Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2015, №107

Покупка
Основная коллекция
Артикул: 641383.0001.99
Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета, 2015, вып. №107 - Краснод.:КубГАУ, 2015. - 1821 с.:. - Текст : электронный. - URL: https://znanium.com/catalog/product/641823 (дата обращения: 28.03.2024). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов. Для полноценной работы с документом, пожалуйста, перейдите в ридер.
Научный журнал КубГАУ, №107(03), 2015 года 

http://ej.kubagro.ru/2015/03/pdf/01.pdf 

1

УДК 303.732.4 
 
01.00.00 Физико-математические науки 
 

UDC 303.732.4 
 
Physical-Mathematical sciences 

СИНТЕЗ И ВЕРИФИКАЦИЯ 
МНОГОКРИТЕРИАЛЬНОЙ СИСТЕМНОКОГНИТИВНОЙ МОДЕЛИ 
УНИВЕРСИТЕТСКОГО РЕЙТИНГА 
ГАРДИАН И ЕЕ ПРИМЕНЕНИЕ ДЛЯ 
СОПОСТАВИМОЙ ОЦЕНКИ ЭФФЕКТИВНОСТИ РОССИЙСКИХ ВУЗОВ С УЧЕТОМ 
НАПРАВЛЕНИЯ ПОДГОТОВКИ 
 

SYNTHESIS AND VERIFICATION OF MULTICRITERIA SYSTEM-COGNITIVE MODEL OF 
THE GUARDIAN UNIVERSITY RANKING AND 
ITS APPLICATION FOR THE PROPER 
EVALUATION OF THE EFFECTIVENESS OF 
RUSSIAN UNIVERSITIES WITH RESPECT TO 
THE DIRECTION OF PREPARATION 

Луценко Евгений Вениаминович 
д.э.н., к.т.н., профессор  
РИНЦ SPIN-код: 9523-7101 
prof.lutsenko@gmail.com 

Lutsenko Eugeny Veniaminovich 
Dr.Sci.Econ., Cand.Tech.Sci., professor  
SPIN-code: 9523-7101 
prof.lutsenko@gmail.com 
Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13,  
 

Kuban State Agrarian University, Krasnodar, Russia 
 

Статья посвящена 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 
 

The article is devoted to the solution of the problem 
which is the fact that on the one hand, the rating of 
Russian universities is in demand and on the other 
hand it hasn’t been created yet. The proposed idea of 
solving the problem consists in the application of domestic licensing of innovative intelligent technologies 
for these purposes: we have suggested using an automated system-cognitive analysis (ASC-analysis) and 
its software tools – the intelligent system called "Eidos". These methods are described in detail in this context. It is proposed to consider the possibility of applying these tools on the example of the Guardian University ranking. The article discusses its private criteria 
(indicators of universities). We specify the sources of 
data and the methods of their preparation for processing in "Eidos" system. In accordance with ASCanalysis methodology the article describes the installation of "Eidos", the data input into it, and the formalization of the subject area, synthesis and verification of 
models, their display and use to solve problems of assessment of the Guardian rating for Russian universities and research object modeling. It also discusses the 
prospects and ways of development of the integrated 
rating of Russian universities and operation of rating in 
adaptive mode. We have also specified the limitations 
of the proposed approach and the prospects of its development 

Ключевые слова: АСК-АНАЛИЗ, СИСТЕМА 
«ЭЙДОС», ТЕОРИЯ ИНФОРМАЦИИ, СИНТЕЗ, 
ВЕРИФИКАЦИЯ, МНОГОКРИТЕРИАЛЬНАЯ 
СИСТЕМНО-КОГНИТИВНАЯ МОДЕЛЬ, 
УНИВЕРСИТЕТСКИЙ РЕЙТИНГ ГАРДИАН, 
СОПОСТАВИМАЯ, ОЦЕНКИ 
ЭФФЕКТИВНОСТИ РОССИЙСКИХ ВУЗОВ, 
РАЗНЫЕ НАПРАВЛЕНИЯ ПОДГОТОВКИ 

Keywords: ASC-ANALYSIS, "EIDOS", 
INFORMATION THEORY, SYNTHESIS, 
VERIFICATION, MULTI-CRITERIA SYSTEMCOGNITIVE MODEL, GUARDIAN UNIVERSITY 
RANKINGS, COMPARATIVE, EVALUATIONS OF 
PERFORMANCE OF RUSSIAN UNIVERSITIES, 
DIFFERENT AREAS OF TRAINING 

 
 

Научный журнал КубГАУ, №107(03), 2015 года 

http://ej.kubagro.ru/2015/03/pdf/01.pdf 

2

СОДЕРЖАНИЕ 

1. ФОРМУЛИРОВКА ПРОБЛЕМЫ .................................................................................................................2 

2. АВТОРСКИЙ ПОДХОД К РЕШЕНИЮ ПРОБЛЕМЫ.............................................................................4 

2.1. ИДЕЯ ПРЕДЛАГАЕМОГО РЕШЕНИЯ ПРОБЛЕМЫ..............................................................................................4 
2.2. АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ И ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА 
«ЭЙДОС» КАК ИНСТРУМЕНТАРИЙ РЕШЕНИЯ ПРОБЛЕМЫ ....................................................................................5 
2.3. ЧАСТНЫЕ КРИТЕРИИ УНИВЕРСИТЕТСКОГО РЕЙТИНГА ГАРДИАН...............................................................14 

3. ЧИСЛЕННЫЙ ПРИМЕР ..............................................................................................................................16 

3.1. ИСТОЧНИКИ ИСХОДНЫХ ДАННЫХ ..............................................................................................................16 
3.2. ПОДГОТОВКА ИСХОДНЫХ ДАННЫХ ДЛЯ СИСТЕМЫ «ЭЙДОС»....................................................................17 
3.3. УСТАНОВКА СИСТЕМЫ «ЭЙДОС» ...............................................................................................................24 
3.4. ВВОД ИСХОДНЫХ ДАННЫХ В СИСТЕМУ «ЭЙДОС» С ПОМОЩЬЮ ОДНОГО И ЕЕ ПРОГРАММНЫХ 
ИНТЕРФЕЙСОВ ....................................................................................................................................................25 
3.5. СИНТЕЗ И ВЕРИФИКАЦИЯ МНОГОКРИТЕРИАЛЬНОЙ СИСТЕМНО-КОГНИТИВНОЙ МОДЕЛИ 
УНИВЕРСИТЕТСКОГО РЕЙТИНГА ГАРДИАН, УЧИТЫВАЮЩЕЙ НАПРАВЛЕНИЯ ПОДГОТОВКИ............................31 
3.6. НАГЛЯДНОЕ ОТОБРАЖЕНИЕ ПОДМАТРИЦ СИСТЕМНО-КОГНИТИВНЫХ МОДЕЛЕЙ УНИВЕРСИТЕТСКОГО 
РЕЙТИНГА ГАРДИАН В ВИДЕ КОГНИТИВНЫХ ФУНКЦИЙ....................................................................................37 
3.7. ИНТЕГРАЛЬНЫЙ КРИТЕРИЙ И РЕШЕНИЕ ЗАДАЧИ ОЦЕНКИ РЕЙТИНГА ВУЗА В СИСТЕМНО-КОГНИТИВНОЙ 
МОДЕЛИ УНИВЕРСИТЕТСКОГО РЕЙТИНГА ГАРДИАН..........................................................................................43 
3.8. ИССЛЕДОВАНИЕ МНОГОКРИТЕРИАЛЬНОЙ СИСТЕМНО-КОГНИТИВНОЙ МОДЕЛИ УНИВЕРСИТЕТСКОГО 
РЕЙТИНГА ГАРДИАН, УЧИТЫВАЮЩЕЙ НАПРАВЛЕНИЯ ПОДГОТОВКИ...............................................................47 

4. ИНТЕГРАЦИЯ РАЗЛИЧНЫХ РЕЙТИНГОВ В ОДНОМ «СУПЕР РЕЙТИНГЕ» – ПУТЬ К 
ИСПОЛЬЗОВАНИЮ РЕЙТИНГА ГАРДИАН ДЛЯ ОЦЕНКИ РОССИЙСКИХ ВУЗОВ ...................53 

4.1. ПИЛОТНОЕ ИССЛЕДОВАНИЕ И ПАРЕТО-ОПТИМИЗАЦИЯ.............................................................................53 
4.2. ЭКСПЛУАТАЦИЯ МЕТОДИКИ В АДАПТИВНОМ РЕЖИМЕ..............................................................................57 

5. ВЫВОДЫ. ОГРАНИЧЕНИЯ И ПЕРСПЕКТИВЫ ..................................................................................57 

ЛИТЕРАТУРА .....................................................................................................................................................59 

___________________________ 
 
1. Формулировка проблемы 
Университетские рейтинги давно стали общепринятым в мире методом оценки эффективности вузов1. 
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 научнопедагогического сообщества. Возражения вызвали, прежде как сами критерии оценки эффективности вузов2, так и полная непрозрачность процедуры формирования этих критериев, а также то, что за бортом широкого 

                                                 
1 См., например: http://www.hotcourses.ru/study-in-the-uk/choosing-a-university/university-rankings-guide/  
2 http://yandex.ru/yandsearch?lr=35&text=критерии%20оценки%20эффективности%20вузов&lr=35

Научный журнал КубГАУ, №107(03), 2015 года 

http://ej.kubagro.ru/2015/03/pdf/01.pdf 

3

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,3 и в научных публикациях [1]. 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» 4. 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»5, – 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 вузов6. 
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). 
 

                                                 
3 Достаточно сделать запрос: «научные конференции форумы по эффективности вузов»  
4 http://ost101.livejournal.com/
http://profdavidson.ucoz.ru/  
5 На наш взгляд такие признаки имеют все вузы. Поэтому дело не в том, имеют они такие признаки или 
нет, а в том, на сколько эти признаки существенны в совокупности. 
6 http://uup.samgtu.ru/node/211

Научный журнал КубГАУ, №107(03), 2015 года 

http://ej.kubagro.ru/2015/03/pdf/01.pdf 

4

2. Авторский подход к решению проблемы 
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 Guardian7; 
– Университетский рейтинг Times8; 
– Мировой рейтинг Times Higher Education9; 
– Рейтинг мировых вузов Шанхайского Университета10. 
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 (АСКанализ) и его программный инструментарий – интеллектуальную систему 
«Эйдос». 
 

                                                 
7 http://www.theguardian.com/education/table/2011/may/17/university-league-table-2012  
8 http://extras.thetimes.co.uk/public/good_university_guide_landing?CMP=KNGvccp1-university%20rankings  
9 http://extras.thetimes.co.uk/public/good_university_guide_landing?CMP=KNGvccp1-university%20rankings  
10 http://www.educationindex.ru/article_ranking-shanghai-2014.aspx

Научный журнал КубГАУ, №107(03), 2015 года 

http://ej.kubagro.ru/2015/03/pdf/01.pdf 

5

2.2. Автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос» как инструментарий решения проблемы 
Этот подход кратко описан в статье [2]. Здесь рассмотрим его подробнее. 
Прежде всего, возникает вопрос о том, что понимается под эф
фективностью 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.  

Научный журнал КубГАУ, №107(03), 2015 года 

http://ej.kubagro.ru/2015/03/pdf/01.pdf 

6

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 автора 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, повидимому, 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». 

Научный журнал КубГАУ, №107(03), 2015 года 

http://ej.kubagro.ru/2015/03/pdf/01.pdf 

7

Отметим, что в материалах Минобрнауки РФ и о критериях оценки 
эффективности вузов11 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 интерпретации12. Как бы нечто похожее и на таком же научном 
                                                 
11 См., например: http://uup.samgtu.ru/node/211  
12 Проще говоря «ерундой». 

Научный журнал КубГАУ, №107(03), 2015 года 

http://ej.kubagro.ru/2015/03/pdf/01.pdf 

8

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 [3], и чтобы 
они измерялись в одних и тех же единицах измерения или были безразмерными.  
Оба эти требования выполняются в Автоматизированном системнокогнитивном 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 [2, 3]. 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 [2]. Модели знаний АСКанализа 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 [8]; 
– от четкой продукционной модели – нечеткими продукциями, представленными в декларативной форме, что обеспечивает эффективное ис
Научный журнал КубГАУ, №107(03), 2015 года 

http://ej.kubagro.ru/2015/03/pdf/01.pdf 

9

пользование 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 [3].  
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.  

Научный журнал КубГАУ, №107(03), 2015 года 

http://ej.kubagro.ru/2015/03/pdf/01.pdf 

10

Смысл данных, в соответствии с концепцией смысла ШенкаАбельсона, 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 причинноследственных связей, основной из которых является семантическая мера 
целесообразности информации по А.Харкевичу.