ЧАСТЬ 2-Я.
АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ В КОНТРОЛЛИНГЕ

ГЛАВА 5. АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ КАК ПЕРСПЕКТИВНЫЙ ИНСТРУМЕНТ КОНТРОЛЛИНГА

В главе описываются возможности применения Автоматизированного системно-когнитивного анализа (АСК-анализ) в качестве перспективного инструмента контроллинга и менеджмента в российской корпорации экономики знаний и формулируется ряд задач, стоящих перед контроллингом, которые, по мнению авторов, могли бы решаться с применением АСК-анализа. В данной главе рассматриваются цели корпорации и перспективы контроллинга, информационная модель деятельности менеджера и место систем искусственного интеллекта в этой деятельности, обосновывается целесообразность применения метода системно-когнитивного анализа для решения поставленных задач, раскрывается понятие причинно-следственной зависимости и предлагается аппарат когнитивных функции в качестве инструмента для выявления и формального представления причинно-следственных зависимостей [148].

5.1. Кратко об автоматизированном системно-когнитивном анализе

АСК-анализу посвящено много работ: 19 монографий [3-19, 237, 254][1], почти 300 статей [3-273]. Поэтому здесь мы ограничимся его кратким описанием.

5.1.1. Что же такое АСК-анализ?

Автоматизированный системно-когнитивный анализ (АСК-анализ) представляет собой новый универсальный метод искусственного интеллекта, представляющий собой единственный в настоящее время вариант автоматизированного системного анализа, а именно, системный анализ, структурированный по базовым когнитивным операциям.

Известно, что системный анализ является одним из общепризнанных в науке методов решения проблем и многими учеными рассматривается вообще как метод научного познания. Однако как впервые заметил еще в 1984 году проф. И. П. Стабин[2] на практике применение системного анализа наталкивается на проблему. Суть этой проблемы в том, что обычно системный анализ успешно применяется в сравнительно простых случаях, в которых в принципе можно обойтись и без него, тогда как в действительно сложных ситуациях, когда он чрезвычайно востребован и у него нет альтернатив, сделать это удается гораздо реже. Проф. И. П. Стабин предложил и путь решения этой проблемы, который он видел в автоматизации системного анализа.

5.1.2. Работы каких ученых сыграли большую роль
в создании АСК-анализа?

О профессоре И. П. Стабине, который предложил саму идею автоматизации системного анализа мы уже упомянули выше.

Затем необходимо отметить отечественных классиков системного анализа проф. Ф. И. Перегудова и проф. Ф. П. Тарасенко, которые в ряде основополагающих работ[3] подробно рассмотрели математические методы, которые в принципе могли бы быть применены для автоматизации отдельных этапов системного анализа. Однако даже самые лучшие математические методы не могут быть применены на практике без реализующих их программных систем, а путь от математического метода к программной системе долог и сложен. Для этого необходимо разработать численные методы или методики численных расчетов, реализующие математический метод, а затем разработать программную реализацию системы, основанной на этом численном методе.

В числе первых попыток реальной автоматизации системного анализа следует отметить докторскую диссертацию проф. В. С. Симанкова (2002). Эта попытка была основана на высокой детализации этапов системного анализа и подборе уже существующих программных систем, автоматизирующих эти этапы. Эта попытка была реализована, однако, лишь для специального случая исследования в области возобновляемой энергетики, т.к. системы оказались различных разработчиков, созданные с помощью различного инструментария и не имеющие программных интерфейсов друг с другом, т.е. не образующие единой автоматизированной системы. Эта попытка, безусловно, явилась большим шагом по пути, предложенному проф. И. П. Стабиным, но и ее нельзя признать обеспечившей достижение поставленной им цели (создание автоматизированного системного анализа), т.к. она не привела к созданию единой универсальной программной системы, автоматизирующий системный анализ, которую можно было бы применять в различных предметных областях.

5.1.3. Кем и когда создан АСК-анализ?

Автоматизированный системно-когнитивный анализ предложен и разработан проф. Е. В. Луценко в 2002 году[4] и получил детальное и всестороннее развитие в последующих работах.

Основная идея, позволившая сделать это, состоит в рассмотрении системного анализа как метода познания (отсюда и «когнитивный» от «cognitio» – знание, познание, лат.). Это позволило структурировать системный анализ не по этапам, как пытались сделать ранее, а по базовым когнитивным операциям (БКОСА), т.е. таким операциям, к комбинациям которых сводятся остальные. Эти операции образуют когнитивный конфигуратор и их оказалось не очень много, всего 10:

1) присвоение имен;

2) восприятие;

3) обобщение (синтез, индукция);

4) абстрагирование;

5) оценка адекватности модели;

6) сравнение, идентификация и прогнозирование;

7) дедукция и абдукция; 8) классификация и генерация конструктов;

9) содержательное сравнение;

10) планирование и принятие решений об управлении.

Каждая из этих операций достаточно элементарна для формализации и программной реализации.

5.1.4. Что включает АСК-анализ?

Автоматизированный системно-когнитивный анализ включает: формализуемую когнитивную концепцию, математическую модель, методику численных расчетов и реализующий их программный инструментарий, в качестве которого в настоящее время выступает универсальная когнитивная аналитическая система "Эйдос".

Компоненты АСК-анализа:

– формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор;

– теоретические основы, методология, технология и методика АСК-анализа;

– математическая модель АСК-анализа, основанная на системном обобщении теории информации;

– методика численных расчетов, в универсальной форме реализующая математическую модель АСК-анализа, включающая иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА;

– специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод АСК-анализа – Универсальная когнитивная аналитическая система "Эйдос".

Этапы АСК-анализа:

1) когнитивная структуризация предметной области;

2) формализация предметной области (конструирование классификационных и описательных шкал и градаций и подготовка обучающей выборки);

3) синтез системы моделей предметной области (в настоящее время система «Эйдос» поддерживает 3 статистические модели и 7 моделей знаний);

4) верификация (оценка достоверности) системы моделей предметной области;

5) повышение качества системы моделей;

6) решение задач идентификации, прогнозирования и поддержки принятия решений;

7) исследование моделируемого объекта путем исследования его моделей: кластерно-конструктивный анализ классов и факторов; содержательное сравнение классов и факторов; изучение системы детерминации состояний моделируемого объекта, нелокальные нейроны и интерпретируемые нейронные сети прямого счета; построение классических когнитивных моделей (когнитивных карт); построение интегральных когнитивных моделей (интегральных когнитивных карт).

5.1.5. Какие ученые принимали и сейчас принимают
участие в развитии АСК-анализа?

Д.э.н., к.т.н. проф. Луценко Е.В. [3-273], Заслуженный деятель науки РФ, д.т.н., проф. Лойко В.И., д.э.н., Ph.D., к.ф.-м.н., профессор Трунев А.П. (Канада), д.т.н., д.э.н., к.ф.-м.н., профессор Орлов А.И., д.т.н., проф. Симанков В.С., к.т.н., доцент полковник в отставке Коржаков В.Е., д.э.н., проф. Ткачев А.Н., д.э.н., проф. Крохмаль В.В., д.т.н., доцент Сафронова Т.И., д.э.н., профессор Барановская Т.П., к.э.н., доцент Макаревич О.А., к.пс.н., проф. Некрасов С.Д., к.т.н., доцент, полковник в отставке Лаптев В.Н., д.э.н., к.т.н., доцент, полковник в отставке Ермоленко В.В., к.пс.н., доцент, полковник в отставке Третьяк В.Г., к.пс.н. Щукин Т.Н., к.пс.н. майор Наприев И.Л., к.м.н. Сергеева Е.В.(Фомина Е.В.) и др.

5.1.6. Каков индекс цитирования ученых,
принимающих участие
в развитии АСК-анализа?

Работы по АСК-анализу вызывают значительный интерес у научной общественности. Об этом свидетельствуют высокие индексы цитирования ведущих ученых, принимающих участие в развитии АСК-анализа (проф.Е.В.Луценко занимает 2-ю позицию в рейтинге ученых Краснодарского края по индексу Хирша (РИНЦ) и 4-ю среди российских ученых в области кибернетики[5]).

5.1.7. Сколько докторских и кандидатских
диссертаций защищено с применением
АСК-анализа и в каких областях науки?

Метод системно-когнитивного анализа и его программный инструментарий интеллектуальная система "Эйдос" были успешно применены при проведении ряда кандидатских и докторских диссертационных работ в ряде различных предметных областей по экономическим, техническим, психологическим и медицинским наукам. С применением АСК-анализа проведены исследования и по ним защищены диссертации:

- 3 доктора экономических наук

Е.В.Луценко: http://ej.kubagro.ru/a/viewaut.asp?id=11

А.Н.Ткачев: http://ej.kubagro.ru/a/viewaut.asp?id=20

В.В.Крохмаль: http://ej.kubagro.ru/a/viewaut.asp?id=22

- 2 доктора технических наук:

В.С.Симанков:

http://www.yandex.ru/yandsearch?text=профессор Симанков Владимир Сергеевич

Т.И.Сафронова: http://ej.kubagro.ru/a/viewaut.asp?id=111

- 4 кандидата психологических наук:

С.Д.Некрасов: http://manag.kubsu.ru/index.php/ofup/kafedry/174-nekrasov

В.Г.Третьяк: http://law.edu.ru/person/person.asp?persID=1345265

Т.Н.Щукин: http://ej.kubagro.ru/a/viewaut.asp?id=94 http://2045.ru/expert/27.html

И.Л.Наприев: http://ej.kubagro.ru/a/viewaut.asp?id=573

- 1 кандидат технических наук:

Е.В.Луценко: http://ej.kubagro.ru/a/viewaut.asp?id=11

- 1 кандидат экономических наук:

Л.О.Макаревич: http://www.mesi.ru/upload/iblock/b5a/Автореферат%20Макаревич%20ЛО.pdf http://ej.kubagro.ru/a/viewaut.asp?id=1377

- 1 кандидат медицинских наук:

Сергеева Е.В.: http://ej.kubagro.ru/a/viewaut.asp?id=1034

Фомина Е.В.: http://ej.kubagro.ru/a/viewaut.asp?id=813

В настоящее время в процессе выполнения и выхода на защиту еще несколько диссертаций на соискание ученых степеней кандидатов и докторов экономических наук.

5.1.8. Сколько грантов РФФИ и РГНФ выполнено
и выполняется с применением АСК-анализа?

Метод системно-когнитивного анализа и его программный инструментарий интеллектуальная система "Эйдос" были успешно применены при выполнении ряда грантов РФФИ и РГНФ (пронумерованы только одобренные проекты):

РФФИ:

№	Номер проекта	Название проекта	Начало - окончание
	02-01-00035-а	Разработка компьютерных методов изучения эмерджентных свойств плодовых культур с дальнейшим использованием их для оптимизации выращивания	2002 - 2004
1	02-05-64234-а	Разработка теории многокритериальной оценки ландшафтных и метеорологических характеристик юга России для увеличения продуктивности плодовых культур на основе создания системы банков данных и компьютерного моделирования.	2002 - 2003
2	03-04-96771-р2003юг_а	Разработка новой методологии районирования сортов сельскохозяйственных культур на основе системного подхода при анализе и математическом прогнозе их жизнеобеспечения и продуктивности	2003 - 2005
3	03-07-96801-р2003юг_в	Создание системы мониторинга, прогнозирования, анализа и поддержки управленческих решений по продуктивности плодовых культур на основе электронных баз данных	2003 - 2005
	06-06-96644-р_юг_а	Семантические информационные модели управления агропромышленным комплексом	2006 - 2008
	07-07-13510-офи_ц	Инвестиционное управление АПК на основе методологии системно-когнитивного анализа	2007 - 2008
	08-06-99005-р_офи	Управление в АПК исходя из критерия качества жизни	2008 - 2009
	09-06-13509-офи_ц	Системно-когнитивные основы инвестиционного управления региональным агропромышленным комплексом	2009 - 2010
4	11-06-96508-р_юг_ц	Системно-когнитивные основы инвестиционного управления региональным агропромышленным комплексом	2011 - 2012
	13-07-96507	Принципы создания облачного сервиса по курсу математики с визуализацией понятийного аппарата, процесса доказательств теорем и выполнения практических заданий	2013 – 2014
5	15-06-02569	Когнитивные модели прогнозирования развития многоотраслевой корпорации	2015 – 2017
	15-29-02530	Управление генресурсами семейства Rosaceae и Juglandacea для сохранения и использования биораpнообразия культурных растений на основе информационной системы, включая оцифровку коллекций	2015 – 2017
	15-29-02545	Ампелографическое и молекулярно-генетическое изучение происхождения, структуры, динамики генетических ресурсов рода Vitis (Tournef) L., их систематизация и оцифровка для эффективного управления биоресурсами	2015 – 2017

РГНФ:

№	Номер проекта	Название проекта	Начало - окончание
1	13-02-00440а	Методологические основы управления экономической устойчивостью перерабатывающего комплекса региона с применением технологий искусственного интеллекта	2013- 2015

5.1.9. Сколько монографий, патентов, публикаций
входящих в Перечень ВАК есть по АСК-анализу?

По проблематике АСК-анализа издано 20 монографий (еще две в стали подготовки к печати), получено 27 патентов (и еще два в стадии оформления) на системы искусственного интеллекта, их подсистемы, режимы и приложения, издано около 300 статей в изданиях, входящих в Перечень ВАК РФ. В одном только Научном журнале КубГАУ (входит в Перечень ВАК РФ с 26-го марта 2010 года) опубликовано более 200 статей по различным теоретическим и практическим аспектам АСК-анализа общим объёмом около 300 у.п.л.

5.1.10. В каких областях уже применялся АСК-анализ?

По этим публикациям, грантам и диссертационным работам видно, что АСК-анализ уже успешно применялся в следующих предметных областях и научных направлениях:

- региональная экономика;

- отраслевая экономика;

- экономика предприятий;

- технические науки – интеллектуальные системы управления в возобновляемой энергетике;

- технические науки – мелиорация и управление мелиоративными системами;

- психология личности;

- психология экстремальных ситуаций;

- психология профессиональных и учебных достижений;

- медицинская диагностика;

- прогнозирование результатов применения агротехнологий;

- принятие решений по выбору рациональных агротехнологий;

- геофизика: прогнозирование землетрясений;

- геофизика: прогнозирование параметров магнитного поля Земли;

- геофизика: прогнозирование движения полюсов Земли.

Исследования по некоторым из перечисленных направлений мы постараемся отразить в данной монографии.

5.1.11. В каких областях может применяться
АСК-анализ?

Он может применяться во всех областях, в которых для решения своих профессиональных задач специалист использует свой естественный интеллект, профессиональный опыт и компетенцию.

Главный вывод, который, можно обоснованно сделать на основе вышесказанного, состоит в том, что автоматизированный системно-когнитивный анализ имеет все основные признаки нового перспективного междисциплинарного научного направления в рамках системного анализа.

5.1.12. Internet-ссылки по АСК-анализу

Сайт проф. Е.В.Луценко: http://lc.kubagro.ru/. Данный сайт посетило уже около 480000 посетителей с уникальными IP-адресами.

Страничка проф. Е.В.Луценко на сайте Научного журнала КубГАУ: http://ej.kubagro.ru/a/viewaut.asp?id=11. В расчете на фамилию автора приходится более 214000 прочтений статей.

5.1.13. О плагиаторах, использующих работы
по АСК-анализу, находящиеся в Internet
в открытом доступе

Авторы научных работ по АСК-анализу всегда размещали их в свободном открытом доступе, чем не преминули воспользоваться плагиаторы. Лучше всего об этом написано в статье «Групповой плагиат: от студента до министра»[6]. Чтобы найти многочисленные «труды» плагиаторов, включая диссертации, достаточно в Internet в любой поисковой системе сделать запрос, например: «Коэффициенты эмерджентности Хартли, Харкевича, Шеннона», которые автор системной теории информации (СТИ) проф. Е.В.Луценко назвал так в честь этих выдающихся ученых в области теории информации. При этом автор следовал сложившейся научной традиции называть единицы измерения и математические выражения в честь известных ученых. Причем часто плагиаторы даже не понимают, что сами основоположники и классики теории информации не предлагали этих коэффициентов, а предложены они были в работах автора [7, 273]. Наверное, поэтому они и не считают нужным делать ссылки и пишут, например:

1. «По Харкевичу коэффициент эмерджентности определяет степень детерменированности ситемы…» (подчеркнуто нами, авт., в цитате сохранены орфографические ошибки плагиатора).

2. «Отсюда строится системная численная мера количества информации в ИС на основе оценки эмерджентности системы (по Хартли и Харкевичу)» (выделено плагиатором).

Эти фразы легко найти в Internet. Здесь автор не считает нужным уделять вопросу о плагиате большего внимания. Отметим лишь, что эта плагиаторская деятельность не просто продолжается, а даже набирает обороты.

5.2. О целях организации, функциях контроллинга
и его роли в достижении этих целей

По вопросу определения целей корпорации в современной науке не сложилось общепринятой точки зрения и в различных научных направлениях этот вопрос решается по-разному. Например, в неоклассической теории считается, что целью корпорации является максимизация дохода, прибыли; в бихевиористской теории – получение удовлетворительной прибыли и дохода; институциональной теории – минимизация транзакционных издержек; теории корпорации Дж. Гэлбрейта – гарантированный уровень прибыли и максимальный темп роста; в предпринимательской же теории полагают, что цель корпорации зависит от личных целей предпринимателя [223]. При этом цели корпорации, а также различных связанных с нею социальных групп людей и государства совпадают лишь частично (рисунок 2):

Рисунок 2. Цели корпорации, а также связанных с ней
социальных групп и государства по С.Ю. Полонскому [223]

Таким образом, наиболее распространенная точка зрения, состоящая в том, что цель корпорации заключается исключительно в получении максимальной прибыли, является неоправданно упрощенной. Более того, максимизация прибыли может быть и нежелательной, например, если это достигается за счет ущерба целям работников и государства. В любом случае ясно, что для достижения этих целей необходимо управлять корпорацией, как в целом, так и на различных уровнях ее иерархической структурной организации.

Современный уровень культуры управления в развитых странах (в которых уже построено общество, основанное на знаниях) предполагает использование ряда корпоративных информационных систем (КИС), используемых на различных уровнях иерархии обработки информации (рисунок 3):

Рисунок 3. Корпоративные информационные системы
(КИС - CALS), по А.Г. Киселеву [224]

Из рисунка 3 видно, что:

– в фундаменте пирамиды обработки информации корпорации находятся автоматические системы управления чисто техническими объектами управления (САУ, т.е. по сути системы управления машинами);

– на среднем уровне мы имеем дело уже с автоматизированными системами управления (АСУ) человеко-машинными объектами управления от АСУ ТП, до АС ТПП и АСУП;

– на верхнем уровне расположены автоматизированные системы организационного управления (АСОУ) и аналитические системы, в которых объектом управления выступают как конкретные люди, так и коллективы.

Не во всех корпорациях представлены нижние уровни, приведенные на рисунке 3, например, нижние уровни более характерны для производственных компаний, оснащенных достаточно современным технологическим оборудованием.

Если проанализировать «долю» человека и техники в объектах управления различных иерархических уровней корпорации, то окажется, что в ее фундаменте находятся чисто технические системы, с повышением уровня иерархии доля человека в объектах управления возрастает, а доля техники соответственно уменьшается, и в вершине пирамиды техники уже вообще нет, а остается только человек.

Эта ситуация, по-видимому, обусловлена тем, что на различных уровнях иерархии корпорации на практике используются знания различной степени формализации:

– на самом верхнем уровне – это интуитивные знания и опыт, т.е. знания вообще неформализованные, не выраженные на каком-либо языке или в какой-либо системе кодирования (ноу-хау);

– на промежуточных уровнях знания частично формализованы, например вербализованы, т.е. представлены с помощью слов в звуковой или текстовой форме, а также научных книг, учебников и методических указаний с иерархическим структурированным содержанием;

– на самом низком уровне представлены хорошо формализованные знания, т.е. знания в форме математических моделей и баз знаний (БЗ) интеллектуальных систем.

Однако проблема состоит в том, что приобретение, внедрение и использование всех систем, приведенных на рисунке 5, является целесообразным лишь для достаточно крупных корпораций, тогда как для средних и малых фирм, которых большинство, это вряд ли возможно. Это обусловлено как высокой стоимостью этих систем, так и сложностью их освоения, внедрения и применения, избыточностью функций, отсутствием информационных взаимосвязей между ними, многообразием разработчиков и программных инструментальных средств, с помощью которых они созданы.

Сложилась парадоксальная ситуация, состоящая в том, что внедрение корпоративных информационных систем на практике часто осуществляется не системно, т.е. они фактически не образуют целостной корпоративной информационной системы, аналогично тому, как до возникновения локальных компьютерных сетей не образовывали единой системы не связанные друг с другом автоматизированные рабочие места (АРМы).

Одна из современных тенденций развития контроллинга состоит в том, что он проникает в фирмы все меньшего и меньшего масштаба деятельности, т.е. в этих фирмах появляются небольшие подразделения или даже просто отдельные сотрудники, выполняющие функции контроллинга.

Если раньше менеджмент использовал в своей работе методики и инструментарий, разработанный в крупных научных центрах, обычно зарубежных, то позже была осознана необходимость адаптации и локализации этих методик, с целью повышения степени их соответствия условиям конкретной фирмы и времени (адекватности), а значит и эффективности их применения.

Однако и работы по адаптации и локализации методик являются весьма наукоемкими и требовали больших затрат времени и денег, а значит были малодоступными, т.к. могли выполняться лишь небольшим количеством специалистов в стране.

Вместе с тем достигнутый в настоящее время уровень развития управления фирмами требует более оперативного и конкретного подхода к контроллингу, при котором знания о деятельности фирмы выявляются в самой фирме с учетом ее динамики и в фирме же доводятся до уровня инновационных технологий и используются на практике. Это и есть основная задача контроллинга.

Таким образом, контроллер, – это, по сути, ученый, профессионально занимающийся непрерывным исследованием своей фирмы и производящий инновационный интеллектуальный продукт в форме знаний различной степени формализации, готовых по своей степени коммерциализации для внедрения и практического использования менеджментом корпорации.

Соответственно подразделение контроллинга в фирме является ее инновационным подразделением, призванным создать и поддерживать в адекватном состоянии модель этой фирмы, обеспечивающую решение задач прогнозирования ее развития и поддержки принятия управленческих решений, направленных на достижение целей фирмы и разумного баланса интересов фирмы, ее сотрудников и акционеров, а также государства.

Менеджмент же призван использовать на практике инструментарий и методики, разработанные контроллерами, т.е. фактически менеджеры являются пользователями и исполнителями инновационных технологий и методик их применения, разработанных контроллерами.

Однако только создать (или приобрести, адаптировать и локализовать) инструментарий и предоставить его менеджменту фирмы еще недостаточно для его успешного применения на практике: для этого необходимо также обучить менеджмент использованию этого инструментария, а также контролировать качество его применения и учитывать пожелания пользователей при совершенствовании этого инструментария. И все это также входит в функции контроллинга.

Основные функции контроллинга состоят в планировании, учете, контроле и анализе, регулировании (корректировке). Все эти функции хорошо соответствуют этапам цикла управления. Таким образом, можно считать, что контроллинг представляет собой надстроечную управляющую систему, объектом управления для которой выступает управляющая система нижнего уровня (менеджмент), обеспечивающая управление основным производством фирмы (рисунок 4):

Рисунок 4. Контроллинг, как система управления менеджментом
(управление управлением)

Например:

– в сфере управления персоналом контроллер с использованием специальных программных систем разрабатывает (или адаптирует и локализует) профессиограммы и методики их применения, предоставляет менеджерам по персоналу основанные на них тесты профессиональной пригодности, обучает менеджеров методике их применения, контролирует качество применения эти тесты и совершенствует их с учетом опыта применения и динамики предметной области;

– в сфере бухгалтерского учета контроллер (администратор системы и программист 1С) адаптирует базовую систему 1С с использованием встроенного языка программирования, обучает пользователей ее использованию, контролирует качество ее применения, учитывает их пожелания по адаптации системы к изменяющимся условиям;

– в сфере образования контроллер (учебное управление) разрабатывает или адаптирует и локализует образовательные технологии, т.е. методики обучения и воспитания, а также учебно-методическое обеспечение учебного процесса, предоставляет его преподавателям, обучает их его применению, контролирует качество преподавания, совершенствует образовательные технологии и его учебно-методическое обеспечение с учетом фактически достигнутого качества обучения и воспитания.

Обращает на себя внимание, что контроллинг призван выполнять в фирмах те функции, которые очевидно в определенной степени выполнялись в них и раньше, но не назывались этим термином. Необходимо отметить также, что в настоящее время роль контроллинга и менеджмента и разделение функций и сфер компетенции между ними не до конца осознанна и выяснена даже в чисто научном плане. Тем ни менее есть основания констатировать наличие некоторых тенденций, вызывающих беспокойство.

Надстроечные управленческие подразделения, которые по своему месту в структуре организации занимают место подразделений контроллинга, часто избегают выполнения его функций во всей их полноте. На практике эти подразделения обычно стремятся, и небезуспешно, снять с себя функции инструментального и методического обеспечения менеджмента, как наиболее наукоемкие и просто трудоемкие, а за собой оставить лишь функции контроля и особенно надзора. При этом функции обеспечения работы менеджмента фактически возлагаются на самих менеджеров («самоконтроллинг»), хотя менеджерам эти функции совершенно не свойственны. Получается, что «дело спасения утопающих – это дело самих утопающих», т.е. вместо того, чтобы создать условия, при которых бы утопающих вообще не было, или хотя бы просто спасать утопающих, эти структуры надзирают за тем, чтобы утопающие правильно спасали самих себя. Прекрасная позиция: полное снятие с себя всякой ответственности за результат и полное самоустранение от процесса управления с целью достичь нужного результата.

Если продолжить приведенные выше примеры с управлением персоналом, бухучетом и образованием, то эти тенденции, которые часто можно наблюдать, выражаются в том, чтобы:

– менеджеры по персоналу в перерывах между выполнением своих основных функций сами искали где-то тесты, необходимые для их работы (естественно, неадаптированные и нелокализованные;

– бухгалтера в перерывах между выполнением своих основных функций сами писали на языках программирования различные программы, которые им нужны;

– преподаватели в перерывах между занятиями писали учебно-методические комплексы, учебные пособия, а также разрабатывали учебное программное обеспечение и презентации.

Такой подход приводит к профанации всех этих видов деятельности.

С другой стороны не следует возлагать на контроллеров функции менеджеров («самоменеджмент»), т.е. требовать от них, чтобы они не только обеспечивали работу менеджеров, но и сами выполняли их функции. Например, не следует нагружать талантливых и продуктивных системных программистов разработкой прикладных программ, которые они будут разрабатывать с помощью созданных ими инструментальных средств. Необходимо признать, что этим довольно часто «грешат» руководители, не вполне осознающие всю важность именно функций конроллинга для успешности деятельности их менеджмента.

Таким образом, мы из всего многообразия функций контроллинга для дальнейшего рассмотрения сосредотачиваемся на тех, которые считаем основными:

1. Создание инструментов для менеджеров.

2. Обучение менеджеров использованию инструментов.

3. Контроль качества использования инструментов менеджерами.

5.3. Информационная модель деятельности менеджера
и место АСК-анализа в этой деятельности

Информационная модель деятельности менеджера, представленная на рисунке 5, разработана на основе модели, впервые предложенной В.Н. Лаптевым (1984).

Рисунок 5. Информационная модель деятельности менеджера
и место систем искусственного интеллекта в этой деятельности

На вход системы управления поступает задача или проблема. Толкование различия между ними также дано В.Н. Лаптевым и состоит в следующем. Ситуация, при которой фактическое состояние системы не совпадает с желаемым (целевым) называется проблемной ситуацией и представляет собой:

– задачу, если способ перевода системы из фактического состояния в желаемое точно известен, и необходимо лишь применить его;

– проблему, если способ перевода системы из фактического состояния в желаемое не известен, и необходимо сначала его разработать и только после этого применить.

Таким образом, можно считать, что проблема – это задача, способ решения которой неизвестен. Это означает, что если этот способ разработать, то этим самым проблема сводится к задаче, переводится в класс задач. Проще говоря, проблема – это сложная задача, а задача – это простая проблема.

Но и проблемы различаются по уровню сложности:

– для решения одних достаточно автоматизированной системы поддержки принятия решений;

– для решения других – обязательным является творческое неформализуемое на современном этапе развития технологий искусственного интеллекта участие людей: в первую очередь контроллеров, экспертов, а также менеджеров.

Блоки, в которых могут применяться интеллектуальные технологии, т.е. современные системы искусственного интеллекта, на рисунке 7 показаны с затемненным фоном:

– блоки 2 и 12: система распознавания образов, идентификации и прогнозирования;

– блоки 9, 11, 12 и 14: автоматизированная система поддержки принятия решений.

Теперь можно уже более конкретно и обоснованно сформулировать, что задачей контроллеров является с применением этих интеллектуальных систем создание и верификация соответствующих интеллектуальных приложений, т.е. конкретных моделей, на основе которых могут решаться задачи идентификации, прогнозирования и поддержки принятия решений в корпорации.

Задачей же менеджеров является применение на практике разработанных контроллерами интеллектуальных приложений. Конечно, в задачи контроллера входит и обучение менеджеров, и контроль за их работой с применением данных технологий.

Итак, одна из важнейших современных тенденций развития технологии контроллинга состоит в том, что эти технологии все больше и больше проникают в фирмы все меньшего размера. Однако для того, чтобы контроллер мог соответствовать этим требованиям времени ему необходим соответствующий адекватный инструмент, обеспечивающий возможно наиболее полную автоматизацию его функций. По сути дела ему необходима своего рода интеллектуальная автоматизированная система научных исследований (ИАСНИ), т.е. система, обеспечивающая поддержку тех интеллектуальных, познавательных (когнитивных) функций и операций, которые ученый выполняет в процессе познания и научного исследования предметной области. Современный уровень развития систем искусственного интеллекта и интеллектуальных автоматизированных систем управления позволяет ставить и решать задачу создания таких систем.

5.4. Обоснование целесообразности применения
системно-когнитивного анализа в контроллинге
(метризация шкал)

Вышесказанное позволяет обоснованно сформулировать ряд общих требований к методам решения различных задач интеллектуального управления современной фирмой, ориентированной на экономику знаний, которые в перспективе могли бы стать адекватным инструментом автоматизированной поддержки основных функций контроллера в малых и средних фирмах.

Первое требование. Метод должен обеспечивать решение сформулированной проблемы в условиях неполной (фрагментированной) зашумленной исходной информации большой размерности, не отражающей всех ограничений и ресурсов и не содержащей полных повторений всех вариантов сочетаний прибыли, рентабельности, номенклатуры и объемов продукции, причем получение недостающей информации представляется принципиально невозможным.

Второе требование. Метод должен быть недорогим в приобретении и использовании, т.е. для этого должно быть достаточно одного стандартного персонального компьютера, недорогого лицензионного программного обеспечения и одного сотрудника, причем курс обучения этого сотрудника должен быть несложным для него, т.е. не предъявлять к нему каких-то сверхжестких нереалистичных требований.

Третье требование. Вся необходимая и достаточная исходная информация для применения метода должна быть в наличии в бухгалтерии, планово-экономических и других подразделениях фирмы.

Четвертое требование. Метод должен быть адаптивным, т.е. оперативно учитывать изменения во всех компонентах моделируемой системы.

Пятое требование. Метод должен обеспечивать выявление причинно-следственных зависимостей в многомерных зашумленных фрагментированных данных различной природы (как качественных, так и количественных, причем измеряемых в различных единицах измерения) и применение знания этих зависимостей для решения задач идентификации, прогнозирования и принятия решений в различных предметных областях.

Наконец можно выдвинуть и шестое требование. Для решения различных задач управление фирмой на всех иерархических уровнях информационной пирамиды корпорации, приведенных на рисунке 5, возможно за исключением 1-го, должен использоваться один математический метод, один алгоритм его численной реализации и единый программный инструментарий для осуществления этого алгоритма, т.е. одна реализующая программная система.

Для разработки адаптивной методики, необходимой для решения рассмотренных здесь проблем управления фирмой, выбран метод автоматизированного системно-когнитивного анализа (АСК-анализ), как удовлетворяющий всем обоснованным выше требованиям.

В статье [201] измерительные шкалы рассматриваются как инструмент создания формальных моделей реальных объектов и инструмент повышения степени формализации этих моделей до уровня, достаточного для их реализации на компьютерах.

Описываются различные типы измерительных шкал, позволяющие создавать модели различной степени формализации; приводятся типы преобразований, допустимые при обработке эмпирических данных, полученных с помощью шкал различного типа; ставится задача метризации шкал, т.е. преобразования к наиболее формализованному виду; предлагается 7 способов метризации всех типов шкал, обеспечивающих совместную сопоставимую количественную обработку разнородных факторов, измеряемых в различных единицах измерения за счет преобразования всех шкал к одним универсальным единицам измерения в качестве которых выбраны единицы измерения количества информации. Все эти способы метризации реализованы в системно-когнитивном анализе и интеллектуальной системе «Эйдос»

Измерительные шкалы рассматриваются как инструмент создания формальных моделей реальных объектов и инструмент повышения степени формализации этих моделей до уровня, достаточного для их реализации на компьютерах.

С данными эмпирических измерений, полученными с помощью измерительной шкалы определенного типа, корректно могут быть проведены лишь вполне определенные математические преобразования, допустимые в данной шкале, тогда как другие преобразования над ними являются некорректными и, строго говоря, бессмысленными.

На практике это часто не осознается, особенно руководством, или осознается, но недостаточно четко и на это попросту «закрывают глаза».

Например, оценки в школе или вузе представляют собой порядковые оценки уровня знаний и, хотя внешне выглядят точно как числа, фактически числами не являются. Это наглядно демонстрируется тем, что, не смотря на то, что 2+3=5 суммарные знания двоечника и троечника не равны знаниям отличника. Тем более некорректно вычислять некие средние баллы аттестатов или полученные учащимися факультета по результатам государственных экзаменов или защиты дипломных проектов, но это всегда делается.

Разные типы шкал обеспечивают различную степень формализации моделей, создаваемых с их использованием.

Спрашивается, а зачем повышать степень формализации модели? Дело в том, что чем выше степень формализации модели, тем более развитые и точные математические методы могут быть применены в этих моделях и тем точнее решаются различные задачи в реальной области[7] с использованием этих моделей, в частности тем проще использовать эти модели при проектировании и создании искусственных. Из этого ясно, что при эмпирических исследованиях:

– необходимо четко отдавать себе отчет о том, какого типа измерительные шкалы в нем используются;

– надо стремиться к использованию измерительных шкал наиболее высокой степени формализации.

Но раз так, то почему же тогда абсолютные шкалы или хотя бы шкалы отношений не применяются всегда, а в ряде случаев на практике используются номинальные, порядковые и интервальные шкалы, а также шкала разностей, имеющие ограничения на возможные математические операции с эмпирическими данными, полученными с помощью этих шкал? Иногда этого и не требуется по условиям задачи, но чаще всего просто потому, что отсутствуют[8] соответствующие измерительные системы[9] с необходимыми для этого возможностями, т.е. способные сразу, т.е. непосредственно в процессе измерений, представить измеряемые величины в абсолютной шкале или шкале отношений.

Но оказывается это возможно сделать и после завершения самого процесса измерения, т.е. уже после прекращения контакта измерительной системы с измеряемым объектом. Иначе говоря, возможно провести такую математическую обработку данных, полученных в результате измерений с помощью измерительной шкалы определенной степени формализации, которая бы повысила эту степень формализации.

Для этого необходимо обоснованно ввести на исходной шкале отношения порядка по степени выраженности свойства, измеряемого шкалой, начало отсчета и единицу измерения. Эта идея, по-видимому, впервые была четко сформулирована в 1958 году датским математиком Г. Рашем (Georg Rasch)[10] и им же была поставлена и решена соответствующая «задача метризации шкал», т.е. задача преобразования шкалы к наиболее формализованному виду. Это название связано с понятием метрики, под которой в физике понимается способ измерения расстояний между градациями (значениями) шкалы. Иначе говоря, метризация шкалы проводится с целью повышения степени ее формализации и осуществляется путем ввода метрики, т.е. единицы измерения на этой шкале. В современном понимании метризация шкалы предполагает не только введение единицы измерения, но также и отношений порядка и начала отсчета на ней.

Модель Г.Раша математически тесно связана с моделью логитов, предложенной в 1944 году Джозефом Берксоном (Joseph Berkson)[11] и здесь мы ее не приводим, т.к. она подробно описана в литературе. Модель Г.Раша (с учетом ее модификаций) является чуть ли не единственной широко известной в настоящее время моделью метризации измерительных шкал.

Однако в системно-когнитивном анализе (АСК-анализ) и его программном инструментарии: интеллектуальной системе «Эйдос» предлагается [201] еще 7 способов метризации всех типов шкал[12], обеспечивающих, кроме того еще и корректную совместную сопоставимую количественную обработку разнородных по своей природе факторов[13], измеряемых в различных единицах измерения.

В АСК-анализе факторы формально описываются шкалами, а значения факторов – градациями шкал. Существует три основных группы факторов: физические, социально-экономические и психологические (субъективные) и в каждой из этих групп есть много различных видов факторов, т.е. есть много различных физических факторов, много социально-экономических и много психологических, но в АСК-анализе все они рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта, на который они действуют, в определенное состояние, и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации. Именно по этой причине вполне корректно складывать силу и направление влияния всех действующих на объект значений факторов, независимо от их природы, и определять результат совместного влияния на объект системы значений факторов. При этом в общем случае объект является нелинейным и факторы внутри него взаимодействуют друг с другом, т.е. для них не выполняется принцип суперпозиции [196].

Если же разные факторы измеряются в различных единицах измерения, то результаты сравнения объектов будут зависеть от этих единиц измерения, что совершенно недопустимо из теоретических соображений.

Представим себе, что мы сравниваем студентов по их росту и весу, причем рост выражен в сантиметрах, а вес в килограммах (таблица 8):

Таблица 8 – Сравнение студентов по их росту и весу,
измеряемым в их обычных единицах измерения

	1-й студент	2-й студент	3-й студент	Сумма
Рост (см)	178	173	173	351
Вес (кг)	75	65	75	140
Сумма	253	238	248	491

Для сравнения студентов мы просто складываем рост и вес для каждого студента, и потом сравниваем эти числа, например, находим модуль их разности: |253-238|=15 и считаем, что она отражает сходство-различие студентов по этим параметрам. Проверим корректность этого метода путем сравнения 3-го студента с ростом как у 2-го студента 173 сантиметра и весом как 1-го студента 75 килограммов. Спрашивается, на какого студента он больше похож: на 1-го или 2-го? Очевидно, что он должен иметь одинаковое сходство и различие с обоими этими студентами, т.к. у него в равной степени представлены признаки их обоих. Однако, для 3-го студента сумма роста и веса равна: 173+75=248 и его отличие от 1-го составляет |253-248}=5, а от 2-го: |238-248|=10, т.е. получается, что третий студент отличается от 2-го больше, чем от 1-го. Этот результат является некорректным и связан с тем, что рост 1-го и 2-го студентов отличается на 5 сантиметров, а вес на 10 килограммов. Конечно, сложение и вычитание величин, измеряемых в разных единицах измерения, некорректно само по себе. Но особенно хорошо это заметно, когда мы меняем единицы измерения. Так если рост измерять не в сантиметрах, а в миллиметрах, то его числовое выражение возрастет в 10 раз как и его влияние на сходство-различие студентов, а роль веса при этом сравнении соответственно снизится. И наоборот, если рост оставить в сантиметрах, а вес начать измерять не в килограммах, а в граммах, то тогда сходство-различие студентов в основном будет определять уже их вес, т.к. его количественное выражение и влияние на результаты сравнения возрастет в 1000 раз.

В АСК-анализе и системе предложено кардинальное решение проблем сравнения объектов, описанных в измерительных шкалах различных типов и размерностей [201]. Продолжим пример со студентами. В соответствии с методологией АСК-анализа и методикой применения системы «Эйдос» для сравнения студентов используем не их рост и вес в обычных единицах измерения, а количество информации о том, что перед нами тот или иной студент, которое содержится в его росте и весе. Можно сравнить 3-го студента с первыми двумя по суммарному количеству информации в его признаках о сходстве с 1-м и 2-м студентами. Это будет вполне корректно и результат такого сравнения вообще не будет зависеть от исходных единиц измерения роста и веса, т.е. будет инвариантным относительно единиц измерения исходных признаков, как и должно быть.

Рассмотрим численный пример, демонстрирующий, что выбор единиц измерения никак не влияет на модель и результат сравнения с ее применением.

Таблица 9 – Исходные данные

Источник данных	Классификационная шкала	Описательные шкалы
	Студент	Рост (см)	Вес (кг)
1-й студент	1-й	178	75
2-й студент	2-й	173	65

С помощью программного интерфейса системы «Эйдос-Х++» (рисунок 6) данные из таблицы 4 вводятся в систему.

Рисунок 6. Начальная экранная форма программного интерфейса
системы «Эйдос-Х++» с внешними базами данных

В первой экранной форме задается диапазон столбцов таблицы исходных данных 9 классификационными шкалами и диапазон столбцов с описательными шкалами. В экранной форме, представленной на рисунке 7, задается количество интервалов в числовых классификационных и описательных шкалах, если они есть.

Рисунок 7. Вторая экранная форма программного интерфейса
системы «Эйдос-Х++» с внешними базами данных

В текущей версии системы «Эйдос-Х++» суммарное количество классификационных и описательных шкал не должно превышать 1500, а суммарное количество градаций в них ограничено только размерами дисковой памяти[14].

При этом программным интерфейсом создаются справочники классификационных и описательных шкал и градаций и с их использованием кодируются исходные данные и формируется обучающая выборка (таблицы 10 - 12):

Таблица 10 – Справочники классификационных шкал и градаций

Код класса	Наименование класса
1	СТУДЕНТ-1-й
2	СТУДЕНТ-2-й

Классы представляют собой градации классификационных шкал.

Таблица 11 – Справочники описательных шкал и градаций

Код признака	Наименование признака
1	РОСТ (СМ)-1/2-{173.0000000, 175.5000000}
2	РОСТ (СМ)-2/2-{175.5000000, 178.0000000}
3	ВЕС (КГ)-1/2-{65.0000000, 70.0000000}
4	ВЕС (КГ)-2/2-{70.0000000, 75.0000000}

Признаки представляют собой градации описательных шкал.

Таблица 12 – Обучающая выборка

Код объекта	Наименование объекта	Классы	Признаки
		CLS1	ATR1	ATR2
1	1-й студент	1	2	4
2	2-й студент	2	1	3

В результате синтеза и верификации моделей в режиме 3.5 системы «Эйдос-Х++» создаются матрица абсолютных частот (таблица 13) и матрица информативностей (таблица 14):

Таблица 13 – Матрица абсолютных частот

Код признака	Наименование описательной шкалы и градации	Классы
		1-й студент	2-й студент
1	РОСТ (СМ)-1/2-{173.0000000, 175.5000000}	0	1
2	РОСТ (СМ)-2/2-{175.5000000, 178.0000000}	1	0
3	ВЕС (КГ)-1/2-{65.0000000, 70.0000000}	0	1
4	ВЕС (КГ)-2/2-{70.0000000, 75.0000000}	1	0

Таблица 14 – Матрица информативностей

Код признака	Наименование описательной шкалы и градации	Классы
		1-й студент	2-й студент
1	РОСТ (СМ)-1/2-{173.0000000, 175.5000000}	0,0000000	0,5000000
2	РОСТ (СМ)-2/2-{175.5000000, 178.0000000}	0,5000000	0,0000000
3	ВЕС (КГ)-1/2-{65.0000000, 70.0000000}	0,0000000	0,5000000
4	ВЕС (КГ)-2/2-{70.0000000, 75.0000000}	0,5000000	0,0000000

Из таблицы 9 видно, что каждому интервальному значению роста и веса соответствует 0.5 бит информации о принадлежности студента с этим признаком к тому или иному классу. Ясно, что если в таблицах 8, 9 и 11 одинаково переставить десятичную запятую в интервальных значениях роста и веса, то на коды в обучающей выборке (таблица 12), а значит и на абсолютные частоты их наблюдения по классам (таблица 13) и количество информации, рассчитываемое на их основе (таблица 14), это никак не повлияет.

Рассмотрим этапы последовательного повышения степени формализации модели путем преобразования исходных данных в информацию, а ее в знания, применяемые в автоматизированном системно-когнитивном анализе и системе «Эйдос-Х++» [7] (рисунок 8):

Рисунок 8. О соотношении содержания понятий:
«Данные», «Информация», «Знания»

Данные – это информация, записанная на каком-либо носителе или находящаяся в каналах связи и представленная на каком-то языке или в системе кодирования и рассматриваемая безотносительно к ее смысловому содержанию.

Исходные данные об объекте управления обычно представлены в форме баз данных, чаще всего временных рядов, т.е. данных, привязанных ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ), развиваемой проф. Е.В.Луценко, для управления и принятия решений использовать непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат управления при таком подходе оказывается мало чем отличающимся от случайного. Для реального же решения задачи управления необходимо предварительно преобразовать данные в информацию, а ее в знания о том, какие воздействия на корпорацию к каким ее изменениям обычно, как показывает опыт, приводят.

Информация есть осмысленные данные.

Смысл данных, в соответствии с концепцией смысла Шенка-Абельсона, состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Таким образом, данные преобразуются в информацию в результате операции, которая называется «Анализ данных», которая состоит из двух этапов:

1. Выявление событий в данных (разработка классификационных и описательных шкал и градаций и преобразование с их использованием исходных данных в обучающую выборку, т.е. в базу событий – эвентологическую базу).

2. Выявление причинно-следственных зависимостей между событиями.

В случае систем управления событиями в данных являются совпадения определенных значений входных факторов и выходных параметров объекта управления, т.е. по сути, случаи перехода объекта управления в определенные будущие состояния под действием определенных сочетаний значений управляющих факторов. Качественные значения входных факторов и выходных параметров естественно формализовать в форме лингвистических переменных. Если же входные факторы и выходные параметры являются числовыми, то их значения измеряются с некоторой погрешностью и фактически представляют собой интервальные числовые значения, которые также могут быть представлены или формализованы в форме лингвистических переменных (типа: «малые», «средние», «большие» значения экономических показателей).

Какие же математические меры могут быть использованы для количественного измерения силы и направления причинно-следственных зависимостей?

Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике это хорошо известно, что это совершенно не так. Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями. В АСК-анализе предлагается 7 количественных мер причинно-следственных связей, основной из которых является семантическая мера целесообразности информации по А.Харкевичу.

Знания – это информация, полезная для достижения целей.

Значит для преобразования информации в знания необходимо:

1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные).

2. Оценить полезность информации для достижения этой цели (знак и силу влияния).

Второй пункт, по сути, выполнен при преобразовании данных в информацию. Поэтому остается выполнить только первый пункт, т.к. классифицировать будущие состояния объекта управления как желательные (целевые) и нежелательные.

Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:

– вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);

– знания, формализованные в естественном вербальном языке;

– знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных);

– знания в форме технологий, организационных, производственных, социально-экономических и политических структур;

– знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).

Таким образом, для решения сформулированной проблемы необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:

– преобразовать исходные данные в информацию;

– преобразовать информацию в знания;

– использовать знания для решения задач управления, принятия решений и исследования предметной области (рисунок 9):

Рисунок 9. Порядок преобразования «Данных» в «Информацию», а ее в «Знания в АСК-анализе и системе «Эйдос»

Основные публикации автора АСК-анализа по вопросам выявления, представления и использования знаний:

– http://www.twirpx.com/file/793311/

– Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шенка – Абельсона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2004. – №03(005). С. 65 – 86. – IDA [article ID]: 0050403004. – Режим доступа: http://ej.kubagro.ru/2004/03/pdf/04.pdf, 1,375 у.п.л.

– Луценко Е.В. Методологические аспекты выявления, представления и использования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2011. – №06(070). С. 233 – 280. – Шифр Информрегистра: 0421100012\0197, IDA [article ID]: 0701106018. – Режим доступа: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л.

Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:

– вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);

– знания, формализованные на естественном вербальном языке;

– знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними;

– знания в форме технологий, организационных производственных, социально-экономических и политических структур;

– знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).

Таким образом, для решения задачи метризации шкал в АСК-анализе необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:

– преобразовать исходные данные в информацию;

– преобразовать информацию в знания;

– использовать знания для решения задач прогнозирования, принятия решений и исследования предметной области.

Для этого в АСК-анализе предусмотрены следующие этапы [7]:

1. Когнитивная структуризация предметной области, при которой определяется, что мы хотим прогнозировать и на основе чего (конструирование классификационных и описательных шкал).

2. Формализация предметной области [7]:

– разработка градаций классификационных и описательных шкал (номинального, порядкового и числового типа);

– использование разработанных на предыдущих этапах классификационных и описательных шкал и градаций для формального описания (кодирования) исследуемой выборки.

3. Синтез и верификация (оценка степени адекватности) модели [9].

4. Если модель адекватна, то ее использование для решения задач идентификации, прогнозирования и принятия решений, а также для исследования моделируемой предметной области [7].

ГЛАВА 6. КОНТРОЛЛИНГ НАУЧНОЙ
И ОБРАЗОВАТЕЛЬНОЙ ДЕЯТЕЛЬНОСТИ

6.1. Краткие замечания по контроллингу
научной деятельности

Ряд вопросов контроллинга науки рассмотрен в статьях одного из авторов настоящей книги проф.А.И.Орлова:

Орлов А.И. Два типа методологических ошибок при управлении научной деятельностью // Управление большими системами / Сборник трудов. Специальный выпуск 44. Наукометрия и экспертиза в управлении наукой / [под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева]. М.: ИПУ РАН, 2013. – С.32–54.

Орлов А.И. Наукометрия и управление научной деятельностью // Управление большими системами / Сборник трудов. Специальный выпуск 44. Наукометрия и экспертиза в управлении наукой / [под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева]. М.: ИПУ РАН, 2013. – С.538 – 568.

Наукометрия и экспертиза в управлении наукой: сборник статей / Под ред. Д.А. Новикова, А.И. Орлова, П.Ю. Чеботарева. - М.: ИПУ РАН, 2013. – 572 с.

Орлов А.И. Критерии выбора показателей эффективности научной деятельности // Контроллинг. – 2013. – №3(49). – С.72-78.

Орлов А.И. О показателях эффективности научной деятельности // Экономический анализ: теория и практика. – 2014. – № 7 (358). – С.21–29.

Мухин В.В. О контроллинге научной деятельности / В.В. Мухин, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2014. – №06(100). С. 256 – 275. – IDA [article ID]: 1001406013. – Режим доступа: http://ej.kubagro.ru/2014/06/pdf/13.pdf, 1,25 у.п.л

Орлов А.И. Наука как объект управления / А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2014. – №07(101). С. 1244 – 1274. – IDA [article ID]: 1011407082. – Режим доступа:http://ej.kubagro.ru/2014/07/pdf/82.pdf, 1,938 у.п.л.

Развернутое освещение этих вопросов планируется дать в последующих работах авторов.

6.2. Контроллинг образовательной деятельности

6.2.1. Web-портал по УМК в составе сайта
университета: актуальность
и возможность создания

В данном разделе обосновывается и развивается идея, реализация которой по мнению авторов позволила бы очень существенно уменьшить трудоемкость разработки учебно-методических комплексов (УМК), упростить их подписание и утверждение различными должностными лицами и повысить их качество, сделать труд разработчиков УМК более творческим, освободив его от технических и рутинных моментов [203].

6.2.1.1. Структура учебно-методического
комплекса (УМК)

Рассмотрим структуру учебно-методического комплекса (УМК) (рисунок 10):

Рисунок 10. Структура учебно-методического комплекса (УМК)

УМК представляет собой некий стандартизированный текст, шаблон, набор бланков или оригинал-макет.

В этот шаблон вставляется высокоформализованный текст, который берется из государственного образовательного стандарта, примерной программы и учебного плана. Это название специальности, направления подготовки, название дисциплины, набор и формулировки компетенций.

Низкофрмализованная часть УМК – это его содержательная часть, заполняемая преподавателем по дисциплине.

Кроме того УМК включает в себя подписи его разработчика, методиста, заведующего кафедрой и декана.

6.2.1.2. Требования к учебно-методическому
комплексу (УМК) и к доступу к нему

Обратимся к рисунку 11:

Рисунок 11. Требования к учебно-методическому
комплексу (УМК) и к доступу к нему

Требования к УМК делятся на требования к оформлению, требования к содержанию и требования к доступу. Требования к содержанию определяются содержанием образовательных стандартов и содержанием дисциплины.

6.2.1.3. Проблемы, возникающие при разработке
учебно-методических комплексов (УМК)
и при обеспечении доступа к ним

При разработке УМК возникает ряд проблем, классификация которых приведена на рисунке 12:

Рисунок 12. Классификация проблем, возникающих при разработке УМК

Эти проблемы можно разделить на содержательные и чисто оформительские, а также на проблемы подписания проектов УМК у председателей учебно-методических комиссий и деканов, а иногда и у проректоров (по магистерским и аспирантским программам), проблемы представления доступа к утвержденным УМК внутренним и внешним проверяющим, а также всем заинтересованным в таком доступе и имеющим на него полномочия.

6.2.1.4. Функционально-стоимостной анализ затрат
на решение проблем

Львиную долю затрат при разработке УМК занимает не содержательная неформализуемая работа с ним, требующая опыта преподавания и профессиональной компетентности, которыми обладают профессора и доценты (ППС), как правило и разрабатывающие УМК, а рутинная чисто техническая и легко автоматизируемая работа по выборкам данных из учебных планов, ООП и других документов, а также по приданию УМК внешнего вида, соответствующего внутреннему стандарту, принятому в данном вузе, т.е. работа по оформлению текста, т.е. по сути, верстка, которая представляют собой работу не профессора или доцента, а технического редактора. Это было бы не так страшно, если бы эти стандарты не менялись ежегодно, а иногда и по нескольку раз в год, и даже в месяц, и у каждого преподавателя не было бы чуть ли по десятку дисциплин[15]. При этом, как показывает опыт, при изменении стандарта содержание УМК меняется очень незначительно, т.к. определяется самим содержанием учебной дисциплины. Изменения же касаются, как правило, самого стандарта или шаблона оформления УМК, т.е. вида шрифтов, интервалов, таблиц и т.п.

Не секрет, что проверки УМК на практике часто сводятся к формальной проверке правильности их оформления (размеры шрифтов, интервалов, вид таблиц и т.п.), правильности номеров и дат различных протоколов, наличия всех необходимых подписей и практически не касается содержания. Это можно понять, т.к. проверяющим проще проверить внешнюю сторону УМК, чем вникать в их содержание, но с этим нельзя согласиться, т.к. по глубокому убеждению авторов (и как мы знаем других разработчиков УМК) работа по выборке данных из стандартных документов и разработка всего этого текстового оформления (верстка) вообще не дело профессоров и доцентов. При этом именно оформлению УМК при проверке уделяется основное внимание, и именно оформление занимает основную часть трудоемкости разработки УМК. При этом совершенно ясно, что едва ли если в УМК что-то будет написано не тем шрифтом то это как-то существенно скажется на качестве преподавания этой дисциплины. Это совершенно не означает, что мы призываем писать разные УМК разными шрифтами и вообще упразднить стандарт, мы лишь обращаем внимание на то, что если бы подход, подобный действующему в настоящее время в области разработки УМК действовал бы в бухгалтерии, например, то бухгалтера бы делали проводки 1% времени и 99% вручную оформляли бы выходные формы, стандарт бы которых постоянно изменялся и их бы наказывали не за ошибочное содержание этих форм, а за их вид, не тот шрифт заголовка, не тот отступ и т.п. Но этого не происходит, т.к. у бухгалтеров есть система 1С, которая снимает все подобные проблемы сразу для всех ее пользователей, а у разработчиков УМК нет никаких функционально подобных средств автоматизации их труда, отделяющих работу над содержанием от формы его представления.

6.2.1.5. Традиционный подход к решению проблем
и оценка степени его соответствия
предъявляемым требованиям

Разработчик УМК, как правило профессор или доцент, работая над содержанием УМК одновременно непрерывно работает и над формой представления этого содержания, т.е. занимается версткой, т.е. чуждыми для него чисто техническими рутинными операциями по изготовлению оригинал-макета УМК и при этом еще и переносит информацию из хорошо формализованных баз данных в УМК. При этом доступ к УМК возможен только при физической передаче распечатанных, подписанных утвержденных полностью оформленных экземпляров, обычно при личной встрече, что весьма затруднительно.

Таким образом, традиционный подход к разработке УМК морально и физически безнадежно устарел и актуальным является создание специализированной корпоративной системы электронного документооборота, обеспечивающей современный уровень совместной распределенной в пространстве и времени работы над УМК всех, задействованных в этом процессе специалистов.

6.2.1.6. Требования к современному методу
решения поставленных проблем

Рассмотрим рисунок 13:

Рисунок 13. Требования к методу решения проблем

Всем перечисленным требованиям удовлетворяет web-портал по УМК, который по своим функциям относится к системам электронного документооборота (СЭД), входящим в состав корпоративной информационной системы (КИС).

6.2.1.7. Идея и концепция предлагаемого
решения проблем

Идея и концепция решения проблем с УМК состоит в том, что на уже существующей технической основе: корпоративной сети университета и Internet, предлагается создать одну из важнейших подсистем автоматизированной системы управления (АСУ) вузом, а именно подсистему корпоративной работы с УМК, автоматизирующую хорошо формализованные функции по одному из важнейших направлений научно-методической работы. В этой системе бы были зарегистрированы с различными правами, соответствующими их области компетенции, все авторы УМК, подписывающие и утверждающие их, руководители университета, а также контролирующие и проверяющие его работу по данному направлению деятельности

В качестве примеров успешной и эффективной реализации подобной технологии могут служить системы, обеспечивающие on-line работу через Internet РГНФ и РФФИ, а также сайты электронного правительства и система on-line отчетов по НИР, разработанная в Адыгейском государственном университете и успешно используемая для этих целей с 2010 года[16]. Преподаватели заполняют в этой системе специальные формы отчетности через Internet, внося текст в окна, а отчет о НИР печатается в стандартной на момент его распечатки форме, которая совершенно не зависит от преподавателя.

6.2.1.8. Функциональное описание web-портала
по УМК в составе сайта университета

Web-портал должен поддерживать:

1. Полное (100%) отделение работы ППС над содержанием УМК от работы над формой представления этого содержания (верстки), т.е. возможность работы над содержанием УМК совершенно безотносительно к его оформлению. Все содержание УМК, которое возможно взять из высоко формализованных баз данных должно быть взято из этих баз данных без участия разработчика УМК. Разработчик же УМК должен выполнять только те работы, которые в настоящее время невозможно автоматизировать, т.е. работы связанные с его профессиональной компетенцией в области науки, соответствующей преподаваемой дисциплине.

2. Возможность централизованного изменения формы представления УМК одним человеком – системным администратором web-портала по УМК во исполнение распоряжения ответственных разработчиков нового стандарта представления из учебного управления и управления обеспечения качества. Когда разрабатывается и утверждается руководством новый макет УМК он должен вноситься в список стандартов с возможностью его выбора из этого списка преподавателем, разрабатывающим УМК.

3. Распечатку УМК в виде текстового файла с содержанием, заданным ППС, в форме, заданной разработчиком нового стандарта. Если изменяется только форма – то УМК распечатывается в новой форме без участия разработчика с тем же содержанием. Но при изменении стандарта УМК может изменяться не только оформление, но и состав содержания. Поэтому некоторые разделы при распечатке в новом стандарте могут оказаться незаполненными (система должна сообщить об этом в результате проверке полноты заполнения обязательных полей). В этом случае разработчику УМК нужно заполнить лишь только эти новые незаполненные разделы и УМК нового стандарта практически готов!

4. Доступ к УМК с любого компьютера, подключенного к Internet и имеющего установленный браузер с виртуальной JAWA-машиной, без необходимости инсталляции какой-либо клиентской части:

• разработчикам в режиме чтения и записи (до утверждения УМК, а после - только в режиме чтения);

• подписывающим и утверждающим - в режиме чтения УМК и записи только к листу замечаний и полям для подписей;

• контролирующим, проверяющим, руководителям и всем, имеющим на это право – только в режиме чтения и специальным режимам, отражающим ход разработки и утверждения УМК в разрезах по специальностям, факультетам, кафедрам и разработчика (ППС). При этом все: и разработчики УМК, и подписывающие, утверждающие, контролирующие, проверяющие, руководители и все, имеющим на это право, имеют доступ ко всем УМК, в том числе и находящимся в процессе разработки, и этот доступ они могут осуществлять в любое удобное для них время с любого компьютера, имеющего доступ к Internet;

• идентификация личности всех работающих с УМК должна осуществляться с применением электронной подписи. После идентификации личности должна осуществляться авторизация с предоставлением прав доступа, соответствующих должности сотрудника.

6.2.1.9. Обобщенная структура web-портала по УМК

В предварительном плане, т.е. на предпроектной стадии, предлагается следующая структура web-портала по УМК:

1. Справочник высшего руководства университета.

2. Справочник факультетов с привязкой к курирующим проректорам.

3. Справочник кафедр с привязкой к факультетам.

4. Справочник специальностей с привязкой к факультетам, на которых по ним ведется обучение.

5. Справочник учебных дисциплин с указанием всей информации, которая есть в учебных планах (расчасовка) с привязкой к кафедрам, на которых они преподаются.

6. Справочник деканов с привязкой к их факультетам.

7. Справочник Председателей методических комиссий с привязкой к их факультетам.

8. Справочник Заведующих кафедрами с привязкой к кафедрам.

9. Справочник разработчиков УМК с привязкой к кафедрам и дисциплинам, по которым они ведут занятия и разрабатывают УМК.

10. Справочник контролирующих.

11. Справочник проверяющих.

12. База данных УМК.

13. Базы данных анализа ситуации по разработке, подписанию, утверждению и проверке УМК.

6.2.1.10. Работы и ресурсы, необходимые
для создания web-портала по УМК

Создание web-портала по УМК включает следующие основные работы:

1. Разработка Технико-экономического обоснования (ТЭО) целесообразности создания web-портала по УМК.

2. Разработка Технического задания (ТЗ), описывающего web-портал по УМК функционально, т.е. конкретизирующего, что он должен обеспечивать.

3. Разработка Технического проекта (ТП) web-портала по УМК, в котором конкретизируются:

• даталогическая и инфологическая модели баз данных;

• алгоритмы работы с базами данных;

• структура web-портала по УМК, его подсистемы и режимы, дерево диалога от главного меню до экранных форм;

• обосновывается выбор инструментального программного обеспечения для разработки web-портала по УМК.

4. Разработка Рабочего проекта (РП), в котором разрабатывается программное обеспечение web-портала по УМК и этапы его внедрения и сопровождения. Внедрение должно включать краткое обучение всех пользователей портала.

Для выполнения этих работ необходимы следующие ресурсы:

1. Воля руководства Университета по созданию web-портала по УМК.

2. Юридическое обеспечение, в котором бы разработчикам web-портала по УМК давались необходимые полномочия на получение необходимой информации от различных подразделений университета.

3. Разработчики программно-информационного обеспечения web-портала по УМК (в составе Центра информационных технологий университета).

4. Контент-менеджеры, обеспечивающую первоначальное наполнение и поддержку в актуальном состоянии справочных баз данных web-портала по УМК (в составе Центра информационных технологий).

6.2.1.11. Работы и ресурсы, необходимые для
эксплуатации и развития web-портала по УМК

Поддержка эксплуатации web-портала по УМК включает:

1. Администрирование (обеспечение работоспособности, надежности, информационной безопасности, регистрация всех категорий пользователей портала ).

2. Информационное наполнение справочников и поддержание их в актуальном состоянии.

3. Наполнение и корректировку баз данных УМК (осуществляют разработчики УМК).

4. Сопровождение эксплуатации, т.е. консультативная поддержка всех категорий пользователей.

Для выполнения этих работ (по-видимому в составе Центра информационных технологий) необходимы:

1. Администратор web-портала по УМК,

2. Контент-менеджеры.

3. Специалисты по сопровождению эксплуатации.

6.2.1.12. Оценка социально-экономической
эффективности web-портала по УМК

Можно обоснованно ожидать, что создание и ввод в эксплуатацию web-портала по УМК:

1. Резко снизит трудоемкость и затраты времени на разработку и совершенствование УМК.

2. Высвободит время профессорско-преподавательского состава для подготовки к занятиям и ведения научно-исследовательской работы.

3. Существенно улучшит рабочую атмосферу и душевное состояние сотрудников – разработчиков УМК.

4. Сделает «прозрачным» весь процесс разработки и корректировки УМК и существенно повысит степень управляемости этого процесса.

5. Резко снизит трудоемкость и затраты времени на подписание и утверждение УМК.

6. Резко снизит трудоемкость и затраты времени на контроль и проверку УМК.

Финансовые затраты на создание, поддержку эксплуатации и развитие web-портала по УМК включают в основном фонд оплаты труда его разработчиков (разовые) и специалистов по эксплуатации (постоянные). Эти затраты на порядки меньше, чем прямые потери от непроизводительного труда сотен разработчиков УМК, неизбежные в настоящее время при существующей технологии.

6.2.1.13 Выводы

Создание Web-портала по УМК в составе сайта университета позволит освободить огромную армию специалистов наивысшей квалификации, 99% которых имеют научные звания и степени кандидатов и докторов наук, доцентов и профессоров, от несвойственной им рутинной работы технического редактора, которая сейчас занимает 99% трудоемкости разработки УМК, и использовать их время, силы, профессиональную компетенцию и талант более разумно по прямому назначению для более творческой работы над содержательной частью УМК, преподавания и научной работы.

6.2.2. Применение АСК-анализа для сопоставимой
оценки эффективности вузов

Раздел посвящен решению проблемы, заключающейся в том, что с одной стороны рейтинг российских вузов востребован, а с другой стороны пока он не создан. Предлагаемая идея решения проблемы состоит в применении отечественной лицензионной инновационной интеллектуальной технологии для этих целей: а именно предлагается применить автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий – интеллектуальную систему «Эйдос». Эти методы подробно описываются в этом контексте. Предлагается рассмотреть возможности применения данного инструментария на примере университетского рейтинга Гардиан, и рассматриваются его частные критерии (показатели вузов). Указываются источники данных и методика их подготовки для обработки в системе «Эйдос». В соответствии с методологией АСК-анализа описывается установка системы «Эйдос», ввод исходных данных в нее и формализация предметной области, синтез и верификация модели, их отображение и применение для решения задач оценки рейтинга Гардиан для российских вузов и исследования объекта моделирования. Рассматриваются перспективы и пути создания интегрированного рейтинга российских вузов и эксплуатации рейтинга в адаптивном режиме. Указываются ограничения предлагаемого подхода и перспективы его развития.

6.2.2.1. Формулировка проблемы

Университетские рейтинги давно стали общепринятым в мире методом оценки эффективности вузов[17].

Этими рейтингами для решения различных задач пользуются и потенциальные студенты, и их родители, и ученые, и руководители. Таким образом, они востребованы практически всем обществом.

Недавно и министерство образования и науки РФ обратилось к идее создания подобного рейтинга для российских вузов, и это в общем нельзя не приветствовать.

Однако первый опыт создания подобного рейтинга, по-видимому, приходиться признать неудачным, т.к. он вызвал большой поток совершенно справедливой и хорошо обоснованной критики со стороны научно-педагогического сообщества. Возражения вызвали, прежде как сами критерии оценки эффективности вузов[18], так и полная непрозрачность процедуры формирования этих критериев, а также то, что за бортом широкого обсуждения (которого, вообще не было) осталось и само понятие эффективности вузов, т.е. их основное назначение. А ведь именно тем, что понимается под эффективностью вузов, определяются и критерии ее оценки. Но предложенные критерии оказались таковы, что у многих возникло вполне обоснованное подозрение, что под эффективностью вузов при их формировании понималось вовсе не качество образования, а нечто другое не свойственное вузам.

Эта критика звучит и на научных конференциях,[19] и в научных публикациях. А то, о чем не принято говорить на научных конференциях и писать в научных публикациях, высказывается на форумах и на личных страницах ученых и педагогов. Например, на своем личном сайте доктор педагогических наук профессор А.А.Остапенко пишет: «Основных критериев, как мы помним пять: средний балл ЕГЭ принятых на обучение студентов; объём научных работ на одного сотрудника; количество иностранцев-выпускников; доходы вуза в расчёте на одного сотрудника, а также общая площадь учебно-лабораторных зданий в расчёте на одного студента. Как они связаны с эффективностью вуза и что такое эффективность вообще понять, мысля рационально, непросто. Даже всерьёз обсуждать эти критерии как-то странно» [20]. Но мы все же выскажем одно соображение. На наш взгляд довольно странно выглядит попытка сравнения друг с другом вузов разных направленности подготовки, т.е. например аграрных вузов и вузов, готовящих специалистов для атомной и ракетно-космической промышленности. Иначе говоря, для вузов разной направленности должны быть свои рейтинги.

Правда со временем, наверное, в какой-то степени и под влиянием этой критики, позиция Минобрнауки РФ стала меняться. А то, что к тому времени уже успели закрыть несколько вузов, как говорят: «имеющих признаки неэффективности»[21], – это как бы и не так важно. Динамику этих изменений позиции профильного министерства можно проследить по Нормативно-правовым документам Минобрнауки РФ, устанавливающим критерии оценки эффективности деятельности вузов[22].

Таким образом, налицо проблема, которая состоит в том, что с одной стороны рейтинг российских вузов востребован, а с другой стороны как-то пока не очень получается его сформировать. То есть, как обычно желаемое не совпадает с действительным, и «хотели как лучше, а вышло как всегда» (В.С.Черномырдин).

6.2.2.2. Авторский подход к решению проблемы

6.2.2.2.1. Идея предлагаемого решения проблемы

Идея решения проблемы проста: обратиться к мировому опыту в этой области, творчески его переосмыслить применительно к российским реалиям и разработать свои научно-обоснованные подходы, с учетом всего лучшего, что есть в мировом опыте.

Существует несколько популярных и авторитетных рейтингов вузов¹:

– Университетский рейтинг The Guardian^[23];

– Университетский рейтинг Times^[24];

– Мировой рейтинг Times Higher Education^[25];

– Рейтинг мировых вузов Шанхайского Университета^[26].

Мы не будем их здесь описывать, т.к. по ним достаточно информации в общем доступе, в т.ч. по приведенным ссылкам.

Но хотели бы отметить, что для поддержки любого подобного рейтинга необходима соответствующая инфраструктура, оснащенная различными видами обеспечения ее деятельности (финансовое, кадровое, организационное, техническое, математическое, программное, информационное и т.д.). Все эти виды обеспечения в совокупности представляют собой технологию ведения и применения данного рейтинга.

Естественно, никто технологию не продает, а если и продает, то так дорого, что купить ее практически невозможно. Поэтому возникает вопрос о разработке или поиске подобной технологии в России.

Таким образом, востребованы теоретическое обоснование, математическая модель, методика численных расчетов (т.е. структуры данных и алгоритмы их обработки) а также реализующие их инструментальные (программные) средства, обеспечивающие создание, поддержку, развитие и применение подобных рейтингов.

Данная статья как раз и посвящена рассмотрению отечественной лицензионной инновационной интеллектуальной технологии, обеспечивающей решение поставленной проблемы. А именно предлагается применить для этой цели автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий – интеллектуальную систему «Эйдос».

6.2.2.2.2. Автоматизированный системно-когнитивный анализ и интеллектуальная
система «Эйдос» как инструментарий
решения проблемы

Этот подход кратко описан в статье [148]. Здесь рассмотрим его подробнее.

Прежде всего, возникает вопрос о том, что понимается под эффективностью вузов? Ведь ясно, что прежде чем оценивать эффективность вузов было бы неплохо, а на самом деле совершенно необходимо, разобраться с тем, что же это такое. Причина этого ясна: выбор критериев оценки во многом обуславливается тем, что именно оценивается.

Ясно, что по этому поводу существует много различных мнений, которые в различной степени аргументированы или не аргументированы и отражают позиции руководителей образования и науки, профессионального научно-педагогического сообщества и различных слоев населения. По мнению автора, с научной точки зрения некорректно и неуместно говорить о каких-то критериях оценки эффективности вузов, если не определено само это понятие эффективности, т.е. отсутствует консенсус в профессиональной среде по поводу того, что же это такое.

Очевидно, для достижения такого консенсуса в наше время необходимо широкое обсуждение этого вопроса в научной печати, Internet и СМИ. Однако такое обсуждение не было организовано и критерии оценки эффективности или признаков неэффективности практически неожиданно «свалились научно-педагогическому сообществу как снег на голову».

Уже после этого, как это произошло, началось обсуждение этого вопроса на различных научных конференциях, в научной и периодической прессе, на личных сайтах, формах и т.п. Но пока шло это обсуждение и пока оно не пришло к какому-либо консенсусу в этом вопросе, ряд вузов были закрыты, филиалы сокращены и т.д.

По мнению автора, цель вуза в том, чтобы формировать компетентных и творчески мыслящих специалистов в соответствии с прогнозом социального заказа, т.е. таких, которые будут востребованы обществом в будущем периоде профессиональной деятельности этих специалистов, который составляет 30-40 лет. А должен ли вуз зарабатывать, должен ли он иметь те или иные площади в расчете на одного учащегося – это все нужно знать только для того, чтобы спрогнозировать, сможет ли он выполнить свою основную задачу, т.е. подготовку специалистов. Ни в коем случае нельзя рассматривать эти показатели как самоцель, т.к. достижение тех или иных их значений, вообще говоря, может и ничего не говорить о достижении цели вуза. Несут ли эти критерии какую-либо информацию о достижении цели вуза, и какую именно по величине и знаку, – это еще надо определить в процессе специального исследования, которое, скорее всего не было проведено. Странно, что об этом приходиться писать, но приходиться, т.к. похоже, об этом стали забывать.

Когда консенсус профессионального научно-педагогического сообщества по вопросу о том, что же понимать под «эффективностью вуза» будет достигнут, на первый план выступает вопрос о том, с помощью какого метода оценивать эту эффективность, т.е. как ее измерить.

Для авторов вполне очевидно, что этот метод должен представлять собой какой-то вариант метода многокритериальной оценки. Это обусловлено просто тем, что такие сложные и многофакторные системы как вузы в принципе невозможно оценивать по одному показателю или критерию. Чтобы обоснованно выбрать метод оценки эффективности вузов необходимо сначала научно обосновать требования к нему, а затем составить рейтинг методов по степени соответствия обоснованным требованиям и выбрать метод, наиболее удовлетворяющий обоснованным требованиям.

Применение метода факторного анализа для этих целей, по-видимому, некорректно, т.к. этот метод, предъявляющий настолько жесткие требования к исходным данным об объекте моделирования, что их практически невозможно выполнить. Во-первых, факторный анализ – это параметрический метод, предполагающий, что исходные данные подчиняются многомерным нормальным распределениям. Во-вторых, это метод неустойчивый, т.е. небольшие изменения исходных данных могут привести к значительным изменениям в модели. Поэтому исходные данные для факторного анализа должны быть абсолютно точными, что невозможно не только фактически, но даже в принципе. В-третьих, перед началом факторного анализа необходимо определить наиболее важные факторы, которые и будут исследоваться в создаваемой модели. Но при этом в руководствах по факторному анализу не уточняется, каким способом это предлагается сделать. А между тем при большом количестве факторов, что является обычным для большинства реальных задач, это не тривиальная задача, которую вручную решить невозможно.

Когда метод оценки эффективности вузов выбран, необходимо ответить на вопрос о том, на основе каких частных критериев оценивать эффективность вузов и какой исходной информацией о вузах для этого необходимо располагать?

Ясно, что эти критерии в общем случае могут иметь как количественную, так и качественную природу и могут измеряться в различных единицах измерения. Кроме того эти критерии могут иметь различную силу и направление влияния на интегральную оценку эффективности вузов. Конечно, возникают вопросы как о способе определения системы критериев эффективности вуза, так и о способе определения силы и направления влияния критериев на оценку эффективности вузов.

Но еще более существенным является вопрос: «О способе сопоставимого сведения разнородных по своей природе и измеряемых в различных единицах измерения частных критериев эффективности в один количественный интегральный критерий эффективности вуза».

Отметим, что в материалах Минобрнауки РФ и о критериях оценки эффективности вузов[27] даже не упоминается вопрос о том, что когда значения частных критериев для того или иного вуза установлены, то необходимо каким-то образом на их основе получить обобщающую количественную оценку его эффективности в виде одного числа, т.е. надо как-то объединить значения всех частных критериев в одной формуле, в одном математическом выражении, которое и называется «Интегральный критерий».

Поэтому, наверное, и говорят не об эффективности или неэффективности вуза, а всего лишь «о признаках неэффективности», а признаками являются значения отдельных частных критериев. Если таких признаков неэффективности много, то делают вывод о том, что вуз неэффективен. Фактически такой подход, который может быть и применялся, можно назвать неосознанным применением частных критериев и интегрального критерия, т.е. «неосознанным многокритериальным подходом». При таком подходе все частные критерии имеют одинаковый вес, например принимающий значения 0 (неэффективен) и 1 (эффективен). Когда значения всех частных критериев для вуза установлены, то эти веса суммируются и сумма сравнивается с минимальными и максимальными оценками, полученными для всех вузов. Допустим, в Минобрнауки РФ из каких-то своих соображений решили, что в результате оценки эффективности вузов должно быть закрыто из-за низкой эффективности 1.5% вузов. Тогда все вузы сортируются по убыванию этой суммы и 1.5% с конца рейтинга помещаются в «черный список».

Но такой «неосознанный многокритериальный подход» очень и очень уязвим для критики.

Во-первых, возникает законный вопрос о том, почему все критерии имеют одинаковый вес, хотя даже интуитивно ясно, что они имеют разное значение и по-разному влияют на эффективность вуза (которая, кстати, непонятно в чем заключается).

Во-вторых, непонятно, как можно складывать средний балл ЕГЭ принятых на обучение студентов, объём научных работ на одного сотрудника, количество иностранцев-выпускников, доходы вуза в расчёте на одного сотрудника и общую площадь учебно-лабораторных зданий в расчёте на одного студента. За подобные математические операции ставят двойку по физике в 7-м классе средней школы. Там школьников учат, что перед тем как складывать величины, измеренные в разных единицах измерения, например рост учащихся, выраженный в метрах (1.72) и выраженный в сантиметрах (160), нужно перевести эти величины в одну единицу измерения, например в метры или в сантиметры. А иначе получится: 1.72+160=161.72, т.е. некий результат, не поддающийся разумной содержательной интерпретации[28]. Как бы нечто похожее и на таком же научном уровне не получилось при оценке наличия у вуза «признаков неэффективности». Но научно-педагогическую общественность не поставили в известность о том, каким образом вычисляется интегральная оценка эффективности вуза на основе установленных для него значений частных критериев. Поэтому высказанное опасение остается не снятым.

В развитом осознанном многокритериальном подходе для вычисления значения интегрального критерия нужно знать силу и направление влияния каждого значения частных критериев на величину этого интегрального критерия. Интегральные критерии бывают трех видов: аддитивные, мультипликативные и общего вида. Чаще всего используются аддитивные интегральные критерии, в которых значение интегрального критерия равно просто сумме значений частных критериев. Но чтобы значения частных критериев можно было корректно суммировать необходимо, чтобы они были значениями на числовых измерительных шкалах [201], и чтобы они измерялись в одних и тех же единицах измерения или были безразмерными.

Оба эти требования выполняются в Автоматизированном системно-когнитивном анализе (АСК-анализ), в котором все значения всех факторов, независимо от того количественные они или качественные и в каких единицах они измеряются в исходных данных, в моделях системы «Эйдос» (системно-когнитивных моделях) они все измеряются в одних и тех же единицах измерения – единицах количества информации [201]. Поэтому метод АСК-анализа и предлагается для решения поставленной проблемы.

АСК-анализ представляет собой один из современных методов искусственно интеллекта, который предоставляет научно обоснованные ответы на все эти вопросы, но самое существенное, что он оснащен широко и успешно апробированным универсальным программным инструментарием, позволяющим решить эти вопросы не только как обычно на теоретическом концептуальном уровне, но и на практике. Модели знаний АСК-анализа основаны на нечеткой декларативной модели представления знаний, предложенной автором в 1983 году и являющейся гибридной моделью, сочетающей в себе преимущества фреймовой, нейросетевой и четкой продукционной моделей и обеспечивающей создание моделей очень больших размерностей до 10 млн. раз превышающих максимальные размерности моделей знаний экспертных систем с четкими продукциями:

– от фреймовой модели модель представления знания системы «Эйдос» отличается существенно упрощенной программной реализацией и более высоким быстродействием без потери функциональности;

– от нейросетевой тем, что обеспечивает хорошо обоснованную теоретически содержательную интерпретацию весовых коэффициентов на рецепторах и обучение методом прямого счета [20];

– от четкой продукционной модели – нечеткими продукциями, представленными в декларативной форме, что обеспечивает эффективное использование знаний без их многократной генерации для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемого объекта.

АСК-анализ является непараметрическим методом, устойчивым к шуму в исходных данных, позволяющий корректно обрабатывать неполные (фрагментированные) исходные данные, описывающие воздействие взаимозависимых факторов на нелинейный [7] объект моделирования.

Суть метода АСК-анализа в том, что он позволяет рассчитать на основе исходных данных какое количество информации содержится в значениях факторов, обуславливающих переходы объекта моделирования в различные будущие состояния, причем как в желательные, так и в нежелательные [201].

Он состоит в целенаправленном последовательном повышении степени формализации исходных данных до уровня, который позволяет ввести исходные данные в компьютерную систему, а затем преобразовать исходные данные в информацию; информацию преобразовать в знания; использовать знания для решения задач прогнозирования, принятия решений и исследования предметной области.

Рассмотрим подробнее вопросы выявления, представления и использования знаний в АСК-анализе и системе «Эйдос».

Данные – это информация, записанная на каком-либо носителе или находящаяся в каналах связи и представленная на каком-то языке или в системе кодирования и рассматриваемая безотносительно к ее смысловому содержанию.

Исходные данные об объекте управления обычно представлены в форме баз данных, чаще всего временных рядов, т.е. данных, привязанных ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ), развиваемой проф. Е.В.Луценко, для управления и принятия решений использовать непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат управления при таком подходе оказывается мало чем отличающимся от случайного. Для реального же решения задачи управления необходимо предварительно преобразовать данные в информацию, а ее в знания о том, какие воздействия на корпорацию к каким ее изменениям обычно, как показывает опыт, приводят.

Информация есть осмысленные данные.

Смысл данных, в соответствии с концепцией смысла Шенка-Абельсона, состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Таким образом, данные преобразуются в информацию в результате операции, которая называется «Анализ данных», которая состоит из двух этапов:

1. Выявление событий в данных (разработка классификационных и описательных шкал и градаций и преобразование с их использованием исходных данных в обучающую выборку, т.е. в базу событий – эвентологическую базу).

2. Выявление причинно-следственных зависимостей между событиями.

В случае систем управления событиями в данных являются совпадения определенных значений входных факторов и выходных параметров объекта управления, т.е. по сути, случаи перехода объекта управления в определенные будущие состояния под действием определенных сочетаний значений управляющих факторов. Качественные значения входных факторов и выходных параметров естественно формализовать в форме лингвистических переменных. Если же входные факторы и выходные параметры являются числовыми, то их значения измеряются с некоторой погрешностью и фактически представляют собой интервальные числовые значения, которые также могут быть представлены или формализованы в форме лингвистических переменных (типа: «малые», «средние», «большие» значения экономических показателей).

Какие же математические меры могут быть использованы для количественного измерения силы и направления причинно-следственных зависимостей?

Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике это хорошо известно, что это совершенно не так. Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями. В АСК-анализе предлагается 7 количественных мер причинно-следственных связей, основной из которых является семантическая мера целесообразности информации по А.Харкевичу.

Знания – это информация, полезная для достижения целей[29].

Значит для преобразования информации в знания необходимо:

1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные).

2. Оценить полезность информации для достижения этой цели (знак и силу влияния).

Второй пункт, по сути, выполнен при преобразовании данных в информацию. Поэтому остается выполнить только первый пункт, т.к. классифицировать будущие состояния объекта управления как желательные (целевые) и нежелательные.

Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:

– вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);

– знания, формализованные в естественном вербальном языке;

– знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных);

– знания в форме технологий, организационных, производственных, социально-экономических и политических структур;

– знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).

Таким образом, для решения сформулированной проблемы необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:

– преобразовать исходные данные в информацию;

– преобразовать информацию в знания;

– использовать знания для решения задач управления, принятия решений и исследования предметной области (рисунок 14).

Рисунок 14. Соотношение содержания понятий: «Данные», «Информация»,
«Знания» и этапы последовательного повышения степени формализации модели
от данных к информации, а от нее к знаниям

АСК-анализ имеет следующие этапы [7]:

– когнитивно-целевая структуризация предметной области;

– формализация предметной области (формирование классификационных и описательных шкал и градаций и обучающей выборки);

– синтез и верификация статистических и системно-когнитивных моделей;

– решение задач идентификации, прогнозирования, принятия решений и исследования предметной области в наиболее достоверных из созданных моделей.

Единственный неавтоматизированный в системе «Эйдос» этап – это первый, а остальные приведены на рисунке 14.

АСК-анализ имеет ряд особенностей, которые обусловили его выбор в качестве метода решения проблемы:

1. Имеет теоретическое обоснование, основой которого является семантическая мера целесообразности информации А.Харкевича.

2. Обеспечивает корректную сопоставимую количественную обработку разнородных по своей природе факторов, измеряемых в различных единицах измерения, высокую точность и независимость результатов расчетов от единиц измерения исходных данных.

3. Обеспечивает построение многомерных моделей объекта моделирования непосредственно на основе неполных и искаженных эмпирических данных о нем.

4. Имеет развитую и доступную программную реализацию в виде универсальной когнитивной аналитической системы «Эйдос».

Очень важно, что этот инструментарий и методики его использования для решения сформулированных задач могут быть доступны всем заинтересованным сторонам не только на федеральном уровне, но и в самих вузах, что позволит им осуществлять аудиторскую самооценку и видеть свое место и динамику среди других вузов. Это позволит руководителям вузов принимать более осознанные и научно обоснованные решения, направленные на повышение эффективности и рейтинга их вуза. Конечно, для реализации на практике регулярного рейтингового анализа вузов необходимо создание соответствующей достаточно разветвленной инфраструктуры.

Более подробному и конкретному исследованию связанных с этим вопросов и посвящена данная работа, в которой далее кратко расстраивается университетский рейтинг Гардиан (который выбран просто в качестве примера), а затем приводится численный пример его реализации в форме приложения интеллектуальной системы «Эйдос». Отметим, что создание этого приложения не требует программирования [147, 151, 233], т.е. система «Эйдос» анализирует исходные данные рейтинга и строит модель, в которой отражено как влияют значения частных критериев на значение интегрального критерия, т.е. на итоговую общую оценку рейтинга вуза.

6.2.2.2.3. Частные критерии университетского
рейтинга Гардиан

Университетский рейтинг Гардиан[30] выгодно отличается от других тем, что измеряет качество преподавания, использования учебных ресурсов, а также оценивает уровень исследовательской деятельности, что очень полезно для тех, кто интересуется послевузовскими программами – магистратурой, докторантурой и проч.

Как указано на официальном сайте рейтинга¹⁰ в нем используются следующие частные критерии:

1. Качество преподавания, которое оценивается национальным студенческим исследованием (NSS): процент удовлетворенных студентов.

2. Получение обратной связи от преподавателя и качество заданий. Оценивается опросом NSS, в котором устанавливается процент удовлетворенных студентов.

3. Результаты опроса NSS, в котором оценивается процент студентов, удовлетворенных общим качеством выбранной программы.

4. Затраты на студента – оценка по 10-балльной шкале.

5. Соотношение студент – работник вуза: количество студентов на штатную единицу университета.

6. Карьерные перспективы: процент выпускников, сумевших найти работу или продолжить обучение в течение полугода после окончания вуза.

7. Уровень прогресса студентов на основе сравнения университетских результатов с оценками предыдущего сертификата (обычно, школьного или университетского): оценка по 10-балльной шкале. Данный показатель демонстрирует, насколько преподавательский состав способен повлиять на улучшение успеваемости студентов.

8. Проходной балл при поступлении в вуз на основе оценок предыдущего сертификата обучения (школьный или университетский сертификат).

Отметим, что считаем важным достоинством данного рейтинга то, что он ведется по различным направлениям подготовки, которых 45 (таблица 15):

Таблица 15 – Направления подготовки, по которым проводился
университетский рейтинг Гардиан

№	Наименование
1	Agriculture, forestry and food
2	American studies
3	Anatomy and physiology
4	Anthropology
5	Archaeology and Forensics
6	Architecture
7	Art and design
8	Biosciences
9	Building and town and country planning
10	Business and management studies
11	Chemistry
12	Classics
13	Computer sciences and IT
14	Dentistry
15	Drama and dance
16	Earth and marine sciences
17	Economics
18	Education
19	Engineering: chemical
20	Engineering: civil
21	Engineering: electronic and electrical
22	Engineering: general
23	Engineering: materials and mineral
24	Engineering: mechanical
25	English
26	Geography and environmental studies
27	History and history of art
28	Law
29	Mathematics
30	Media studies, communications and librarianship
31	Medicine
32	Modern languages and linguistics
33	Music
34	Nursing and paramedical studies
35	Pharmacy and pharmacology
36	Philosophy
37	Physics
38	Politics
39	Psychology
40	Religious studies and theology
41	Social policy and administration
42	Sociology
43	Sports science
44	Tourism, transport and travel
45	Veterinary science

В университетском рейтинге Гардиан содержатся рейтинги 155 вузов. Однако интегральный критерий, позволяющий получить рейтинговую оценку вуза на основе установленных для него значений частных критериев, на официальном сайте рейтинга Гардиан[31] не приводится. Поэтому для того, чтобы применить данный рейтинг на практике необходимо реконструировать его интегральный критерий и создать модель, отражающую силу и знак связи между значениями частных критериев и значениями интегрального критерия. Решим эту задачу в системе «Эйдос» на численном примере на основе реальных данных рейтинга Гардиан.

6.2.2.3. Численный пример

6.2.2.3.1. Источники исходных данных

В нижней части одной из страниц официального сайта университетского рейтинга Гардиан[32] есть ссылка на Excel-таблицу, которую мы использовали в качестве исходных данных:

Download the data

• DATA: download the full spreadsheet.

Кликнув по этой ссылке, мы получаем on-line доступ к этой Excel-таблице (рисунок 15):

Рисунок 15. Excel-таблица исходных данных по университетскому рейтингу Гардиан с официального сайта рейтинга (фрагмент)

Чтобы скачать эту таблицу на локальном компьютере нужно кликнуть слева вверху по пункту меню «Файл», а затем выбрать: «Сохранить как» и указать тип файла.

6.2.2.3.2. Подготовка исходных данных
для системы «Эйдос»

Однако в соответствии с 1-м и единственным не автоматизированным в системе «Эйдос» этапом АСК-анализа, который называется: «Когнитивно-целевая структуризация предметной области» перед созданием интеллектуального приложения мы должны определиться, что мы хотим определять с помощью модели и на основе чего.

В данной задаче для каждого университета по значениям его показателей мы бы хотели определить:

– обобщающий рейтинг Гардиан (Guardian score/100);

– рейтинг по каждому из направлений подготовки (Rank), перечисленных в таблице 15;

– основное (профилирующее) направление подготовки (Field of study).

– само наименование университета (Name of Institution).

Наименования показателей университета:

1. % Satisfied with Teaching.

2. % Satisfied overall with course.

3. Expenditure per student (FTE).

4. Student:staff ratio.

5. Career prospects.

6. Value added score/10.

7. Average Entry Tariff.

8. % Satisfied with Assessment.

Перевод этих показателей на русский язык приведен в разделе 2.3.

Учитывая эти результаты выполнения 1-го этапа АСК-анализа, перед для вводом данных в систему «Эйдос», таблицу, скачанную на предыдущем шаге с официального сайта рейтинга Гардиан и приведенную на рисунке 15, необходимо преобразовать в такую форму, которая бы отражала те способы группировки данных по университетам, которые нас интересуют и соответствовала бы требованиям системы «Эйдос» к внешним базам исходных данных (рисунок 16):

Рисунок 16. Экранная форма системы «Эйдос»
с описанием требований к внешним базам исходных данных

Для этого преобразуем таблицу, приведенную на рисунке 15, следующим образом:

1. Добавим лист (вкладку) с наименованием: «Inp_data» на 1-ю позицию. На этом листе будет формироваться результат для ввода данных всех данных по рейтингу в систему «Эйдос».

2. Переименуем наименования всех вкладок с рейтингами по направлений подготовки, полностью убирая текстовое наименование направления подготовки и оставляя только его номер (код). Это нужно для того, чтобы проще было писать формулы со ссылками на листы с информацией о рейтингах по направлениям подготовки.

3. Добавим отладочную страницу «P», на которой апробируем способ отображения абсолютного рейтинга в относительный (нормированный). Дело в том, что в таблице на рисунке 15 в каждом рейтинге по направлению подготовки участвует разное число университетов, а рейтингом является просто порядковый номер в списке. В результате рейтинги по направлениям подготовки изменяются в различных пределах от 1 до числа университетов, имеющих данное направление подготовки. В результате такие рейтинги оказываются несопоставимыми, что нас не устраивает Чтобы преодолеть эту проблему мы нормировали абсолютные рейтинги по направлениям подготовки к 10-бальной числовой шкале, т.е. преобразовали их в относительные. Можно было взять и любое другое число градаций шкалы, но мы посчитали, что такая шкала обеспечивает необходимую и достаточную для практики точность. Кроме того этот лист мы затем используем для модификации листов с рейтингами по направлениям подготовки. В таблице 16 приведены результат нормирования абсолютного рейтинга с 27 градациями и формулы, с помощью которых это делается.

Таблица 16 – Способ и результат нормирования абсолютного рейтинга
по направлению подготовки

Результат нормирования

абсолютного рейтинга

Способ (формулы) нормирования абсолютного рейтинга

	A	B	C
1	X1=	1
2	X2=	27
3	Y1=	1
4	Y2=	10
5
6	Абсолют. рейтинг		Относит. рейтинг
7	1		1,00
8	2		1,35
9	3		1,69
10	4		2,04
11	5		2,38
12	6		2,73
13	7		3,08
14	8		3,42
15	9		3,77
16	10		4,12
17	11		4,46
18	12		4,81
19	13		5,15
20	14		5,50
21	15		5,85
22	16		6,19
23	17		6,54
24	18		6,88
25	19		7,23
26	20		7,58
27	21		7,92
28	22		8,27
29	23		8,62
30	24		8,96
31	25		9,31
32	26		9,65
33	27		10,00

A	B	C
X1=	=A7
X2=	=A33
Y1=	1
Y2=	10
Абсолютный рейтинг		Относительный рейтинг
1		=$B$3+(A7-$B$1)/($B$2-$B$1)*($B$4-$B$3)
2		=$B$3+(A8-$B$1)/($B$2-$B$1)*($B$4-$B$3)
3		=$B$3+(A9-$B$1)/($B$2-$B$1)*($B$4-$B$3)
4		=$B$3+(A10-$B$1)/($B$2-$B$1)*($B$4-$B$3)
5		=$B$3+(A11-$B$1)/($B$2-$B$1)*($B$4-$B$3)
6		=$B$3+(A12-$B$1)/($B$2-$B$1)*($B$4-$B$3)
7		=$B$3+(A13-$B$1)/($B$2-$B$1)*($B$4-$B$3)
8		=$B$3+(A14-$B$1)/($B$2-$B$1)*($B$4-$B$3)
9		=$B$3+(A15-$B$1)/($B$2-$B$1)*($B$4-$B$3)
10		=$B$3+(A16-$B$1)/($B$2-$B$1)*($B$4-$B$3)
11		=$B$3+(A17-$B$1)/($B$2-$B$1)*($B$4-$B$3)
12		=$B$3+(A18-$B$1)/($B$2-$B$1)*($B$4-$B$3)
13		=$B$3+(A19-$B$1)/($B$2-$B$1)*($B$4-$B$3)
14		=$B$3+(A20-$B$1)/($B$2-$B$1)*($B$4-$B$3)
15		=$B$3+(A21-$B$1)/($B$2-$B$1)*($B$4-$B$3)
16		=$B$3+(A22-$B$1)/($B$2-$B$1)*($B$4-$B$3)
17		=$B$3+(A23-$B$1)/($B$2-$B$1)*($B$4-$B$3)
18		=$B$3+(A24-$B$1)/($B$2-$B$1)*($B$4-$B$3)
19		=$B$3+(A25-$B$1)/($B$2-$B$1)*($B$4-$B$3)
20		=$B$3+(A26-$B$1)/($B$2-$B$1)*($B$4-$B$3)
21		=$B$3+(A27-$B$1)/($B$2-$B$1)*($B$4-$B$3)
22		=$B$3+(A28-$B$1)/($B$2-$B$1)*($B$4-$B$3)
23		=$B$3+(A29-$B$1)/($B$2-$B$1)*($B$4-$B$3)
24		=$B$3+(A30-$B$1)/($B$2-$B$1)*($B$4-$B$3)
25		=$B$3+(A31-$B$1)/($B$2-$B$1)*($B$4-$B$3)
26		=$B$3+(A32-$B$1)/($B$2-$B$1)*($B$4-$B$3)
27		=$B$3+(A33-$B$1)/($B$2-$B$1)*($B$4-$B$3)

Получим выражение для линейного отображения абсолютной шкалы, с числом градаций X₂ в относительную шкалу, с заданным числом градаций Y₂ (рисунок 17):

Рисунок 17. К выводу выражения для линейного отображения абсолютной шкалы в относительную шкалу (линейная нормировка абсолютной шкалы)

Из рисунка 17 видно, что:

Откуда получаем искомое выражение для нормировки:

где:

C – относительный рейтинг;

A – абсолютный рейтинг;

Y₁ –значение начальной градации шкалы относительного рейтинга;

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

X₁ – значение начальной градации шкалы абсолютного рейтинга;

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

Этому выражению можно придать вид линейного уравнения, но нам в этом нет необходимости.

4. На следующем шаге:

– копируем таблицу для нормировки абсолютных шкал на все листы с рейтингами по направлениям подготовки;

– корректируем значение X₂ на фактическое в данной абсолютной шкале.

В результате и получаем такие листы (таблица 17):

Таблица 17 – Преобразование абсолютного рейтинга по направлению
подготовки: «Медицина» в относительный (нормированный)

Отметим, что значение Y₂=10 во всех листах берется с листа «P» с исходной таблицей для преобразования абсолютных шкал в относительные, и, если его изменить там, то оно сразу меняется на всех листах с рейтингами по направлениям подготовки.

5. Затем формируем лист для ввода данных в систему «Эйдос». Для этого мы собираем на одном листе данные со всех листов с рейтингами по направлениям подготовки (таблица 18):

Таблица 18 – Исходные данные по рейтингу Гардиан,
подготовленные для ввода в систему «Эйдос» (фрагмент)

В таблице 18 приводится лишь фрагмент исходных данных, т.к. их распечатка составляет 25 листов.

Отметим, что исходный файл и файл исходных данных находятся на сайте автора в полном открытом бесплатном доступе на страничке: http://lc.kubagro.ru/ej_data/1071503001/Downloads.rar. Ниже приведена таблица 19 с формулами для расчета таблицы 18:

Таблица 19 – Формулы для расчета исходных данных по рейтингу Гардиан, для их подготовки к для ввода в систему «Эйдос» (фрагмент)

6.2.2.3.3. Установка системы «Эйдос»

Скачиваем и устанавливаем систему «Эйдос». Это наиболее полная на данный момент незащищенная от несанкционированного копирования портативная (portable) версия системы (не требующая инсталляции) с исходными текстами, находящаяся в полном открытом бесплатном доступе (около 50 Мб). Обновление имеет объем около 3 Мб.[33]

ИНСТРУКЦИЯ
по скачиванию и установке системы «Эйдос» (объем около 50 Мб)

Система не требует инсталляции, не меняет никаких системных файлов и содержимого папок операционной системы,
т.е. является портативной (portable) программой. Но чтобы она работала необходимо аккуратно выполнить следующие пункты.

1. Скачать самую новую на текущий момент версию системы «Эйдос-Х++» по ссылкам:

http://lc.kubagro.ru/a.rar или: http://lc.kubagro.ru/Aidos-X.exe (ссылки для обновления системы даны в режиме 6.2).

2. Разархивировать этот архив в любую папку с правами на запись с коротким латинским именем и путем доступа,
включающим только папки с такими же именами (лучше всего в корневой каталог какого-нибудь диска).

3. Запустить систему. Файл запуска:  _AIDOS-X.exe ^*

4. Задать имя: 1 и пароль: 1 (потом их можно поменять в режиме 1.2).

5. Перед тем как запустить новый режим НЕОБХОДИМО ЗАВЕРШИТЬ предыдущий (Help можно не закрывать). Окна закрываются в порядке, обратном порядку их открытия.

^* Разработана программа: «_START_AIDOS.exe», полностью снимающая с пользователя системы «Эйдос-Х++» заботу о проверке наличия и скачивании обновлений. Эту программу надо просто скачать по ссылке: http://lc.kubagro.ru/Install_Aidos-X/_START_AIDOS.exe , поместить в папку с исполнимым модулем системы и всегда запускать систему с помощью этого файла.

При запуске программы _START_AIDOS.EXE система Эйдос не должна быть запущена, т.к. она содержится в файле обновлений и при его разархивировании возникнет конфликт, если система будет запущена.

1. Программа _START_AIDOS.exe определяет дату системы Эйдос в текущей папке, и дату обновлений на FTP-сервере не скачивая их, и, если система Эйдос в текущей папке устарела, скачивает обновления. (Если в текущей папке нет исполнимого модуля системы Эйдос, то программа пытается скачать полную инсталляцию системы, но не может этого сделать из-за ограниченной функциональности демо-версии библиотеки Xb2NET.DLL).

2. После этого появляется диалоговое окно с сообщением, что надо сначала разархивировать систему, заменяя все файлы (опция: «Yes to All» или «OwerWrite All»), и только после этого закрыть данное окно.

3. Потом программа _START_AIDOS.exe запускает обновления на разархивирование. После окончания разархивирования окно архиватора с отображением стадии процесса исчезает.

4. После закрытия диалогового окна с инструкцией (см. п.2), происходит запуск обновленной версии системы Эйдос на исполнение.

Для работы программы _START_AIDOS.exe необходима библиотека: Xb2NET.DLL, которую можно скачать по ссылке: http://lc.kubagro.ru/Install_Aidos-X/Xb2NET.DLL . Перед первым запуском этой программы данную библиотеку необходимо скачать и поместить либо в папку с этой программой, а значит и  исполнимым модулем системы «Эйдос-Х++», либо в любую другую папку, на которую в операционной системе прописаны пути поиска файлов, например в папку: c:\Windows\System32\. Эта библиотека стоит около 500$ и у меня ее нет, поэтому я даю только бесплатную демо-версию, которая выдает сообщение об ограниченной функциональности, но для наших целей ее достаточно.

Лицензия:

Автор отказывается от какой бы то ни было ответственности за Ваш выбор и последствия применения или не применения Вами системы «Эйдос».

Проще говоря, пользуйтесь если понравилось, а если не понравилось – не пользуйтесь: решайте сами и сами несите ответственность за Ваше решение.

PS

Еще считаю важным отметить, что система «Эйдос-Х++» создавалась автором проф.Е.В.Луценко не как программный продукт, т.е. не на продажу, а для применения в учебном процессе и для научных исследований. Поэтому она не соответствует требованиям к программному продукту. Этим обусловлен и выбор языка программирования, который выбран таким образом, чтобы легче было использовать огромные наработки: исходные тексты DOS-версии системы «Эйдос» ver.12.5 (если бы ставилась цель создать программный продукт, то наверное был бы выбран язык JAWA).

6.2.2.3.4. Ввод исходных данных в систему «Эйдос»
с помощью одного и ее программных
интерфейсов

Записываем файл исходных данных, приведенный в таблице 18, с именем: Inp_data.xls в папку с системой (если она на диске C: в коревом каталоге) по пути:

c:\Aidos-X\AID_DATA\Inp_data\Inp_data.xls

Запускаем систему «Эйдос» и задаем режим 2.3.2.2 с параметрами, указанными на экранной форме (рисунок 18):

Рисунок 18. Экранная форма универсального программного интерфейса
импорта данных из внешних баз данных в систему «Эйдос»

Через несколько секунд на заднем фоне[34] появляется окно (рисунок 19) на котором нажимаем «Сохранить» или «Не сохранять», после чего появляется экранный калькулятор (рисунок 20):

Рисунок 19. Экранная форма, выдаваемая MS Excel, т.к. в файле исходных данных есть расчетные ячейки

Рисунок 20. Экранного калькулятора универсального программного
интерфейса импорта данных из внешних баз данных в систему «Эйдос»

На этом калькуляторе а данном случае задано по 10 интервальных числовых значений в числовых классификационных и описательных шкалах. Можно задать другие их количество, затем пересчитать шкалы и градации и выйти на создание модели.

За 41 секунду происходит формирование классификационных и описательных шкал и градаций и обучающей выборки по 2559 примерам вузов, описанных в исходных данных (рисунок 21):

Рисунок 21. Экранная форма отображения стадии
и прогноза времени исполнения

В результате автоматически формируются классификационные е и описательные шкалы и градации и обучающая выборка, приведенные в таблицах 20, 21, 22:

Таблица 20 – Классификационные шкалы и градации (фрагмент)

Код	Наименование
1	GUARDIAN SCORE/100-1/10-{25.9000000, 33.3100000}
2	GUARDIAN SCORE/100-2/10-{33.3100000, 40.7200000}
3	GUARDIAN SCORE/100-3/10-{40.7200000, 48.1300000}
4	GUARDIAN SCORE/100-4/10-{48.1300000, 55.5400000}
5	GUARDIAN SCORE/100-5/10-{55.5400000, 62.9500000}
6	GUARDIAN SCORE/100-6/10-{62.9500000, 70.3600000}
7	GUARDIAN SCORE/100-7/10-{70.3600000, 77.7700000}
8	GUARDIAN SCORE/100-8/10-{77.7700000, 85.1800000}
9	GUARDIAN SCORE/100-9/10-{85.1800000, 92.5900000}
10	GUARDIAN SCORE/100-10/10-{92.5900000, 100.0000000}
11	RANK-01.Agriculture, forestry and food
12	RANK-01.American studies
13	RANK-01.Anatomy and physiology
14	RANK-01.Anthropology
15	RANK-01.Archaeology and Forensics
16	RANK-01.Architecture
17	RANK-01.Art and design
18	RANK-01.Biosciences
19	RANK-01.Building and town and country planning
20	RANK-01.Business and management studies
21	RANK-01.Chemistry
22	RANK-01.Classics
23	RANK-01.Computer sciences and IT
24	RANK-01.Dentistry
25	RANK-01.Drama and dance
26	RANK-01.Earth and marine sciences
27	RANK-01.Economics
28	RANK-01.Education
29	RANK-01.Engineering: chemical
30	RANK-01.Engineering: civil
31	RANK-01.Engineering: electronic and electrical
32	RANK-01.Engineering: general
33	RANK-01.Engineering: materials and mineral
34	RANK-01.Engineering: mechanical
35	RANK-01.English
36	RANK-01.Geography and environmental studies
37	RANK-01.History and history of art
38	RANK-01.Law
39	RANK-01.Mathematics
40	RANK-01.Media studies, communications and librarianship
41	RANK-01.Medicine
42	RANK-01.Modern languages and linguistics
43	RANK-01.Music
44	RANK-01.Nursing and paramedical studies
45	RANK-01.Pharmacy and pharmacology
46	RANK-01.Philosophy
47	RANK-01.Physics
48	RANK-01.Politics
49	RANK-01.Psychology
50	RANK-01.Religious studies and theology
51	RANK-01.Social policy and administration
52	RANK-01.Social work
53	RANK-01.Sociology
54	RANK-01.Sports science
55	RANK-01.Tourism, transport and travel
56	RANK-01.Veterinary science
57	RANK-02.Agriculture, forestry and food
58	RANK-02.American studies
59	RANK-02.Anatomy and physiology
60	RANK-02.Anthropology
61	RANK-02.Archaeology and Forensics
62	RANK-02.Architecture
63	RANK-02.Art and design
64	RANK-02.Biosciences
65	RANK-02.Building and town and country planning
66	RANK-02.Business and management studies
67	RANK-02.Chemistry
68	RANK-02.Classics
69	RANK-02.Computer sciences and IT
70	RANK-02.Dentistry
71	RANK-02.Drama and dance
72	RANK-02.Earth and marine sciences
73	RANK-02.Economics
74	RANK-02.Education
75	RANK-02.Engineering: chemical
76	RANK-02.Engineering: civil
77	RANK-02.Engineering: electronic and electrical
78	RANK-02.Engineering: general
79	RANK-02.Engineering: materials and mineral
80	RANK-02.Engineering: mechanical
81	RANK-02.English
82	RANK-02.Geography and environmental studies
83	RANK-02.History and history of art
84	RANK-02.Law
85	RANK-02.Mathematics
86	RANK-02.Media studies, communications and librarianship
87	RANK-02.Medicine
88	RANK-02.Modern languages and linguistics
89	RANK-02.Music
90	RANK-02.Nursing and paramedical studies
91	RANK-02.Pharmacy and pharmacology

Таблица 21 – Описательные шкалы и градации (фрагмент)

Код	Наименование
80	% SATISFIED WITH ASSESSMENT-10/10-{88.8275502, 96.6000000}
79	% SATISFIED WITH ASSESSMENT-9/10-{81.0551004, 88.8275502}
78	% SATISFIED WITH ASSESSMENT-8/10-{73.2826506, 81.0551004}
77	% SATISFIED WITH ASSESSMENT-7/10-{65.5102008, 73.2826506}
76	% SATISFIED WITH ASSESSMENT-6/10-{57.7377510, 65.5102008}
75	% SATISFIED WITH ASSESSMENT-5/10-{49.9653012, 57.7377510}
74	% SATISFIED WITH ASSESSMENT-4/10-{42.1928514, 49.9653012}
73	% SATISFIED WITH ASSESSMENT-3/10-{34.4204016, 42.1928514}
72	% SATISFIED WITH ASSESSMENT-2/10-{26.6479518, 34.4204016}
71	% SATISFIED WITH ASSESSMENT-1/10-{18.8755020, 26.6479518}
70	AVERAGE ENTRY TARIFF-10/10-{551.7000000, 598.0000000}
69	AVERAGE ENTRY TARIFF-9/10-{505.4000000, 551.7000000}
68	AVERAGE ENTRY TARIFF-8/10-{459.1000000, 505.4000000}
67	AVERAGE ENTRY TARIFF-7/10-{412.8000000, 459.1000000}
66	AVERAGE ENTRY TARIFF-6/10-{366.5000000, 412.8000000}
65	AVERAGE ENTRY TARIFF-5/10-{320.2000000, 366.5000000}
64	AVERAGE ENTRY TARIFF-4/10-{273.9000000, 320.2000000}
63	AVERAGE ENTRY TARIFF-3/10-{227.6000000, 273.9000000}
62	AVERAGE ENTRY TARIFF-2/10-{181.3000000, 227.6000000}
61	AVERAGE ENTRY TARIFF-1/10-{135.0000000, 181.3000000}
60	VALUE ADDED SCORE/10-10/10-{9.1000000, 10.0000000}
59	VALUE ADDED SCORE/10-9/10-{8.2000000, 9.1000000}
58	VALUE ADDED SCORE/10-8/10-{7.3000000, 8.2000000}
57	VALUE ADDED SCORE/10-7/10-{6.4000000, 7.3000000}
56	VALUE ADDED SCORE/10-6/10-{5.5000000, 6.4000000}
55	VALUE ADDED SCORE/10-5/10-{4.6000000, 5.5000000}
54	VALUE ADDED SCORE/10-4/10-{3.7000000, 4.6000000}
53	VALUE ADDED SCORE/10-3/10-{2.8000000, 3.7000000}
52	VALUE ADDED SCORE/10-2/10-{1.9000000, 2.8000000}
51	VALUE ADDED SCORE/10-1/10-{1.0000000, 1.9000000}
50	CAREER PROSPECTS-10/10-{91.6000000, 100.0000000}
49	CAREER PROSPECTS-9/10-{83.2000000, 91.6000000}
48	CAREER PROSPECTS-8/10-{74.8000000, 83.2000000}
47	CAREER PROSPECTS-7/10-{66.4000000, 74.8000000}
46	CAREER PROSPECTS-6/10-{58.0000000, 66.4000000}
45	CAREER PROSPECTS-5/10-{49.6000000, 58.0000000}
44	CAREER PROSPECTS-4/10-{41.2000000, 49.6000000}
43	CAREER PROSPECTS-3/10-{32.8000000, 41.2000000}
42	CAREER PROSPECTS-2/10-{24.4000000, 32.8000000}
41	CAREER PROSPECTS-1/10-{16.0000000, 24.4000000}
40	STUDENT:STAFF RATIO-10/10-{46.0900000, 50.7000000}
39	STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000}
38	STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000}
37	STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000}
36	STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000}
35	STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000}
34	STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000}
33	STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000}
32	STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000}
31	STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000}
30	EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000}
29	EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000}
28	EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000}
27	EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000}
26	EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000}
25	EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000}

Таблица 22 – Обучающая выборка (фрагмент)

The object of training sample	Guardian score/100	Rank	Field of study	Name of Institution	% Satisfied with Teaching	% Satisfied overall with course	Expenditure per student (FTE)	Student:staff ratio	Career prospects	Value added score/10	Average Entry Tariff	% Satisfied with Assessment
Medicine-Oxford, 2012	10	41	498	606	10	20		31	50	57	70	79
Medicine-Cambridge, 2012	10	41	498	535	9	19	30	31	50	52	70	76
Medicine-Edinburgh, 2012	9	87	498	553	9	19	30	31	50	54	69	75
Medicine-Dundee, 2012	9	87	498	549	10	20	30	31	50	56	68	76
Medicine-UCL, 2012	8	87	498	652	9	19	26	31	50	59	69	76
Medicine-Imperial College, 2012	6	132	498	575	9	19	27	31	50	53	69	74
Medicine-Leicester, 2012	6	132	498	585	9	19	25	31	50	55	68	75
Medicine-Newcastle, 2012	6	132	498	598	10	20	24	31	50	55	68	75
Medicine-Peninsula Medical School, 2012	6	132	498	608	9	19	27	31	50	54	68	76
Medicine-Nottingham, 2012	6	178	498	604	9	19	23	31	50	54	69	74
Medicine-King's College London, 2012	5	178	498	578	8	18	25	31	50	56	68	74
Medicine-Warwick, 2012	5	178	498	660	8	18	28	31	50	59		74
Medicine-Leeds, 2012	4	224	498	581	8	18	26	31	50	56	68	75
Medicine-Hull York Medical School, 2012	4	224	498	574	8	18	24	32	50	58	68	75
Medicine-Manchester, 2012	4	224	498	593	6	15	28	31	50	59	68	73
Medicine-Sheffield, 2012	4	224	498	628	9	19	23	31	50	54	68	75
Medicine-Aberdeen, 2012	4	269	498	513	9	19	24	31	50	56	67	77
Medicine-Brighton Sussex Medical School, 2012	4	269	498	530	8	18	24	32	50	57		75
Medicine-Queen Mary, 2012	4	269	498	613	7	17	24	31	50	58	68	74
Medicine-St George's Medical School, 2012	4	315	498	634	8	19	26	32	50	56	68	75
Medicine-Southampton, 2012	4	315	498	631	8	18	24	31	50	57	68	74
Medicine-St Andrews, 2012	4	361	498	633	10	20	22	32	50	51	68	76
Medicine-Glasgow, 2012	3	361	498	560	6	15	25	31	50	55	69	72
Medicine-UEA, 2012	3	361	498	653	8	18	23	31	50	59	67	75
Medicine-Birmingham, 2012	3	361	498	523	9	18	23	32	50	53	69	72
Medicine-Queen's, Belfast, 2012	3	406	498	611	8	18	24	32	50	53	68	75
Medicine-Liverpool, 2012	2	406	498	587	6	15	24	31	50	54	68	72
Medicine-Bristol, 2012	2	406	498	531	8	15	26	32	50	54	68	71
Medicine-Keele, 2012	1	452	498	576	7	14	23	32	50	57	67	72
Medicine-Cardiff, 2012	1	452	498	537	6	14	23	32	50	58	68	71
Dentistry-King's College London, 2012	10	24	481	578	9	18	28	31	50	57	68	77
Dentistry-Glasgow, 2012	8	70	481	560	10	20	23	32	50	56	68	78
Dentistry-Cardiff, 2012	8	115	481	537	9	20	28	31	50	51	68	75
Dentistry-Queen's, Belfast, 2012	7	115	481	611	10	20	29	31	50	55	67	76
Dentistry-Birmingham, 2012	7	161	481	523	10	18	25	31	50	56	68	76
Dentistry-Bristol, 2012	6	207	481	531	9	20	26	32	50	55	68	78
Dentistry-Dundee, 2012	5	252	481	549	8	19	24	31	50	57	68	75
Dentistry-Sheffield, 2012	4	252	481	628	9	19	23	31	50	56	68	76
Dentistry-Liverpool, 2012	3	298	481	587	8	17	27	31	50	57	68	76
Dentistry-Manchester, 2012	3	344	481	593	9	18	25	31	50	57	68	75
Dentistry-Newcastle, 2012	2	389	481	598	8	19	21	32	50	56	68	76
Dentistry-Queen Mary, 2012	1	389	481	613	7	17	24	31	50	57	68	76
Dentistry-Leeds, 2012	1	435	481	581	9	19	29	32	50	56	68	73
Veterinary science-Cambridge, 2012	10	56	512	535	9	19	28	31	49	53	69	77
Veterinary science-Edinburgh, 2012	8	147	512	553	9	18	29	31	50	59	68	74
Veterinary science-Liverpool, 2012	6	193	512	587	9	20	23	31	50	54	68	74
Veterinary science-Glasgow, 2012	5	284	512	560	9	20	23	31	50	58	68	75
Veterinary science-Nottingham, 2012	5	330	512	604			24	31			68
Veterinary science-Royal Veterinary College, 2012	5	421	512	625	8	17	28	31	49	56	68	73
Veterinary science-Bristol, 2012	1	467	512	531	9	19	23	32	49	53	67	74
Anatomy and physiology-Oxford, 2012	10	13	470	606	10	17	30	32		56	69	75
Anatomy and physiology-Glamorgan, 2012	10	13	470	559	9	19	24	32	50	60	65	78
Anatomy and physiology-Cardiff, 2012	10	59	470	537	9	20	30	32	50	55	67	75
Anatomy and physiology-Plymouth, 2012	9	59	470	609	10	19	28	31	48	58	65	79
Anatomy and physiology-Brunel, 2012	8	59	470	532	10	20	23	32	48	59	65	76
Anatomy and physiology-Liverpool, 2012	8	59	470	587	9	19	29	32	48	54	66	77
Anatomy and physiology-Sussex, 2012	8	59	470	643	9	20	26	32		59	66	76
Anatomy and physiology-Newcastle, 2012	7	104	470	598	9	20	24	32	48	55	67	76
Anatomy and physiology-Aston, 2012	7	104	470	518	8	18	26	33	50	52	66	78
Anatomy and physiology-Bristol, 2012	7	150	470	531	9	19	27	32	47	54	67	76
Anatomy and physiology-Nottingham, 2012	6	150	470	604	10	19	27	33		54	67	77
Anatomy and physiology-Birmingham, 2012	6	150	470	523	9	18		32	47	57	67	75
Anatomy and physiology-Sheffield Hallam, 2012	5	150	470	629	10	19	23	33	48	55	66	77
Anatomy and physiology-Manchester, 2012	5	196	470	593	9	19	25	32	48	54	67	75
Anatomy and physiology-Glasgow Caledonian, 2012	5	196	470	561	9	19	24	33	48	57	66	76
Anatomy and physiology-Edinburgh, 2012	5	196	470	553	9	19	29	33	45	55	67	74
Anatomy and physiology-Robert Gordon, 2012	5	241	470	616	9	20	23	34	48	57	67	76
Anatomy and physiology-De Montfort, 2012	5	241	470	547	8	19	25	33	50	55	64	76
Anatomy and physiology-Hertfordshire, 2012	5	241	470	570	8	19	23	33	49	57	63	77
Anatomy and physiology-UEA, 2012	5	241	470	653	10	20			49	53	65	75
Anatomy and physiology-Queen's, Belfast, 2012	4	287	470	611	9	19	29	32	46	57	65	74
Anatomy and physiology-Aberdeen, 2012	4	287	470	513	8	20	24	33	47	56	64	78
Anatomy and physiology-Bradford, 2012	4	287	470	528	8	20	24	33	49	53	65	76
Anatomy and physiology-Birmingham City, 2012	2	287	470	524	9	15	23	34	48	58	65	75

Полностью обучающая выборка в работе не может быть приведена, т.к. файл исходных данных содержит 2559 строк.

Этим завершается 2-й этап АСК-анализа, который называется «Формализация предметной области» и создаются все необходимые и достаточные предпосылки для выполнения следующего этапа, т.е. синтеза и верификации (измерения достоверности) модели.

6.2.2.3.5. Синтез и верификация многокритериальной
системно-когнитивной модели
университетского рейтинга Гардиан,
учитывающей направления подготовки

Синтез и верификация многокритериальной системно-когнитивной модели университетского рейтинга Гардиан, учитывающей направления подготовки, представляет собой задачу, требующую довольно значительных вычислительных ресурсов. Решение этой задачи на компьютере с процессором i7 и 16 Гб оперативной памяти с размещение задачи на SSD, потребовало около 13 часов счета (рисунок 22).

Рисунок 22. Экранная форма с отображением стадии синтеза и верификации
моделей и прогнозом времени исполнения

Такая большая длительность расчетов обусловлена тем, что для измерения достоверности 10 моделей была использована вся обучающая выборка, включающая 2559 примеров.

Математические аспекты формирования системно-когнитивных моделей описаны в ряде работ автора [3-273] и здесь их подробно освещать нет необходимости. Отметим лишь, что для преобразования матрицы абсолютных частот в другие модели используются формулы преобразования, приведенные в таблице 23:

Таблица 23 – Частные критерии знаний, используемые в настоящее время в АСК-анализе и системе «Эйдос-Х++»

Наименование модели знаний и частный критерий	Выражение для частного критерия
	через относительные частоты	через абсолютные частоты
INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета относительных частот: Nj – суммарное количество признаков по j-му классу. Относительная частота того, что если у объекта j-го класса обнаружен признак, то это i-й признак
INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета относительных частот: Nj – суммарное количество объектов по j-му классу. Относительная частота того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак.
INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами	---
INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета относительных частот: Nj – суммарное количество признаков по j-му классу
INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета относительных частот: Nj – суммарное количество объектов по j-му классу
INF6, частный критерий: разность условной и безусловной относительных частот, 1-й вариант расчета относительных частот: Nj – суммарное количество признаков по j-му классу
INF7, частный критерий: разность условной и безусловной относительных частот, 2-й вариант расчета относительных частот: Nj – суммарное количество объектов по j-му классу

Обозначения:

i – значение прошлого параметра;

j - значение будущего параметра;

N_ij – количество встреч j-го значения будущего параметра при i-м значении прошлого параметра;

M – суммарное число значений всех прошлых параметров;

W - суммарное число значений всех будущих параметров.

N_i – количество встреч i-м значения прошлого параметра по всей выборке;

N_j – количество встреч j-го значения будущего параметра по всей выборке;

N – количество встреч j-го значения будущего параметра при i-м значении прошлого параметра по всей выборке.

I_ij – частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;

Ψ – нормировочный коэффициент (Е.В.Луценко, 1979, впервые опубликовано в 1993 году [273]), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;

P_i – безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке;

P_ij – условная относительная частота встречи i-го значения прошлого параметра при j-м значении будущего параметра.

В результате сформированы 10 моделей: 3 статистических и 7 системно-когнитивных моделей (моделей знаний). Фрагменты трех из них приведены ниже (таблицы 11, 12, 13):

Таблица 24 – Матрица абсолютных частот, модель ABS (фрагмент)

Код	Наименование показателя	1/10-{25.90, 33.31}	2/10-{33.31, 40.72}	3/10-{40.72, 48.13}	4/10-{48.13, 55.54}	5/10-{55.54, 62.95}	6/10-{62.95, 70.36}	7/10-{70.36, 77.77}	8/10-{77.77, 85.18}	9/10-{85.18, 92.59}	10/10-{92.59, 100.00}
1	% SATISFIED WITH TEACHING-1/10-{50.0000000, 55.0000000}	2	2	1	0	2	0	1	0	0	0
2	% SATISFIED WITH TEACHING-2/10-{55.0000000, 60.0000000}	4	8	0	1	1	0	1	0	0	0
3	% SATISFIED WITH TEACHING-3/10-{60.0000000, 65.0000000}	3	8	7	5	2	4	2	2	1	0
4	% SATISFIED WITH TEACHING-4/10-{65.0000000, 70.0000000}	7	23	17	18	9	4	6	3	1	0
5	% SATISFIED WITH TEACHING-5/10-{70.0000000, 75.0000000}	6	22	31	43	30	29	9	5	0	0
6	% SATISFIED WITH TEACHING-6/10-{75.0000000, 80.0000000}	17	29	63	72	79	43	22	12	5	3
7	% SATISFIED WITH TEACHING-7/10-{80.0000000, 85.0000000}	15	22	65	93	108	89	53	43	20	12
8	% SATISFIED WITH TEACHING-8/10-{85.0000000, 90.0000000}	6	21	55	96	121	121	101	41	30	27
9	% SATISFIED WITH TEACHING-9/10-{90.0000000, 95.0000000}	6	9	25	54	87	104	97	71	38	35
10	% SATISFIED WITH TEACHING-10/10-{95.0000000, 100.0000000}	1	2	3	12	23	18	39	23	21	32
11	% SATISFIED OVERALL WITH COURSE-1/10-{37.5156766, 43.7641089}	3	3	2	1	0	0	0	1	1	0
12	% SATISFIED OVERALL WITH COURSE-2/10-{43.7641089, 50.0125413}	3	5	1	1	2	1	0	0	1	0
13	% SATISFIED OVERALL WITH COURSE-3/10-{50.0125413, 56.2609736}	4	7	5	4	6	2	2	1	0	0
14	% SATISFIED OVERALL WITH COURSE-4/10-{56.2609736, 62.5094060}	6	16	17	11	13	6	5	3	0	0
15	% SATISFIED OVERALL WITH COURSE-5/10-{62.5094060, 68.7578383}	9	20	20	31	21	19	5	6	0	0
16	% SATISFIED OVERALL WITH COURSE-6/10-{68.7578383, 75.0062706}	9	23	41	45	45	33	19	11	4	0
17	% SATISFIED OVERALL WITH COURSE-7/10-{75.0062706, 81.2547030}	16	28	65	81	96	73	45	16	9	2
18	% SATISFIED OVERALL WITH COURSE-8/10-{81.2547030, 87.5031353}	8	26	66	109	118	110	80	42	25	12
19	% SATISFIED OVERALL WITH COURSE-9/10-{87.5031353, 93.7515677}	5	15	40	84	118	114	111	73	43	44
20	% SATISFIED OVERALL WITH COURSE-10/10-{93.7515677, 100.0000000}	4	3	10	27	43	54	64	47	33	51
21	EXPENDITURE PER STUDENT (FTE)-1/10-{1.0000000, 1.9000000}	2	4	3	0	1	0	0	0	0	0
22	EXPENDITURE PER STUDENT (FTE)-2/10-{1.9000000, 2.8000000}	9	28	44	33	23	13	9	0	0	0
23	EXPENDITURE PER STUDENT (FTE)-3/10-{2.8000000, 3.7000000}	31	48	84	114	102	64	20	13	5	2
24	EXPENDITURE PER STUDENT (FTE)-4/10-{3.7000000, 4.6000000}	17	35	63	111	121	86	51	21	2	2
25	EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000}	6	15	38	47	67	63	58	19	7	4
26	EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000}	0	9	18	35	54	59	42	28	14	6
27	EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000}	2	6	8	28	39	52	47	29	14	8
28	EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000}	0	5	13	14	35	40	48	32	19	15
29	EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000}	1	0	0	12	22	25	33	35	23	11
30	EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000}	0	0	1	3	4	9	24	23	31	56
31	STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000}	1	2	4	11	16	13	17	17	18	20
32	STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000}	7	7	9	29	44	62	73	69	46	50
33	STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000}	7	24	53	101	160	150	131	69	43	37
34	STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000}	15	36	90	144	167	122	93	33	12	6
35	STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000}	22	34	74	79	59	47	16	11	2	2
36	STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000}	8	24	20	23	19	8	1	1	1	0
37	STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000}	4	12	10	6	2	4	1	0	0	0
38	STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000}	2	5	9	3	1	0	0	0	0	0
39	STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000}	2	3	2	0	0	1	0	0	0	0
40	STUDENT:STAFF RATIO-10/10-{46.0900000, 50.7000000}	0	1	0	0	0	0	0	0	0	0
41	CAREER PROSPECTS-1/10-{16.0000000, 24.4000000}	2	5	5	5	2	0	0	0	0	0
42	CAREER PROSPECTS-2/10-{24.4000000, 32.8000000}	5	14	18	21	21	4	0	0	0	1
43	CAREER PROSPECTS-3/10-{32.8000000, 41.2000000}	12	15	41	61	57	21	14	0	1	1
44	CAREER PROSPECTS-4/10-{41.2000000, 49.6000000}	6	32	36	65	58	36	31	7	3	0
45	CAREER PROSPECTS-5/10-{49.6000000, 58.0000000}	8	19	32	66	67	89	51	19	5	1
46	CAREER PROSPECTS-6/10-{58.0000000, 66.4000000}	3	7	24	40	65	51	55	21	14	8
47	CAREER PROSPECTS-7/10-{66.4000000, 74.8000000}	1	3	10	30	28	55	47	45	27	14
48	CAREER PROSPECTS-8/10-{74.8000000, 83.2000000}	0	3	11	10	26	30	42	36	21	29
49	CAREER PROSPECTS-9/10-{83.2000000, 91.6000000}	2	1	1	4	14	10	19	19	14	19
50	CAREER PROSPECTS-10/10-{91.6000000, 100.0000000}	6	3	9	20	14	16	16	10	7	9
51	VALUE ADDED SCORE/10-1/10-{1.0000000, 1.9000000}	15	21	20	24	12	3	2	2	1	0

Таблица 25 – Матрица условных и безусловных
процентных распределений , модель PRC2 (фрагмент)

Код	Наименование показателя	1/10-{25.90, 33.31}	2/10-{33.31, 40.72}	3/10-{40.72, 48.13}	4/10-{48.13, 55.54}	5/10-{55.54, 62.95}	6/10-{62.95, 70.36}	7/10-{70.36, 77.77}	8/10-{77.77, 85.18}	9/10-{85.18, 92.59}	10/10-{92.59, 100.00}
1	% SATISFIED WITH TEACHING-1/10-{50.0000000, 55.0000000}	3	1	0	0	0	0	0	0	0	0
2	% SATISFIED WITH TEACHING-2/10-{55.0000000, 60.0000000}	6	5	0	0	0	0	0	0	0	0
3	% SATISFIED WITH TEACHING-3/10-{60.0000000, 65.0000000}	4	5	3	1	0	1	1	1	1	0
4	% SATISFIED WITH TEACHING-4/10-{65.0000000, 70.0000000}	10	15	6	5	2	1	2	1	1	0
5	% SATISFIED WITH TEACHING-5/10-{70.0000000, 75.0000000}	9	15	11	11	6	7	3	2	0	0
6	% SATISFIED WITH TEACHING-6/10-{75.0000000, 80.0000000}	25	19	23	18	17	10	7	6	4	3
7	% SATISFIED WITH TEACHING-7/10-{80.0000000, 85.0000000}	22	15	24	23	23	21	16	21	16	10
8	% SATISFIED WITH TEACHING-8/10-{85.0000000, 90.0000000}	9	14	20	24	26	29	30	20	24	23
9	% SATISFIED WITH TEACHING-9/10-{90.0000000, 95.0000000}	9	6	9	14	18	25	29	35	31	30
10	% SATISFIED WITH TEACHING-10/10-{95.0000000, 100.0000000}	1	1	1	3	5	4	12	11	17	28
11	% SATISFIED OVERALL WITH COURSE-1/10-{37.5156766, 43.7641089}	4	2	1	0	0	0	0	0	1	0
12	% SATISFIED OVERALL WITH COURSE-2/10-{43.7641089, 50.0125413}	4	3	0	0	0	0	0	0	1	0
13	% SATISFIED OVERALL WITH COURSE-3/10-{50.0125413, 56.2609736}	6	5	2	1	1	0	1	0	0	0
14	% SATISFIED OVERALL WITH COURSE-4/10-{56.2609736, 62.5094060}	9	11	6	3	3	1	1	1	0	0
15	% SATISFIED OVERALL WITH COURSE-5/10-{62.5094060, 68.7578383}	13	13	7	8	4	5	1	3	0	0
16	% SATISFIED OVERALL WITH COURSE-6/10-{68.7578383, 75.0062706}	13	15	15	11	10	8	6	5	3	0
17	% SATISFIED OVERALL WITH COURSE-7/10-{75.0062706, 81.2547030}	23	19	24	20	20	18	13	8	7	2
18	% SATISFIED OVERALL WITH COURSE-8/10-{81.2547030, 87.5031353}	12	17	24	27	25	27	24	21	20	10
19	% SATISFIED OVERALL WITH COURSE-9/10-{87.5031353, 93.7515677}	7	10	15	21	25	27	33	36	35	38
20	% SATISFIED OVERALL WITH COURSE-10/10-{93.7515677, 100.0000000}	6	2	4	7	9	13	19	23	27	44
21	EXPENDITURE PER STUDENT (FTE)-1/10-{1.0000000, 1.9000000}	3	3	1	0	0	0	0	0	0	0
22	EXPENDITURE PER STUDENT (FTE)-2/10-{1.9000000, 2.8000000}	13	19	16	8	5	3	3	0	0	0
23	EXPENDITURE PER STUDENT (FTE)-3/10-{2.8000000, 3.7000000}	45	32	31	29	22	15	6	6	4	2
24	EXPENDITURE PER STUDENT (FTE)-4/10-{3.7000000, 4.6000000}	25	23	23	28	26	21	15	10	2	2
25	EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000}	9	10	14	12	14	15	17	9	6	3
26	EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000}	0	6	7	9	11	14	13	14	11	5
27	EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000}	3	4	3	7	8	13	14	14	11	7
28	EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000}	0	3	5	4	7	10	14	16	15	13
29	EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000}	1	0	0	3	5	6	10	17	19	9
30	EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000}	0	0	0	1	1	2	7	11	25	48
31	STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000}	1	1	1	3	3	3	5	8	15	17
32	STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000}	10	5	3	7	9	15	22	34	37	43
33	STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000}	10	16	19	25	34	36	39	34	35	32
34	STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000}	22	24	33	36	35	29	28	16	10	5
35	STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000}	32	23	27	20	12	11	5	5	2	2
36	STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000}	12	16	7	6	4	2	0	0	1	0
37	STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000}	6	8	4	2	0	1	0	0	0	0
38	STUDENT:STAFF RATIO-8/10-{36.8700000, 41.4800000}	3	3	3	1	0	0	0	0	0	0
39	STUDENT:STAFF RATIO-9/10-{41.4800000, 46.0900000}	3	2	1	0	0	0	0	0	0	0
40	STUDENT:STAFF RATIO-10/10-{46.0900000, 50.7000000}	0	1	0	0	0	0	0	0	0	0
41	CAREER PROSPECTS-1/10-{16.0000000, 24.4000000}	3	3	2	1	0	0	0	0	0	0
42	CAREER PROSPECTS-2/10-{24.4000000, 32.8000000}	7	9	7	5	4	1	0	0	0	1
43	CAREER PROSPECTS-3/10-{32.8000000, 41.2000000}	17	10	15	15	12	5	4	0	1	1
44	CAREER PROSPECTS-4/10-{41.2000000, 49.6000000}	9	21	13	16	12	9	9	3	2	0
45	CAREER PROSPECTS-5/10-{49.6000000, 58.0000000}	12	13	12	17	14	21	15	9	4	1
46	CAREER PROSPECTS-6/10-{58.0000000, 66.4000000}	4	5	9	10	14	12	16	10	11	7
47	CAREER PROSPECTS-7/10-{66.4000000, 74.8000000}	1	2	4	8	6	13	14	22	22	12
48	CAREER PROSPECTS-8/10-{74.8000000, 83.2000000}	0	2	4	3	5	7	13	18	17	25
49	CAREER PROSPECTS-9/10-{83.2000000, 91.6000000}	3	1	0	1	3	2	6	9	11	16
50	CAREER PROSPECTS-10/10-{91.6000000, 100.0000000}	9	2	3	5	3	4	5	5	6	8
51	VALUE ADDED SCORE/10-1/10-{1.0000000, 1.9000000}	22	14	7	6	3	1	1	1	1	0
52	VALUE ADDED SCORE/10-2/10-{1.9000000, 2.8000000}	14	13	10	10	7	6	4	1	0	3
53	VALUE ADDED SCORE/10-3/10-{2.8000000, 3.7000000}	13	15	17	15	11	8	7	3	3	3
54	VALUE ADDED SCORE/10-4/10-{3.7000000, 4.6000000}	6	17	19	16	12	13	10	11	11	3
55	VALUE ADDED SCORE/10-5/10-{4.6000000, 5.5000000}	6	7	8	10	12	13	14	8	7	9
56	VALUE ADDED SCORE/10-6/10-{5.5000000, 6.4000000}	10	11	8	8	14	13	11	14	11	9
57	VALUE ADDED SCORE/10-7/10-{6.4000000, 7.3000000}	7	6	8	10	15	16	19	24	25	28
58	VALUE ADDED SCORE/10-8/10-{7.3000000, 8.2000000}	6	6	8	9	10	12	18	18	24	25
59	VALUE ADDED SCORE/10-9/10-{8.2000000, 9.1000000}	1	2	3	7	7	7	9	12	10	11
60	VALUE ADDED SCORE/10-10/10-{9.1000000, 10.0000000}	0	1	1	1	3	4	4	3	4	6
61	AVERAGE ENTRY TARIFF-1/10-{135.0000000, 181.3000000}	4	5	4	2	0	1	1	0	0	0
62	AVERAGE ENTRY TARIFF-2/10-{181.3000000, 227.6000000}	30	29	21	10	9	5	4	1	2	1
63	AVERAGE ENTRY TARIFF-3/10-{227.6000000, 273.9000000}	38	37	35	35	26	18	13	5	7	1
64	AVERAGE ENTRY TARIFF-4/10-{273.9000000, 320.2000000}	10	19	25	27	29	25	12	10	10	2
65	AVERAGE ENTRY TARIFF-5/10-{320.2000000, 366.5000000}	6	3	7	12	15	16	19	15	14	9
66	AVERAGE ENTRY TARIFF-6/10-{366.5000000, 412.8000000}	3	2	4	6	10	17	23	19	20	13
67	AVERAGE ENTRY TARIFF-7/10-{412.8000000, 459.1000000}	4	2	1	3	6	12	21	24	22	19
68	AVERAGE ENTRY TARIFF-8/10-{459.1000000, 505.4000000}	4	2	1	3	2	3	6	16	15	14
69	AVERAGE ENTRY TARIFF-9/10-{505.4000000, 551.7000000}	0	0	1	0	1	1	1	5	7	25

Таблица 26 – Матрица информативностей в модели модель INF1,
мера информации по А.Харкевичу в миллибитах (фрагмент)

Код	Наименование показателя	1/10-{25.90, 33.31}	2/10-{33.31, 40.72}	3/10-{40.72, 48.13}	4/10-{48.13, 55.54}	5/10-{55.54, 62.95}	6/10-{62.95, 70.36}	7/10-{70.36, 77.77}	8/10-{77.77, 85.18}	9/10-{85.18, 92.59}	10/10-{92.59, 100.00}
1	% SATISFIED WITH TEACHING-1/10-{50.0000000, 55.0000000}	1876	1219	140		252		-55
2	% SATISFIED WITH TEACHING-2/10-{55.0000000, 60.0000000}	1930	1850		-718	-850		-579
3	% SATISFIED WITH TEACHING-3/10-{60.0000000, 65.0000000}	1009	1168	556	-59	-954	-272	-683	-254	-394
4	% SATISFIED WITH TEACHING-4/10-{65.0000000, 70.0000000}	922	1256	503	216	-493	-1064	-560	-709	-1186
5	% SATISFIED WITH TEACHING-5/10-{70.0000000, 75.0000000}	221	646	431	369	-63	14	-795	-856
6	% SATISFIED WITH TEACHING-6/10-{75.0000000, 80.0000000}	523	310	456	233	178	-224	-616	-692	-984	-1349
7	% SATISFIED WITH TEACHING-7/10-{80.0000000, 85.0000000}	77	-262	140	104	97	41	-225	29	-170	-536
8	% SATISFIED WITH TEACHING-8/10-{85.0000000, 90.0000000}	-832	-446	-144	-15	47	151	167	-156	22	-5
9	% SATISFIED WITH TEACHING-9/10-{90.0000000, 95.0000000}	-696	-1016	-665	-359	-93	161	269	438	355	347
10	% SATISFIED WITH TEACHING-10/10-{95.0000000, 100.0000000}	-1267	-1348	-1510	-690	-279	-379	432	420	782	1194
11	% SATISFIED OVERALL WITH COURSE-1/10-{37.5156766, 43.7641089}	1949	1291	453	-460				108	546
12	% SATISFIED OVERALL WITH COURSE-2/10-{43.7641089, 50.0125413}	1748	1516	-326	-661	-215	-688			345
13	% SATISFIED OVERALL WITH COURSE-3/10-{50.0125413, 56.2609736}	1325	1134	353	-168	38	-772	-606	-755
14	% SATISFIED OVERALL WITH COURSE-4/10-{56.2609736, 62.5094060}	905	1065	614	-83	-75	-615	-601	-598
15	% SATISFIED OVERALL WITH COURSE-5/10-{62.5094060, 68.7578383}	800	808	307	337	-119	-97	-1043	-463
16	% SATISFIED OVERALL WITH COURSE-6/10-{68.7578383, 75.0062706}	331	455	436	179	47	-106	-400	-427	-832
17	% SATISFIED OVERALL WITH COURSE-7/10-{75.0062706, 81.2547030}	287	96	297	145	155	32	-205	-638	-679	-1872
18	% SATISFIED OVERALL WITH COURSE-8/10-{81.2547030, 87.5031353}	-561	-236	39	123	57	103	4	-104	-98	-649
19	% SATISFIED OVERALL WITH COURSE-9/10-{87.5031353, 93.7515677}	-1021	-763	-446	-163	-11	65	209	288	285	365
20	% SATISFIED OVERALL WITH COURSE-10/10-{93.7515677, 100.0000000}	-661	-1558	-1055	-563	-306	-12	296	467	611	1034
21	EXPENDITURE PER STUDENT (FTE)-1/10-{1.0000000, 1.9000000}	1690	1610	870		-512
22	EXPENDITURE PER STUDENT (FTE)-2/10-{1.9000000, 2.8000000}	639	927	803	228	-204	-575	-715
23	EXPENDITURE PER STUDENT (FTE)-3/10-{2.8000000, 3.7000000}	743	450	416	335	111	-173	-976	-906	-1264	-1967
24	EXPENDITURE PER STUDENT (FTE)-4/10-{3.7000000, 4.6000000}	199	143	132	269	210	30	-239	-550	-2071	-2011
25	EXPENDITURE PER STUDENT (FTE)-5/10-{4.6000000, 5.5000000}	-292	-187	87	-70	94	147	244	-257	-651	-1057
26	EXPENDITURE PER STUDENT (FTE)-6/10-{5.5000000, 6.4000000}		-445	-368	-149	81	260	143	234	94	-552
27	EXPENDITURE PER STUDENT (FTE)-7/10-{6.4000000, 7.3000000}	-933	-675	-936	-227	-83	262	344	370	201	-205
28	EXPENDITURE PER STUDENT (FTE)-8/10-{7.3000000, 8.2000000}		-783	-488	-761	-129	87	405	496	500	363
29	EXPENDITURE PER STUDENT (FTE)-9/10-{8.2000000, 9.1000000}	-1208			-631	-257	-46	352	830	918	364
30	EXPENDITURE PER STUDENT (FTE)-10/10-{9.1000000, 10.0000000}			-2308	-1727	-1619	-838	145	538	1225	1778
31	STUDENT:STAFF RATIO-1/10-{4.6000000, 9.2100000}	-951	-1031	-954	-446	-265	-334	56	485	971	1119
32	STUDENT:STAFF RATIO-2/10-{9.2100000, 13.8200000}	-331	-989	-1280	-640	-424	-34	269	650	751	881
33	STUDENT:STAFF RATIO-3/10-{13.8200000, 18.4300000}	-891	-522	-362	-160	92	143	197	91	135	70
34	STUDENT:STAFF RATIO-4/10-{18.4300000, 23.0400000}	-192	-120	143	199	191	35	-25	-460	-865	-1382
35	STUDENT:STAFF RATIO-5/10-{23.0400000, 27.6500000}	736	441	588	307	-67	-152	-884	-767	-1750	-1689
36	STUDENT:STAFF RATIO-6/10-{27.6500000, 32.2600000}	886	1144	491	273	-18	-634	-2200	-1772	-1334
37	STUDENT:STAFF RATIO-7/10-{32.2600000, 36.8700000}	1134	1392