Исследование применимости методов машинного обучения для оценки деятельности кафедр
https://doi.org/10.32517/0234-0453-2021-36-8-41-51
Аннотация
В настоящее время в ряде образовательных организаций в России и за рубежом, в том числе и в Национальном исследовательском университете «МЭИ» внедряется европейская модель совершенствования EFQM, призванная анализировать и улучшать образовательную, научную и другие виды деятельности кафедр. В соответствии с этой моделью каждой кафедре университета присваивается балл, равный сумме баллов по двум группам критериев: критериев из группы возможностей и критериев из группы результатов. Для получения таких оценок комиссия, состоящая из внешних экспертов, асессоров EFQM и сотрудников университета, проводит встречи с заведующими кафедр. По результатам обсуждения итогов встреч комиссия определяет балл и рейтинг кафедр в соответствии с моделью EFQM.
Целью представленной в статье работы является исследование возможности применения машинного обучения для упрощения работы экспертов в части получения оценок по критериям из группы результатов.
В статье предложена система оценивания деятельности кафедр по критериям из группы результатов на основе машинного обучения. Разработана программа на языке программирования Python, которая оценивает деятельность кафедр по этим критериям для каждой кафедры НИУ «МЭИ». Исходные данные для таких оценок программа получает из системы мониторинга ключевых показателей деятельности, внедренной в НИУ «МЭИ».
Об авторах
А. Р. МукановаРоссия
Муканова Александра Ренатовна, студентка 4-го курса бакалавриата кафедры вычислительных машин, систем и сетей, Институт информационных и вычислительных технологий
г. Москва
Ш. А. Оцоков
Россия
Оцоков Шамиль Алиевич, доктор тех. наук, доцент кафедры вычислительных машин, систем и сетей, Институт информационных и вычислительных технологий
г. Москва
Список литературы
1. Маслов Д. В., Мазалецкая А., Стид К. Модель совершенствования EFQM. Высшее образование в России. 2005;(9):48–55.
2. Овсяницкий А. Д. Об использовании терминов «искусственный интеллект», «машинное обучение» и «глубокое обучение». Цифровая экономика в социально-экономическом развитии России: взгляд молодых. Материалы XV международной научно-практической конференции студентов, магистрантов и аспирантов. Челябинск; 2019. С. 549–551.
3. Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных. Режим доступа: http://www.machinelearning.ru
4. Галимов Р. Г. Основы алгоритмов машинного обучения — обучение с учителем. Аллея науки. 2017;1(14):810–817.
5. Stanula P., Ziegenbein A., Metternich J. Machine learning algorithms in production: A guideline for efficient data source selection. Procedia CIRP. 2018;78:261–266. DOI: 10.1016/j.procir.2018.08.177
6. Portugal I., Alencar P., Cowan D. The use of machine learning algorithms in recommender systems: A systematic review. Expert Systems with Applications. 2018;97:205–227. DOI: 10.1016/j.eswa.2017.12.020
7. Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python: пер. с англ. М.: Альфа-книга; 2018. 480 с.
8. Shalev-Shwartz S., Ben-David S. Understanding machine learning: From theory to algorithms. New York, Cambridge University Press; 2014. 449 p. DOI: 10.1017/CBO9781107298019
9. Клячкин В. Н. Метод оценки параметра гребневой регрессии. Вестник Ульяновского государственного технического университета. 1998;(1):38–40.
10. Бородин И. Д. Рефлексия в машинном обучении на примере обучения деревьев решений. Аллея науки. 2017;4(9):857–865.
11. Леусенко В. П. Принятие решений с рассмотрением полезностей. Деревья решений. Актуальные проблемы современной экономики. Математические методы, модели и информационные технологии. Материалы XVIII научно-практической конференции преподавателей, студентов, аспирантов и молодых ученых. Таганрог; 2017. С. 184–187.
12. Azad М., Moshkov М. Multi-stage optimization of decision and inhibitory trees for decision tables with manyvalued decisions. European Journal of Operational Research. 2017;263(3):910–921. DOI: 10.1016/j.ejor.2017.06.026
13. Кафтанников И. В., Парасич А. В. Методы снижения взаимозависимости ошибок деревьев решений при обучении лесов решений. Научный поиск. Материалы VII научной конференции аспирантов и докторантов. Челябинск; 2015. С. 315–320.
14. Дьяконов И. Д., Новикова С. В. Решение задачи прогнозирования при помощи градиентного бустинга над решающими деревьями. Научный форум: технические и физикоматематические науки. Материалы XV международной научно-практической конференции. М.; 2018. С. 9–12.
15. Чаткин В. В. Различия между искусственным интеллектом, машинным обучением и глубоким обучением. Конкурентоспособность территорий. Материалы XXII Всероссийского экономического форума молодых ученых и студентов. Екатеринбург; 2019. С. 185–187.
16. Мингалиев З. З., Кычкин И. М. Решение обратных многомерных задач на основе многослойного персептрона. Вестник современных исследований. 2019;(3.3):30–34.
17. Арефьев А. В., Шумаев В. В. Оценка значимости уравнения регрессии, его коэффициентов, коэффициента детерминации. Инновационные идеи молодых исследователей для агропромышленного комплекса России. Материалы Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых. Пенза; 2019. С. 103–104.
18. Кинякин В. Н., Милевская Ю. С. Некоторые предостережения по проверке качества модели регрессии с помощью коэффициента детерминации. Вестник Московского университета МВД России. 2014;(8):200–204.
19. Базилевский М. П. Отбор оптимального числа информативных регрессоров по скорректированному коэффициенту детерминации в регрессионных моделях как задача частично целочисленного линейного программирования. Прикладная математика и вопросы управления. 2020;(2):41–54. DOI: 10.15593/2499-9873/2020.2.03
20. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение. СПб.: Питер; 2017. 336 с.
Рецензия
Для цитирования:
Муканова А.Р., Оцоков Ш.А. Исследование применимости методов машинного обучения для оценки деятельности кафедр. Информатика и образование. 2021;(8):41-51. https://doi.org/10.32517/0234-0453-2021-36-8-41-51
For citation:
Mukanova A.R., Otsokov S.A. Research of the applicability of machine learning methods for assessment of departments’ performance. Informatics and education. 2021;(8):41-51. (In Russ.) https://doi.org/10.32517/0234-0453-2021-36-8-41-51