ЦИФРОВОЙ АНАЛИЗ И ПРОГНОЗИРОВАНИЕ БОЛЬШИХ ДАННЫХ ОБРАЗОВАТЕЛЬНОГО ПРОЦЕССА НА БАЗЕ ПЛАТФОРМЫ LOGINOM
Вернуться к статьям номера| PDF: |  |
Автор(ы): | Кумратова А. М., Параскевов А. В. |
| Номер журнала: | 1(70) | Месяц и год выхода: | марта 2025 |
| Аннотация: | Большие данные окружают пользователей вне зависимости от их желания. Предприятия любого рода деятельности зачастую генерируют их в огромном объе- ме, при этом в среднем только каждое третье пытается их обрабатывать, при благоприятном стечении событий цифра достигает 35,5 %, и это лишь за счет сфер инфор- мационных технологий, конструкторских бюро и продаж. Авторами была поставлена цель провести исследование приемной кампании высшего учебного заведения на основе сгенерированных данных. Данные максимально приблизить к реальным за счет соответствия показателей конкурса, проходного балла, процентного соотношения абитуриентов из городов и районов и других показателей. Дизайн иссле- дования: результаты и весь ход исследования основывался на сгенерированных данных, но, несмотря на это, резуль- таты представляют подлинный научный и практический интерес — они демонстрируют методику оценки показате- лей деятельности вне зависимости от направления, форм собственности и сезонности работы. По итогам проведен- ного исследования сгенерирован репрезентативный набор данных (датасет), проведены операции отбора, кодирова- ния и нормализации данных. Полученные данные максималь- но приближены к реальным за счет использования реальных показателей проходного балла и количества поданных заяв- лений. Реальные данные взяты из открытых источников и являются обезличенными. Согласно результатам исследова- ния были выявлены комбинации второстепенных факторов, которые влияют на поступление абитуриента в высшее учебное заведение. Определены ключевые характеристики целевой аудитории учебного заведения. Обучена нейросеть и реализована возможность прогнозирования результатов следующих приемных кампаний. Методы анализа больших данных и машинное обучение играют зачастую решающую роль в определении квазиоптимальных параметров функци- онирования как отдельных процессов, так и производств в целом. При этом важно соблюдать принцип вариативно- сти подходов. Кластеризация промежуточных результатов или исходных групп помогает добиться значительных успе- хов. Это определяет новый взгляд на существую систему вне зависимости от отрасли. | ||
| Ключевые слова: | высшее образование, большие данные, методика оценки, анализ данных, датасет, зависимости, машинное обучение, исследование зависимостей, настрой- ка параметров, аналитика, нейросети |
||
| Как цитировать статью: | Параскевов А. В., Кумратова А. М. Цифровой анализ и прогнозирование больших данных образо- вательного процесса на базе платформы Loginom // Бизнес. Образование. Право. 2025. № 1(70). С. 58—65. DOI: 10.25683/ VOLBI.2025.70.1203. |
||