeling_Language_tools (дата обращения 09.02.2017).

107. Livieris, I. A decision support system for predicting students performance / I. Livieris, T. Mikropoulos, P. Pintelas // Themes in Science & Technology Education. -

2016. - №9(1). - P.43-57.

108. Modelio [Электронный ресурс]. - Режим доступа: http://www.predictiveanalyticstoday.com/modelio/ (дата обращения 01.03.2017).

109. Mundra, A. Decision Support System for Determining: Right Education Career Choice / A. Mundra, A. Soni, S. Kumar, P. Kumar // ICC. - 2014. - №16(1). -P.8-17.

110. Papyrus [Электронный ресурс]. - Режим доступа: http://www.predictiveanalyticstoday.com/papyrus/ (дата обращения 05.03.2017).

111. Powersim software. PowersimStudio 10 Editions [Электронный ресурс]. -Режим доступа: http://www.powersim.com/sitefiles/4053/dokumenter/PowersimStudio10Editions.pdf (дата обращения 05.03.2017).

112. Powersim software. About company [Электронный ресурс]. - Режим доступа: http://www.powersim.com/info/about/ (дата обращения 05.03.2017).

113. Pratiwi, D. Decision Support System to Majoring High School Student Using Simple Additive Weighting Method / D. Pratiwi, J. Lestari, A. Dewi // International Journal of Computer Trends and Technology. - 2014. - №10(3). - P.153-159.

114. Richard, A. A survey of educational data-mining research / A. Richard // Research in Higher Education Journal. - 2013. - №19(1). - P.1953-1965.

115. Slater, S. Tools for educational data mining: a review / S. Slater, S. Joksimovic, V. Baker, R. Baker // Journal of Educational and Behavioral Statistics. -

2017. - №42(1). - P.85-106.

116. Selected real-world applications [Электронный ресурс]. - Режим доступа: http://www.cbcb.umd.edu/~salzberg/docs/murthy_thesis/survey/node32.html (дата обращения 04.03.2017).

117. Tantisantisom, K. Decision Support Systems to Support International Students: Potential for Practice? / K. Tantisantisom, J. Clayden // EDU-COM International Conference. - 2008. - №5(1). - P.481-487

118. Tarun, I. Predictive Decision Support System for Licensure Examination Performance through Integration of Multiple Regression and PART Classification Models of Data Mining / I. Tarun, B. Gerardo, B. Tanguilig // International Journal of Modeling and Optimization. - 2014. - №4(5). - P.390-394.

119. Vinnik, S. Decision support system for managing educational capacity utilization in universities / S. Vinnik, M. Scholl // International Conference on Engineering and Computer Education. - 2005. - №6(2). - P.64-68.

120. Zorrilla, M. A Decision Support System to improve e-Learning Environments / M. Zorrilla, D. Garcia, E. Alvarez // Conference Proceedings of the 2010 EDBT. - 2010. - №9(1). - P.689-696.

ПРИЛОЖЕНИЕ А

Дерево решений удобно описывать графическим и табличным способом. На рисунке А.1 схематично показано дерево решения для исследуемой задачи. В узлах дерева решений записаны индивидуальные характеристики, по которым происходит разбиение входного множества на два подмножества, и пороговое условие.

ректЛ рект

Рисунок А.1 - Схематичное представление дерева решений

Запись ЛИХ1 = ПУ1 означает следующее:

- г - верхний индекс, определяющий номер узла, г = 1,2 ... п, где п -количество узлов в дереве;

- ЛИХ1 (лучшая индивидуальная характеристика) может принимать одно из значений последовательности |АЬ А2, ... Ап|;

- ПУ г (пороговое условие) равняется одному из возможных значений ЛИХ г. Например, запись ЛИХ 5 = ПУ5, где ЛИХ 5 = А10, ПУ5 = «нет» - означает,

что в 5-м узле разбиение входного множества происходит по условию А10 = «нет» (абитуриент не является иностранцем).

Если это условие выполняется, то происходит переход по ветке дерева, обозначенной T (true), в противном случае - по ветке F (false).

Пример дерева решений, состоящего из трех узлов и таблица, соответствующая ей, представлены ниже (рис. А.2, табл. А.1).

Рисунок А.2 - Пример дерева решений

Таблица А.1 - Табличное представление дерева решений

i ЛИХi ПУi

1 А10 нет

2 А1 нет

3 А5 да

ПРИЛОЖЕНИЕ Б

Графический интерфейс пользователя ИСППР «iWizard-E» представляет собой одно окно, содержащее две главные вкладки:

1. Анализ.

2. Прогностическая модель.

Прогностическая модель Анализ Дополнительные функции Рекомендации

Анализ Прогностическая поделв

Единичная запись | Множество записей |

Рисунок Б.1 - Рабочее окно ИСППР «iWizard-E»

Вкладка «Прогностическая модель» состоит из четырех вкладок: 1. Таблица:

1.1 содержит таблицу для вывода обучающего множества из файла;

1.2 содержит кнопку «Удалить дубликаты».

д д ............ ||

Прогностическая модель Анализ Дополнительные функции Рекомендации | Анализ_] Прогностическая модель |_

Номер правила ■ма Финзнсировг Курсы ЦДЛ Сирота татус документе Инвалид Медалист .ивидуальная < о| Целевой прием Год поступления Иностранец жончании учебн Тип учреж

1 328 Бюджет нет тег Оригикал ш нет нет 2011 нет Аттестат Школа

2 414 Бюджет нет Оригинал tó нет нет 2011 нет Аттестат Школа

3 328 Бюджет нет ier Оригинал гИ «Г нет нет 2011 нет Аттестат Школа

4 295 Бюджет нет Оригиил Да нет нет 2011 нет Диплом СПО

5 368 Бюджет нет нет Оригинал »и « нет нет 2011 нет Аттестат Школа

6 325 Бюджет нет Оригиил Да нет нет 2011 нет Аттестат Школа

7 328 Бюджет нет Ориг„™ ни нет нет 2011 нет Аттестат Школа

8 414 Бюджет нет ier Оригинал не, «т нет нет 2011 нет д™,„ Школа

9 368 Бюджет нет ter Оригинал т нет нет 2011 нет Аттестат Школа

10 386 Бюджет нет ет Оригинал да нй нет нет 2011 нет Аттестат Школа

11 414 Бюджет нет Оригинал «и нет нет 2011 нет Аттестат Школа

12 380 Бюджет нет Оригинал щ. Да нет нет 2011 нет Аттестат Школа

1В 442 Бюджет нет ет Копия »et не. нет нет 2011 нет Аттестат Школа

14 442 Бюджет нет ет Копия te нет нет 2011 нет Аттестат Школа

15 322 Бюджет нет ier Оригинал HCT нет нет да 2011 нет Аттестат Школа

16 356 Бюджет да <ег Оригинал „ет да нет нет 2011 нет Аттестат Школа

17 442 Бюджет нет +ет Копия ш нет нет 2011 нет Аттестат Школа

ю-Ш- -- ¡es.--—LEaaaa- """ ЭП11 Ат™тт 11

Удалить дубликаты

Рисунок Б.2 - Вкладка «Прогностическая модель»

2. Корреляционный анализ:

2.1 содержит элементы для выполнения корреляционного анализа, при помощи которых производится удаление малозначащих атрибутов;

2.2 содержит кнопку «Построить новое дерево»;

2.3 содержит таблицу для отображения результатов корреляционного анализа.

i

[ :;TLrl--j- модели Л| .1.

функции Рекомендации

■Win--. Прогностичеошя модель

.,: w -i I Коррелчшноньшй at

Дерево | Правила \

Применить корреляцию

Статус документов Год поступления Документ об Тип учреждения Форма обучения Направление подготовки

учебного заведения

0,19997 0.09298 0,11669 -0.1044 0,0S352

Статус документе Год поступлен^ я жончани учебн Тип учреждения Фор и а обучения эавлениеподгот, Резул -

1 Оригинал 2011 Аттестат Школа Очи я 6а кал а в.., НП_27,03Я5 Окончил очну... ш

2 Оригинал 2011 Аттестат Школа Очи |я бакалав.., НП_11.03Л2 Окончил очну...

3 Оригинал 2011 Аттестат Школа Очи я бакалав.., НП.27,03,05 Окончил очну...

4 Оригинал 2011 Диплом СПО Очн л бакалав.., НП_09,03,01 Окотил очку...

5 Оригинал 2011 Аттестат Школа Очн я бакалав... НП 09.03.03 Окончил

6 Оригинал 2011 Аттестат Школа Очн ut бакалав.., НП.27ЛЗЛ5 Окончил •....... '

1 Оригинал 2011 Аттестат Школа Очн la бакалав.., НП_27,03,05 Окотил очну...

8 Оригинал 2011 Дт™ Школа Очн я бакалав... НП_11 Л3.02 Окончил очну...

9 Оригинал 2011 Аттестат Школа Очн я бакалав.., НП09ЛЗЙЗ Окончил очну,..

10 Оригинал 2011 Аттестат Школа Очн ut бакалав.., НП.27ЛЗЛ5 Окончил очну,..

11 Оригинал 2011 Аттестат Школа Очн я бакалав.., НП_11.03,02 Окончил заоч...

12 Оригинал 2011 Аттестат Школа Очн я бакалав... НП_09.03.01 Окончил очну...

13 Копия 2011 Аттестат Школа Очн я бакалав.., НП.09ЛЗД1 Не Оконч ил

Рисунок Б.3 - Вкладка «Корреляционный анализ» 3. Дерево. Содержит пространство для представления построенной прогностической модели в виде дерева.

Анализ Прогностическая модель

Таблица I Корреляционный ai

Дерево I Правила

Условие - ЕСЛИ

* True - Форма обучения==3аочная бакалавриат? * True - Год постуш1ения= =2011?

Л True - Направление подготовки==НП_09,03,02?

* True - Пол==Мужской?

TFue - Сирота==да? Л False - Сирота—да?

True - Тигт учреждения—111 кол а?

* False - Тип учреждения==Школа?

True - Тип учреждения—НПО? False - Тип учреждения—НПО? False - Пол==Мужской?

True - Статус документов==Оригинал? False - Статус документов—Оригинал? * False - Направление подготовки= = НП_09.03.02?

* True-Стажработы==0?

True - Пол ==Мужской?

* True - Направление подготовки—НП_09.03.01?

* True - Документ об окончании учебного заведения==Диплом?

* True - Медалист==нет?

True - Курсы ЦДЛ—нет? False - Курсы ЦДЛ—нет?

* False - Медалист==нет?

True -Тип учреждения—Школа? False - Тип учреждения—Школа?

* False - Документ об окончании учебного заведения==-Диплом?

True - Курсы ЦДП==да?

Поддержка

Вер.

Не окончил 0.0382 100.0

Не окончил 0.0382 100.0

Не окончил 0.0382 100.0

Окончил заочную форму бакалавриат 0.72574 100.0

Не окончил 0.11459 66,66667

Не окончил 0.0382 100.0

Не окончил 0.99312 65,38462

Окончил заочную форму бакалавриат 0.0382 100.0

Не окончил 0.0382 100.0

Окончил заочную форму бакалавриат 0.11459 100.0

Окончил заочную форму бакалавриат 0.11459 66,66667

Рисунок Б.4 - Вкладка «Дерево»

4. Правила. Содержит таблицу для представления построенной прогностической модели в виде набора правил.

EJ ¡VWnrd-E "

Прогностическая модель Анализ Дополнительные фикции Рекомендации Анализ Прогностическая модель _

Таблица | Корреляционный анализ j Дерево 1 Правила |

Номер правила Условие Показатель Знак Значение Следствие Результат Поддержка Кол-во % Вероятность Кол-во % □

Форма обучен,,. = = Заочная 6акал,,.

Год поступления 2011

1 Направление... = НП_09,03,02 0.0382 1 100,0

Пол = Мужской

Сирота - нет

Тип учреждения = = Школа

Форма обучен,,. Заочная бакал,,.

Год поступления т 2011

Направление... НП_09,03.02

2 Пол Мужской Не окончил 1 0,0382 1 ÍOOJO

Сирота ----- нет

Тип учреждения != Школа

Тип учреждения == НПО

Форма обучен ,. Заочная бакал,,.

Год поступлении = 2011 -

Рисунок Б.5 - Вкладка «Правила» Вкладка «Анализ» состоит из двух вкладок:

1. Множество записей. Содержит таблицу для вывода выработанных рекомендаций в случае обработки множества записей.

13 ¡Wizard-E

Прогностическая модель Анализ Дополнительные функции Рекомендации Анализ | дря^оичеькдм нрдель |_

Единичная запись ¡ Множество записей _

iучебн Тип учреждения Стаж работы Гражданство Пол Форма обучения давление подгот« Прогноз Поддержка Вероятность Лифт '

1 Школа 0 РФ Женский Очная бакалав... НП_27,03.05 Окончил очну,.. 0.00917 0,83333 0.02427

2 ш«™ 0 РФ Мужской Очная бакалав... НП_11,03.02 Не окончил 0,04163 0,57798 0.05493

3 Школа 0 РФ Женский Очная бакалав... НП.27.03.05 Окончил очну,.. 0,00917 0,83333 0 Л 2427

4 СПО 0 РФ Мужской Очная бакалав... НП_09,03Ш Окончил очну,.. 0,00033 1Л 0.00121

5 Школа 0 РФ Женский Очная бакалав... НП_09,03.03 Окончил очну,.. 0.00573 0,8 0.01456

6 Школа 0 РФ Женский Очная бакалав... НП_27,03.05 Окончил очну,.. 0,00306 0,75 0.00728

7 Школа 0 РФ Женский Очная бакалав... НП_27,03.05 Окончил очну,.. 0.00917 0,83333 0 Л 2427

8 Школа 0 РФ Мужской Очная бакалав... HFU1.03J02 Не окончил 0,04163 0,57798 0.05493

9 Школа 0 РФ Женский Очная бакалав... НП_09,03.03 Окончил очну,.. 0.00573 0,3 0.01456

10 ш«™ 0 РФ Мужской Очная бакалав... НП_27,03.05 Окончил очну,.. 0,00076 1.0 0.00243

11 Школа 0 РФ Мужской Очная бакалав... НП_11,03.02 Не окончил 0,04163 0,57798 0 Л5493

12 Школа 0 РФ Мужской Очная бакалав... НП_09,03Ш Окончил очну,.. 0,00229 1Л 0.00728

13 Школа 0 РФ Женский Очная бакалав... НП_09,03.01 Не окончил 0.00726 1Л 0.01656

14 Школа 0 РФ Женский Очная бакалав... НП_09,03.01 Не окончил 0,00726 1,0 0Л1656

i ni | ►

Рисунок Б.6 - Вкладка «Множество записей»

2. Единичная запись. Содержит две группы элементов:

1. поля и выпадающие списки для ручного ввода значений входных (независимых) переменных;

2. поля и кнопки для выработки и вывода рекомендаций.

Рисунок Б.7 - Вкладка «Единичная запись» Кроме этого в окне расположено меню, состоящее из четырех частей: 1. Прогностическая модель. Содержит следующие подпункты:

- создать модель;

- загрузить модель;

- сохранить модель;

- сохранить модель в виде дерева.

^ йМгага-Ё

Прогностическая модель Анализ

Создать модель

Сохранить модель

Загрузить модель

Сохранить модель е виде дерева

Рисунок Б.8 - Меню «Прогностическая модель»

2. Анализ. Содержит следующие подпункты:

- открыть файл;

- загрузить из БД;

- сохранить результаты;

- сохранить результаты корреляционного анализа;

- сохранить все попытки единичного анализа;

- сохранить обучающую таблицу;

- авторедактирование.

Рисунок Б.9 - Меню «Анализ» 3. Дополнительные функции. Содержит следующие подпункты:

- автоматический выбор критерия разбиения;

- качество модели;

- сброс.

Рисунок Б.10 - Меню «Дополнительные функции

»

4. Рекомендации.

Описание элементов интерфейса ИСППР «iWizard-E».

Вкладка «Прогностическая модель» предназначена для построения прогностической модели.

При построении модели открывается диалоговое окно с выбором критерия разбиения (рис. Б 11), либо выбирается пункт «Автоматический выбор критерия разбиения» в меню «Дополнительные функции» (рис. Б.12).

Рисунок Б.11 - Окно выбора критерия разбиения

Рисунок Б.12 - Результат применения автоматического выбора критерия

разбиения

Вкладка «Таблица» предназначена для отображения файла, содержащего обучающее множество в виде таблицы.

Кнопка «Удалить дубликаты» предназначена для удаления повторяющихся записей из обучающего множества.

Вкладка «Корреляционный анализ» предназначена для проведения корреляционного анализа и отображения его результатов.

Элемент «Ползунок» предназначен для задания уровня порога значимости. Поле справа от вышеупомянутого элемента предназначено для отображения текущего уровня порога значимости.

Кнопка «Применить корреляцию» предназначена для удаления незначащих атрибутов из набора.

Кнопка «Построить новое дерево» предназначена для построения прогностической модели для модифицированного набора данных.

Вкладка «Дерево» служит для вывода построенной прогностической модели в формате дерева.

Вкладка «Правила» содержит таблицу для представления построенной прогностической модели в виде набора правил. Для каждого из правил рассчитывается и выводится значения поддержки, вероятности и лифта.

Вкладка «Анализ» содержит элементы, предназначенные для выработки рекомендации.

Вкладка «Множество записей» предназначена для отображения анализируемого набора данных и результатов прогнозирования.

Кнопка «Прогноз» запускает процесс прогнозирования.

Вкладка «Единичная запись» предназначена для задания, отображения и прогнозирования результатов в случае обработки единичной записи. Содержит две группы элементов:

1. поля и выпадающие списки для ручного ввода значений входных (независимых) переменных;

2. поля и кнопки «Получить результат» для выработки и вывода рекомендаций.

Помимо самих рекомендаций выводится информация об их поддержке, вероятности и лифте.

Меню «Прогностическая модель»:

Пункт «Создать модель» предназначен для загрузки файла с исходными данными (обучающее множество), на основе которого будет создана прогностическая модель. Поддерживаются форматы .1x1 и .е8У.

Пункт «Загрузить модель» предназначен для загрузки ранее созданной прогностической модели.

Пункт «Сохранить модель» предназначен для сохранения созданной прогностической модели.

Пункт «Сохранить модель в виде дерева» предназначен для сохранения

созданной прогностической модели в альтернативном формате (рис. Б.13)

Рисунок Б.13 - Отображение модели в виде дерева

Меню «Анализ»:

Пункт «Открыть файл» предназначен для загрузки данных, которые будут анализироваться при помощи текущей прогностической модели (обработка множества записей). Поддерживаются форматы .1x1 и .е8У.

Пункт «Загрузить из БД» предназначен для загрузки данных из БД «Абитуриент».

Рисунок Б.14 - Окно загрузки данных из БД

Пункт «Сохранить результаты» предназначен для сохранения в файл табличной информации из активной вкладки.

А В С D Е F G н 1 , 1 к 1 м N o Р Q s 1 т и

1 Форма Фр Курсы ЦП Сирота Статус до1 Инвалид Медалист Индивид1) Целевой Год посту Иностран Документ Тип учрея Стаж рабе Граждане Пол Форма об Направле Прогноз Поддерж! Вероятно Лифт

2 Бюджет нет нет Оригинау нет нет нет нет 2011 нет Аттестат Школа 0 РФ Женский Очная ба! НП_27.03. Окончил очную 0.00917 0.83333 0.02427

3 Бюджет нет нет Оригинау нет нет нет нет 2011 нет Аттестат Школа 0 РФ Мужской Очная баг НП11.03. Окончил очную (0.04163 0.57798 0.05493

4 Бюджет нет нет Оригинау нет нет нет нет 2011 нет Аттестат Школа 0 РФ Женский Очная ба! НП 27.03. Окончил очную«0.00917 0.83333 0.02427

5 Бюджет нет нет Оригинау нет да нет нет 2011 нет Диплом СПО 0 РФ Мужской Очная ба! НП 09.03. Окончил очную (0.00038 1.0 0.00121

6 Бюджет нет нет Оригинау нет нет нет нет 2011 нет Аттестат Школа 0 РФ Женский Очная ба! НП_09.03. Окончил очную 0.00573 0.8 0.01456

7 Бюджет нет нет_Оригинал нет_[да_нет нет 2011 нет Аттестат Школа 0 РФ Женский Очная баг НП_27.03. Окончил очную (0.00306 0.75 0.00728

S Бюджет нет нет Оригинау нет нет нет нет 2011 нет Аттестат Школа 0 РФ Женский Очная ба! НП 27.03. Окончил очную (0.00917 0.83333 0.02427

9 Бюджет нет нет Оригинау нет нет нет нет 2011 нет Аттестат Школа 0 РФ Мужской Очная ба! НП11.03. Окончил очную 0.04163 0.57798 0.05493

10 Бюджет нет нет Оригинау нет нет нет нет 2011 нет Аттестат Школа 0 РФ Женский Очная ба! НП_09.03. Окончил очную 0.00573 0.8 0.01456

11 Бюджет нет нет Оригинау да нет нет нет 2011 нет Аттестат Школа 0 РФ Мужской Очная баг НП 27.03. Окончил очную < 0.00076 1.0 0.00243

12 Бюджет нет нет Оригинау нет нет нет нет 2011 нет Аттестат Школа 0 РФ Мужской Очная ба! НП11.03. Окончил заочну! 0.04163 0.57798 0.05493

13 Бюджет нет нет Оригинау нет да нет нет 2011 нет Аттестат Школа 0 РФ Мужской Очная ба! НП 09.03. Окончил очную 0.00229 1.0 0.00728

14 Бюджет нет нет Копия нет нет нет нет 2011 нет Аттестат Школа 0 РФ Женский Очная баг НП_09.03. Не окончил 0.00726 1.0 0.01656

15 Бюджет нет нет Копия нет нет нет нет 2011 нет Аттестат Школа 0 РФ Женский Очная ба! НП_09.03. Не окончил 0.00726 1.0 0.01656

16 Бюджет нет нет Оригинау нет нет нет да 2011 нет Аттестат Школа 0 РФ Женский Очная ба! НП11.03. Окончил заочну! 0.00153 0.5 0.0035

17 Бюджет да нет Оригинау нет да нет нет 2011 нет Аттестат Школа 0 РФ Женский Очная ба! НП_11.03. Не окончил 0.00038 1.0 0.00087

18_ Бюджет нет нет Копия нет нет нет нет 2011 нет Аттестат Школа 0 РФ Женский Очная баг НП_11.03. Не окончил 0.00726 1.0 0.01656

19 Бюджет нет нет Копия нет да нет нет 2011 нет Аттестат Школа 0 РФ Женский Очная ба! НП_11.03. Не окончил 0.00726 1.0 0.01656

20 Бюджет нет нет Оригинау нет нет нет нет 2011 нет Аттестат Школа 0 РФ Мужской Очная ба! НП11.03. Не окончил 0.04163 0.57798 0.05493

21 Бюджет нет нет Оригинау нет да нет нет 2011 нет Аттестат Школа 0 РФ Мужской Очная ба! НП_09.03. Окончил очную 0.00229 1.0 0.00728

22 Бюджет нет нет Копия нет_нет_нет нет 2011 нет Аттестат Школа 0 РФ Мужской Очная баг НП_09.03. Окончил заочну! 0.00306 0.75 0.00523

23 Бюджет нет нет Копия нет_нет_нет нет 2011 нет Аттестат Школа 0 РФ Мужской Очная ба! НП 0Э.03. Не окончил 0.00306 0.75 0.00523

24 Бюджет нет нет Копия нет нет нет нет 2011 нет Аттестат Школа 0 РФ Мужской Очная ба! НП 09.03. Не окончил 0.00306 0.75 0.00523