Математическое моделирование кластеризации по результатам мониторинга деятельности образовательных организаций высшего образования
(Стр. 118-128)
Подробнее об авторах
Айназаров Радиф Рамисович
аспирант, Институт перспективных технологий и индустриального программирования
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Вострокнутов Игорь Евгеньевич доктор педагогических наук; профессор, Институт перспективных технологий и индустриального программирования; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация
МИРЭА – Российский технологический университет
г. Москва, Российская Федерация Вострокнутов Игорь Евгеньевич доктор педагогических наук; профессор, Институт перспективных технологий и индустриального программирования; МИРЭА – Российский технологический университет; г. Москва, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
В статье рассматривается применение методов математического моделирования и кластерного анализа для обработки данных мониторинга деятельности образовательных организаций высшего образования. Актуальность исследования обусловлена необходимостью объективной оценки эффективности вузов, выявления проблемных зон и разработки адресных управленческих решений. В работе проанализированы ключевые показатели, включая образовательную, научно-исследовательскую, международную и финансово-экономическую деятельность, а также уровень заработной платы преподавателей. Основное внимание уделено методам кластеризации, позволяющим группировать вузы по схожим характеристикам. Рассмотрены иерархические, центроидные и плотностные алгоритмы, а также особенности их применения в контексте многомерных образовательных данных. Особое значение придается предварительной обработке показателей, включая нормализацию и стандартизацию, для обеспечения корректности результатов. Оценка качества кластеризации проводится с использованием индекса силуэта и других метрик, что позволяет определить устойчивость выделенных групп. Результаты исследования демонстрируют, что автоматизированная кластеризация данных мониторинга способствует выявлению типовых траекторий развития вузов, оптимизации ресурсного управления и разработке дифференцированных мер поддержки. Предложенный подход может быть интегрирован в систему регулярного мониторинга, обеспечивая оперативную аналитику для принятия управленческих решений. Перспективы дальнейших исследований связаны с развитием адаптивных алгоритмов, прогнозированием динамики показателей и созданием интерактивных аналитических платформ.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Айназаров Р.Р., Вострокнутов И.Е. Математическое моделирование кластеризации по результатам мониторинга деятельности образовательных организаций высшего образования // Computational Nanotechnology. 2025. Т. 12. № 5. С. 118-128. DOI: 10.33693/2313-223X-2025-12-5-118-128. EDN: EUVSUW
Список литературы:
Айназаров Р.Р., Вострокнутов И.Е. Анализ методов кластеризации по данным статистического наблюдения за образовательными организациями // Оптические технологии, материалы и системы: матер. Междунар. науч.-техн. конф. «Оптотех – 2024». М.: МИРЭА – Российский технологический университет, 2024. С. 694–698.
Багутдинов Р.А., Степанов М.Ф. Методы интеграции, уменьшение размеров и нормализация обработки разнородных и разномасштабных данных // International Journal of Open Information Technologies. 2021. Т. 9. № 2. С. 39–44.
Воронцова А.А. Оценка качества кластеризации данных внутренними и внешними метриками // Наука и образование в условиях мировой нестабильности: проблемы, новые этапы развития: матер. II Междунар. науч.-практ. конф. (Ростов-на-Дону, 30 апреля 2022 г.). Ч. 1. Ростов-н/Дон: Манускрипт, 2022. С. 71–78. EDN: ZKNPFQ.
Жилов Р.А. Интеллектуальные методы кластеризации данных // Известия Кабардино-Балкарского научного центра РАН. 2023. № 6 (116). С. 152–159.
Ильина Н.А. Иерархическая кластеризация // Молодость. Интеллект. Инициатива: матер. IX Междунар. науч.-практ. конференции студентов и магистрантов (Витебск, 23 апреля 2021 г.) / Е.Я. Аршанский (гл. ред.) и др. Витебск: Витебский гос. ун-т им. П.М. Машерова, 2021. С. 18–20. EDN: USNRUH.
Макаров А.В., Намиот Д.Е. Обзор методов очистки данных для машинного обучения // International Journal of Open Information Technologies. 2023. Т. 11. № 10. С. 70–78.
Орехов А.В. Аппроксимационно-оценочные критерии (аналитическое обобщение эвристического «метода локтя») // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2025. Т. 21. Вып. 3. С. 373–384.
Семенова Д.В. Анализ основных индексов оценки качества алгоритмов кластеризации // Проблемы минерально-сырьевого комплекса глазами молодых ученых. 2023. С. 203–208.
Шульпина П.Д., Докучаев В.А. Метод главных компонент как способ предварительной обработки данных // REDS: Телекоммуникационные устройства и системы. 2023. Т. 13. № 2. С. 59–64.
Багутдинов Р.А., Степанов М.Ф. Методы интеграции, уменьшение размеров и нормализация обработки разнородных и разномасштабных данных // International Journal of Open Information Technologies. 2021. Т. 9. № 2. С. 39–44.
Воронцова А.А. Оценка качества кластеризации данных внутренними и внешними метриками // Наука и образование в условиях мировой нестабильности: проблемы, новые этапы развития: матер. II Междунар. науч.-практ. конф. (Ростов-на-Дону, 30 апреля 2022 г.). Ч. 1. Ростов-н/Дон: Манускрипт, 2022. С. 71–78. EDN: ZKNPFQ.
Жилов Р.А. Интеллектуальные методы кластеризации данных // Известия Кабардино-Балкарского научного центра РАН. 2023. № 6 (116). С. 152–159.
Ильина Н.А. Иерархическая кластеризация // Молодость. Интеллект. Инициатива: матер. IX Междунар. науч.-практ. конференции студентов и магистрантов (Витебск, 23 апреля 2021 г.) / Е.Я. Аршанский (гл. ред.) и др. Витебск: Витебский гос. ун-т им. П.М. Машерова, 2021. С. 18–20. EDN: USNRUH.
Макаров А.В., Намиот Д.Е. Обзор методов очистки данных для машинного обучения // International Journal of Open Information Technologies. 2023. Т. 11. № 10. С. 70–78.
Орехов А.В. Аппроксимационно-оценочные критерии (аналитическое обобщение эвристического «метода локтя») // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2025. Т. 21. Вып. 3. С. 373–384.
Семенова Д.В. Анализ основных индексов оценки качества алгоритмов кластеризации // Проблемы минерально-сырьевого комплекса глазами молодых ученых. 2023. С. 203–208.
Шульпина П.Д., Докучаев В.А. Метод главных компонент как способ предварительной обработки данных // REDS: Телекоммуникационные устройства и системы. 2023. Т. 13. № 2. С. 59–64.
Ключевые слова:
математическое моделирование, кластерный анализ, мониторинг образования, высшие учебные заведения, оценка эффективности, анализ данных.
