Электронный научный журнал
Современные проблемы науки и образования
ISSN 2070-7428
"Перечень" ВАК
ИФ РИНЦ = 0,737

ОЦЕНОЧНАЯ ФУНКЦИЯ И НЕЙРОННАЯ СЕТЬ ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ПРИЕМЕ В ВУЗ НА ВТОРОЙ И ПОСЛЕДУЮЩИЕ КУРСЫ

Овчинкин О.В. 1 Пыхтин А.И. 1 Емельянов С.Г. 1
1 ФГБОУ ВПО «Юго-Западный государственный университет»
Современное законодательство противоречиво и не достаточно жестко регламентирует особенности процедуры приема на второй и последующий курсы, включающей все возможные способы пополнения контингента студентов после приема на 1 курс. В работе предложена специальная оценочная функция и нейронная сеть для ранжирования претендентов в ходе рассматриваемого процесса. Оценочная функция отличается тем, что для расчета ее значений используются не только результаты аттестационных или вступительных испытаний, но и успеваемость претендента и его достижения в научной, творческой, общественной и спортивной деятельности. Для сопоставления претендентов по «портфолио» предложено использовать нейронную сеть. Приведена топология нейронной сети и описан алгоритм ее получения. Обучение сети произведено на основании специальной выборки, полученной на основе анализа статистических данных и искусственно сгенерированных примеров. Для визуализации результатов сравнения претендентов создано соответствующее программное обеспечение. Произведено сопоставление значений оценочной функции и успеваемости претендентов после перевода, которое выявило наличие линейной зависимости между этими показателями, что подтверждает адекватность использования предложенных инструментов.
нейронная сеть
оценочная функция
приём в вуз на второй и последующий курсы
1. Дорохов Д. С. Анализ результатов оценивания вступительных испытаний при приеме в магистратуру [Электронный ресурс] / Д. С. Дорохов, О. В. Овчинкин, С. Г. Емельянов // Экономика и социум: Электронное научн.-практ. периодическое издание. – Саратов: Институт управления и социально-экономического развития, 2013. – №3(8). – Режим доступа: http://www.iupr.ru/domains_data/files/zurnal_osnovnoy_3_8_2013/Dorohov%20D. S. Informacionnye%20i%20kommunikativnye%20tehnologii.pdf. – Загл. с экрана.
2. Овчинкин О. В. Алгоритм процесса управления приемом лиц на второй и последующие курсы в вузах / О. В. Овчинкин, А. И. Пыхтин, И. П. Емельянов // Известия ЮЗГУ. – Курск, № 1(46), 2013. – С. 34-39.
3. Овчинкин О. В. Об использовании претендентами возможности множественного выбора специальностей и направлений подготовки в заявлении при приеме в вуз на второй и последующие курсы / О. В. Овчинкин, А. И. Пыхтин // Наука и образование в XXI веке: Сборник научных трудов по материалам Международной научно-практической конференции (Москва, 1 апреля 2013 г.): В 6 ч. Ч. V. Мин-во обр. и науки. – М.: АР-Консалт, 2013. – 143 с. – C. 41-43.
4. Овчинкин О. В. Особенности использования множества упорядоченных по приоритету направлений подготовки в заявлении претендентов при проведении конкурсного отбора для зачисления в вуз на второй и последующие курсы / О. В. Овчинкин, А. И. Пыхтин // Информационно-коммуникационное пространство и человек: Материалы III междунар. научн.-практ. конф. (Прага, 15-16 апреля 2013 г.). – Прага: Vedecko vydavatelske centrum “Sociosfera-CZ”, 2013. – 174 с. – С.137-139.
5. Овчинкин О. В. Проблема аттестации претендентов при зачислении на второй и последующие курсы / О. В. Овчинкин, А. И. Пыхтин // Новые информационные технологии в образовании: Материалы VI междунар. научн.-практ. конф. (Екатеринбург, 12–15 марта 2013 г.). – ФГАОУ ВПО «Рос. гос. проф.-пед. ун-т», Екатеринбург, 2013. – 390 с. – С. 233-235.
6. Программа для управления документооборотом и поддержки принятий решений при приеме граждан на второй и последующий курсы [Текст]: а. с. 2013611295 Российская Федерация: Роспатент / О. В. Овчинкин, А. И. Пыхтин (РФ). – №2013611295; заявл. 13.12.2012; опубл. 09.01.2013.
7. Пыхтин А. И. Метод и алгоритм решения задачи конкурсного отбора и зачисления в вуз / А. И. Пыхтин, Е. А. Спирин, И. С. Захаров // Телекоммуникации. – М., 2008. – № 5. – С. 12-19.

Введение

Одним из процессов в рамках деятельности любого вуза является процедура приема на второй и последующие курсы. Законодательство в этой области постоянно изменяется и при этом содержит ряд противоречий, поэтому соблюдение нормативной базы на практике ставит перед образовательными организациями дополнительные трудности.

Составляющими процесса приема в вуз на второй и последующие курсы [4] выступают различные процедуры, например, перевод лиц из другого учреждения, с другой специальности, переход с внебюджетной на бюджетную основу обучения, восстановление отчисленных по уважительной причине студентов. Все кандидаты на прием, задействованные в указанных процедурах, претендуют на одни и те же вакансии, образовавшиеся после отчисления студентов в период обучения, поэтому необходимо рассматривать все варианты в совокупности, ранжировав претендентов в соответствии с их уровнем подготовленности к продолжению образования.

Цель исследования

Целью исследования является создание инструментов для определения претендентов, наиболее подготовленных к продолжению образования, из числа лиц, подавших заявление на прием на второй и последующие курсы, которые позволили ли бы в комплексе учитывать как результаты аттестационных или вступительных испытаний, так и успеваемость кандидатов и их «портфолио».

Материал и методы исследования

Сущность процесса приема на второй и последующие курсы заключается в том, чтобы распределить множество претендентов () на множество имеющихся вакансий (). Каждый из претендентов участвует в конкурсе на некоторую совокупность вакансий из множества (,). Претендент упорядочивает вакансии из в соответствии со своими предпочтениями [3], т. е. каждой ставится в соответствие ее приоритет – целое неотрицательное число , причем для всех и , для любых , . Каждой группе вакансий соответствует формализованное представление группы требований , где , выполнение которых необходимо для получения права кандидату претендовать на вакансии [7]. Успеваемость претендента до момента перевода (зачисления) характеризуется вектором оценок .

Чтобы ранжировать кандидатов, предлагается для каждой конкурсной позиции претендента рассчитывать значение оценочной функции: ,

где – количественная оценка выполнения претендентом требования из множества ; может быть равно нулю, например, для случая восстановления ранее отчисленного студента; – весовой коэффициент k-го показателя из множества требований ; – функция оценки результатов предыдущей аттестации претендента; – максимально возможный балл, назначаемый за результаты предыдущей аттестации претендента; – оценка «портфолио» кандидата, т. е. индивидуальных достижений и способностей претендента к научной, творческой, физкультурно-спортивной и иной деятельности, вычисляется с помощью нейронной сети и алгоритма, приведенного ниже; – максимально возможный балл, назначаемый за «портфолио» кандидата. Например, при приеме на 1 курс с 2014 года Минобрнауки России планирует установить ; – функция, определяющая законодательно утвержденный порядок ранжирования претендентов; – двоичный признак выполнения или невыполнения кандидатом k-го условия из множества . Если условие выполнено претендентом, то , в противном случае – .

Значение функции , по своей сути это слагаемое определяет приоритеты определенных категорий претендентов перед другими кандидатами. Например, в соответствии с действующим в России порядком для случая перехода студентов с платного обучения на обучение за счет бюджетных средств, , где – претендент, сдавший экзамены за два предшествующих семестра обучения только на оценку «отлично», – претендент из числа детей-сирот, – претендент, лишившийся одного или обоих родителей в процессе обучения.

Функция оценки результатов предыдущей аттестации претендента рассчитывается следующим образом: ,

где – вектор с оценками по результатам предыдущей аттестации претендента по предметам и дисциплинам, соответствующим группе вакансий (например, лицо, принимающее решение, при рассмотрении заявления на перевод с гуманитарной специальности на экономическое направление может исключить из рассмотрения оценки по непрофильным дисциплинам, таким как «История государства и права»); – вектор пороговых значений той же размерности (), соответствующий минимальным оценкам, подтверждающим освоение претендентом программы по соответствующим дисциплинам; – вектор предельных значений (), характеризующий «идеального» претендента и соответствующий максимальным возможным оценкам по каждой дисциплине.

Оценка результатов по формуле в меньшей степени подвержена влиянию «больших отклонений» по сравнению с использованием среднего арифметического значения.

В качестве составляющих комплексной оценки «портфолио» претендента используются следующие, в том числе латентные показатели: 1) рейтинг вуза, из которого переводится претендент; 2) рейтинг направления подготовки, рассчитываемый как отношение количества поданных заявлений в текущем году для приема на 1 курс на направление подготовки, с которого переводится претендент, к количеству поданных заявлений в текущем году для приема на 1 курс на направление подготовки, на которое претендует кандидат; 3) достижения претендента в научно-исследовательской деятельности, характеризуемые количеством единиц по каждому из видов занятий (научные публикации, охранные документы, участие в грантах, награды и др.); 4) заслуги претендента в спортивной деятельности, характеризуемые количеством призовых мест в различных спортивных соревнованиях, а также наличием спортивных званий; 5) творческие достижения кандидата (участие и завоевание призовых мест в различных концертных мероприятиях и т.д.); 6) активность в общественной жизни университета (студенческие организации, конкурсы, мероприятия); 7) финансовое положение претендента.

Слагаемое введено для устранения потенциальных коллизий при выборе кандидатов. Сущность возникающих коллизий сводится к тому, что на некоторое подмножество вакансий претендует множество претендентов , причем , с одинаковым значением оценочной функции .

Для вычисления предлагается использовать классифицирующую нейронную сеть с T совокупностями входов, характеризующих соответственно показатели «портфолио» T кандидатов, и T выходами, каждый из которых принимает значение в интервале [0; 1], причем i-ый выход равен 1, если i-ый кандидат признан «лучшим».

Результаты исследования

Предложенная оценочная функция и нейронная сеть были интегрированы как инструмент поддержки принятия решений в автоматизированную информационную систему для управления процессом приема в Юго-Западном государственном университете на второй и последующие курсы [2, 6], представляющую собой совокупность взаимосвязанных посредством локальных сетей и глобальной сети Интернет автоматизированных рабочих мест сотрудников вуза, задействованных в процессе, а также пользователей предоставляемых вузом Web-сервисов.

Анализ статистических данных показал, что в коллизии участвуют одновременно не более 3-х претендентов, поэтому при проектировании и обучении сети T принято равным 3.

Для выбора топологии и настройки сети была составлена обучающая выборка, включающая исходные данные и результаты рассмотрения заявлений на перевод (зачисление) в Юго-Западном государственном университете в 2007–2013 годах, а также искусственно сгенерированные с помощью специально разработанной программы комбинации входов и выходов, соответствующие рациональным решениям по выбору лучшего из T претендентов. С помощью программного пакета StatSoft STATISTICA 10 были проанализированы 125 возможных структур нейронных сетей и выбрана наиболее подходящая по среднеквадратичной оценке, полученной при сопоставлении желаемых и полученных результатов определения «лучшего» претендента.

Топология разработанной нейронной сети, представляющая собой многослойный персептрон с 2-мы скрытыми уровнями нейронов, обучаемый по алгоритму обратного распространения ошибки, смоделированная с помощью программного продукта NeuroSolutions, представлена на рис. 1.

Рис. 1. Структура предложенной нейронной сети

Для лица, принимающего решения, в рамках созданного программного обеспечения дополнительно реализована возможность визуального сравнения нескольких претендентов на прием по выбранным показателям из оценочной функции с помощью квалиметрических диаграмм (рис. 2), что является дополнительным средством поддержки принятия решений вместе с нейронной сетью, подключенной к разработанному программному обеспечению в качестве внешней DLL-библиотеки.

Рис. 2. Квалиметрические диаграммы сравнения 3-х претендентов на прием

До внедрения предложенной оценочной функции для отбора кандидатов на прием аттестационные испытания проводились преимущественно в форме собеседования. Анализ результатов использования собеседования в качестве аттестационных испытаний в существовавшей структуре показал, что отсутствует взаимосвязь между результатами испытаний и успеваемостью претендента после перевода (коэффициент парной корреляции варьировался от 0,178 до 0,503 в зависимости от категории претендентов) [5]. Аналогичные результаты были получены и при сопоставлении результатов вступительных испытаний при приеме в магистратуру в классической письменной форме, среднего балла по ранее изученным дисциплинам с последующей успеваемостью магистров (коэффициент парной корреляции составил от 0,154 до 0,586) [1]. В то же время в случае ранжирования претендентов с помощью введенной оценочной функции и использования тестирования, проводимого при аккредитации вузов, в качестве испытаний, зависимость между значениями функции для каждого претендента и его последующей успеваемостью характеризовалась бы коэффициентом корреляции 0,873 (см. рис. 3).

Рис. 3. Сопоставление результатов успеваемости претендентов после перевода и соответствующих значений предлагаемой оценочной функции

Заключение

Таким образом, предложенные инструменты ранжирования позволяют получить комплексную оценку претендентов и являются более объективным средством отбора лиц, наиболее подготовленных к продолжению обучения в вузе при приеме на второй и последующие курсы.

Данная работа выполнена в рамках государственного задания ЮЗГУ на 2013 год в части проведения научно-исследовательских работ, проект 8.8356.2013 «Модели, алгоритмы и программное обеспечение для управления процессом переводов и зачисления в вуз на второй и последующие курсы».

Рецензенты:

Атакищев О. И., д.т.н., профессор, проректор по перспективным исследованиям ФГБОУ ВПО «Юго-Западный государственный университет», г. Курск.

Киричек А. В., д.т.н., профессор, проректор по научной работе ФГБОУ ВПО «Юго-Западный государственный университет», г. Курск.


Библиографическая ссылка

Овчинкин О.В., Пыхтин А.И., Емельянов С.Г. ОЦЕНОЧНАЯ ФУНКЦИЯ И НЕЙРОННАЯ СЕТЬ ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ПРИЕМЕ В ВУЗ НА ВТОРОЙ И ПОСЛЕДУЮЩИЕ КУРСЫ // Современные проблемы науки и образования. – 2013. – № 5.;
URL: http://science-education.ru/ru/article/view?id=10388 (дата обращения: 19.08.2019).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1.252