Введение 8
1 Аналитическая часть 10
1.1 Проблема отбора абитуриентов и прогнозирования успешности обучения в
магистратуре 10
1.2 Методики процесса отбора абитуриентов 11
1.3 Методы анализа данных и выявления закономерностей 20
1.3.1 Корреляционный анализ 20
1.3.2 Искусственные нейронные сети 21
1.3.3 Классификация данных 23
1.3.4 OLAP технология 25
1.3.5 Экспертные системы 27
1.4 Постановка задачи 29
1.5 Выводы по разделу 30
2 Разработка методики оценивания наблюдаемых результатов обучения магистратуры 31
2.1 Разработка параметрической модели абитуриента 31
2.1.1 Выявление параметров, влияющих на эффективность отбора абитуриентов 31
2.1.2 Параметризация анкеты 33
2.1.3 Параметризация вступительного теста 33
2.2 Выявление закономерностей 36
2.2.1 Оценка значимости показателей абитуриента на приёмных испытаниях 36
2.2.2 Корреляционный анализ 39
2.2.3 Анализ классов 42
2.2.4 Многомерный анализ 44
2.3 Разработка методики вступительных испытаний на основании прогнозирования 46
2.4 Выводы по разделу 48
3 Эксперимент 49
3.1 Параметризация модели абитуриента по направлению «информатика и
вычислительная техника» 49
3.2 Эксперимент 51
3.3 Выводы по разделу 54
Заключение 55
Список использованных источников 57
Россия входит в состав государств с огромным образовательным резервом. Для того, чтобы образование в ВУЗах соответствовало международному, было принято решение перейти на двухуровневую систему: базового и последипломного образования. В соответствии с Болонским процессом на замену специалитета пришли два уровня - бакалавриат и магистратура. Бакалавриат призван удовлетворять массовый спрос на высшее образование, магистратура — способствовать формированию профессиональной элиты. После данного перехода возрос спрос на магистерские программы. Важным этапом является эффективное управление процессом отбора абитуриентов при переходе с одного уровня на другой. При решении задачи отбора абитуриентов в магистратуру МБК ПФКТ Железногорска следует учитывать не только степень подготовки на предыдущем уровне обучения, но и направленность кафедры на базовое пред¬приятие АО «Информационные спутниковые системы» имени академика М.Ф.Решетнёва. Целью МБК ПФКТ является подготовка высококвалифицированных специалистов для предприятия в области информационных технологий.
Целью магистерской работы является повышение качества работы приёмной комиссии за счет применения методики отбора абитуриентов в магистратуру по результатам вступительных испытаний и прогнозирования результатов обучения.
Для достижения данной цели необходимо решить следующие задачи:
- провести анализ существующих методик отбора претендентов и выявить их недостатки;
- разработка параметрической модели абитуриента;
- выявления закономерностей обучения;
- разработка методики прогнозирования результатов обучения;
- проведение эксперимента на базе приёмной комиссии магистратуры и обработка полученных данных;
- разработка рекомендации для приёмной комиссии.
В исследовании были применены общенаучные и экспериментальные методы: исторический анализ, теоретический анализ проблемы и объекта исследования; анкетирование, тестирование, сравнение, моделирование, статистическая обработка.
Научная новизна исследования состоит в разработке автоматизированной комплексной методики отбора абитуриентов и прогнозирования успешности обучения в магистратуре.
Практическая значимость работы заключается в повышении качества работы приёмной комиссии путём разработки экспертной системы на прецедентах и предложение системы рекомендаций для приёмной комиссии МБК ПФКТ.
Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка использованных источников.
В первой главе рассмотрены проблемы отбора абитуриентов, существующие методики, а также методы анализа данных и выявления закономерностей обучения. Определены задачи, которые необходимо решить для достижения поставленной цели.
Во второй главе разработана параметрическая модель абитуриента, выявлены закономерности обучения и описана методика прогнозирования успешности обучения.
В третьей главе описан эксперимент отбора и прогнозирования успешности обучения абитуриентов поступающих в магистратуру МБК ПФКТ.
Работа основана на базе применения экспертных систем на прецедентах.
В современном обществе повышение интереса к получению высшего образования и повышения квалификации различными способами, привело к появлению проблемы не достаточно эффективного отбора абитуриентов. Однако существующие на сегодняшний момент методики имеют ряд недостатков, в числе которых можно назвать недостаточную проработку прогнозирования успешности обучения принятого магистранта.
В данной работе было проведено исследование показателей абитуриентов на вступительных испытаниях, влияющих на эффективность отбора в магистратуру. Полученные результаты позволили достичь цели исследования, а именно - повышение качества работы приёмной комиссии за счет применения методики отбора абитуриентов в магистратуру по результатам вступительных испытаний и прогнозирования результатов обучения. Для достижения данной цели были решены следующие задачи.
Разработана параметрическая модель абитуриента с 63 показателями. Бы¬ли выявлены параметры, влияющие на эффективность отбора в магистратуру. Параметризованы анкета и вступительный тест.
Выявлены закономерности обучения магистрантов. Для поиска закономерностей применялся метод: корреляционного анализа, классификация данных, многомерный анализ. Также использовалась ИНС для оценки значимости показателей абитуриента.
Предложена методика вступительных испытаний на основании прогнозирования успешности обучения, с использованием экспертных систем на прецедентах, включающая в себя 6 этапов: сбор анкетных данных абитуриента, тестирование знаний и компетенций, собеседование, сбор экспертных мнений членов приёмной комиссии, прогнозирование результатов обучения и обсуждение рекомендаций системы и принятие решений членами приёмной комиссии.
Апробирована методика отбора абитуриентов в магистратуру по результатам вступительных испытаний и прогнозирования результатов обучения на базе приёмной комиссии кафедры МБК ПФКТ. Эксперимент показал, что прогноз системы для абитуриентов 2015 года на 91% совпал с фактическим списком магистрантов, выходящих на защиту выпускной квалификационной работы студентов. Результаты прогноза успешности обучения принятых в 2016 году абитуриентов уже на 20% подтвердился и будет полностью проверен к окончанию их обучения в 2018 году.
Таким образом, можно говорить о перспективе использования методики отбора абитуриентов в магистратуру по результатам вступительных испытаний и прогнозирования результатов обучения. Это позволит повысить качества работы приёмной комиссии в магистратуре.
По теме работы была опубликована 1 статья в сборниках трудов научных конференций [25].
1 Гитман, М. Б. Готовность к инновационной деятельности как фактор профессионального отбора в аспирантуру / М. Б. Гитман, Е. К. Гитман, В. Д. Черкасов // Регионология. - 2009. - № 2. - С. 194-202.
2 Гитман, М. Б. Организация приема в аспирантуру в условиях двух-ступенчатого образования / М. Б. Гитман, Е. К. Гитман, Н. Н. Матушкин // Эко¬номика образования. - 2008. - № 1. - С. 66-71.
3 Сенашенко, В. С. Модернизация послевузовского профессионального образования / В. С. Сенашенко, С. В. Пахомов, А. Б. Клейменов // Высшее об¬разование в России. - 2004. - №1 2. - С. 25-31.
4 Гаврилов А. В. Гибридная экспертная система для профориентации/ Гаврилов А. В.// Сборник научных трудов НГТУ: матер. междун. научн.-практ. конф. - Новосибирск: НГТУ, 1997. - № 3(8). - С. 123-132.
5 Гитман, М. Б. Об одном подходе к контролю уровня сформированно¬сти базовых компетенций выпускников вуза / М. Б. Гитман, А. Н. Данилов, В. Ю. Столбов // Высшее образование в России. - 2012. - № 4. - С. 13-18.
6 Грачинина, О. А. Технология оценки потенциала исследовательской компетенции поступающих в магистратуру / О. А. Грачинина, С. А. Езопова // Герценовские чтения. Начальное образование. Том 1. Начальное образование современной России, Москва: Физматлит, - 2010. - С. 305-312.
7 Васильева, Т. В. Подготовка магистров математики в Дальневосточ-ном государственном техническом университете / Т. В. Васильева // Труды Дальневосточного государственного технического университета. - 2005. - № 139. - С. 50-53.
8 Хлопов, И. С. Подготовка бакалавров и магистров в Самарском госу¬дарственном архитектурно-строительном университете / И. С. Хлопов // Фун¬даментальные исследования. - № 6. - 2007. - С. 106-107.
9 Родионова, Е. М. Национальная доктрина и направления модерниза¬ции системы послевузовского профессионального образования / Е. М. Родио¬нова // Аграрный вестник Урала. - 2008. - № 10. - С. 30-33.
10 Ведерникова, Л. В. Организация научно-исследовательской работы студентов как условие эффективности послевузовского образования / Л. В. Ве¬дерникова, О. А. Поворознюк // Сибирский педагогический журнал. - 2010. - № 3. - С. 98-103.
11 Бобинкин, С. А. Влияние психологических аспектов менеджмента на качество сервиса в туристических компаниях / С. А. Бобинкин, В. А. Каращан // Сервис в России и за рубежом. - 2008. - № 1. - С. 74-80.
12 Тархов, С. В. Метод оценки соответствия уровня подготовки специа¬листа требованиям рынка труда / С. В. Тархов, Ю. Р. Шагиева // Современные проблемы науки и образования. - 2012. - № 2. - С. 18-32. Режим доступа: http://www.science-education.ru/102-5934.
13 Миронова, Е. В. Применение кейс-метода для оценки персонала при устройстве на работу / Е. В. Миронова // Ученые записки Орловского государ¬ственного университета. Серия: Гуманитарные и социальные науки. - 2012. - № 5. - С. 374-377.
14 Бююль, А. Искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей: Пер. с нем. / А. Бююль, Цёфель П. — Санкт-Петербург: ДиаСофтЮП, 2005. — 608 с.
15 Смолин, Д. В. Введение в искусственный интеллект: конспект лекций / Д. В. Смолин. - Москва: ФИЗМАТЛИТ, 2005. — 208 с.
16 Девятков, В. В. Системы искусственного интеллекта: учебное посо-бие для вузов / В. В. Девятков. - Москва: МГТУ им. Н. Э. Баумана, 2001.
352 с.
17 Круглов, В. В. Нечеткая логика и искусственные нейронные сети / В. В. Круглов, М. И. Дли, Р. Ю. Голунов. - Москва: Физматлит, 2000. - 224 с.
18 Чубукова, И. A. Data Mining: учебное пособие / И. А. Чубукова.- 2-е изд., испр. — Москва: БИНОМ, 2008. — 382 с.
19 Дюк, В. A. Data Mining: учебное пособие / В. А. Дюк, А. П. Самой-ленко.— Санкт-Петербург: Питер, 2001. — 386 с.
20 Брандт 3. Анализ данных. Статистические и вычислительные методы для научных работников и инженеров: Пер. с англ. / 3. Брандт. - Москва: Мир, 2003. - 686 с.
21 Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP / А. А. Барсегян, M. С. Куприянов, В. В. Степаненко, И. И. Холод. - Санкт-Петербург: БХВ-Петербург, 2007. - 384 с.
22 Туманов, В. Е. Проектирование хранилищ данных для систем бизнес- аналитики / В. Е. Туманов // Международный журнал экспериментального об¬разования. - 2013. - № 5. - С. 74-76.
23 Гаврилова, Т. А. Базы знаний интеллектуальных систем / Т.А. Гаври¬лова, В.Ф. Хорошевский.- Санкт-Петербург: Питер, 2001. — 658 с.
24 Шаталов, К. Г. Методическое обеспечение работы приёмной комис-сии магистратуры на основе анализа статистики обучения / К. Г. Шаталов, В.
A. Углев // Наука и инновации в XXI веке: матер. IV междун. научн.-практ. конф. - Пенза: МЦНС Наука и просвещение, 2017. - С. 129-132.
25 Беспалько, В. П. Обучение и образование с участием компьютеров /
B. П. Беспалько. - Воронеж: МОДЭК, 2002. - 352 с.
26 Углев, В. А., Добронец Б. С. Методика автоматизированного измере¬ния и оценки уровня развития компетентностей // Информатика и образование. - № 2. - 2017. - С. 61-65.
27 Лазарсфельд, П. Ф. Логические и математические основания латент-ноструктурного анализа // Математические методы в современной буржуазной социологии. - Москва: Прогресс, 1966. - С. 344-401.