автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Анализ качества обучения студентов высших технических учебных заведений с использованием информационных технологий

На правах рукописи УДК658.012.7

АЛАЛАМИ Раед

АНАЛИЗ КАЧЕСТВА ОБУЧЕНИЯ СТУДЕНТОВ ВЫСШИХ ТЕХНИЧЕСКИХ УЧЕБНЫХ ЗАВЕДЕНИЙ С ИСПОЛЬЗОВАНИЕМ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ

Специальность 05.13.01 - Системный анализ, управление и обработка

информации

АВТОРЕФЕРАТ диссертации на соискание учёной степени кандидата технических наук

Барнаул -2005

Работа выполнена в Алтайском государственном техническом университете им. И.И. Ползунова

Научный руководитель:

заслуженный деятель науки РФ, доктор физико-математических наук, профессор Евстигнеев В.В.

Официальные оппоненты: доктор физико-математических наук,

профессор Алгазин Г.И.

кандидат технических наук,

доцент Лисовец СЮ.

Ведущая организация: Новосибирский государственный технический университет

Защита состоится 28 июня 2005 г. в 10 часов на заседании регионального диссертационного совета КМ 12.004.01 при Алтайском государственном техническом университете по адресу: 656038, г. Барнаул, пр. Ленина, 46.

С диссертацией можно ознакомиться в библиотеке Алтайского государственного технического университета им. И.И. Ползунова.

Автореферат разослан 27 мая 2005 г.

Ученый секретарь диссертационного совета кандидат экономических наук, доцент

ОБЩАЯ ХАРАКТЕРИСТИКА

Актуальность темы диссертации. В ряде российских государственных документов последних лет подчеркивается необходимость модернизации российского образования, проведения образовательной реформы, что, в свою очередь, неотрывно связано с использованием в образовании компьютерных информационных технологий, включая математические методы обработки информации.

Сегодня во всем мире наблюдается повышенный интерес к подготовке инженерных кадров - открываются новые инженерные вузы, расширяются инженерные факультеты, во все больших масштабах привлекаются инженеры за рубежом. Процессы развития экономики, промышленности и технического образования в мире характеризуются все возрастающей потребностью в инженерах нового поколения - разработчиках высоких технологий, владеющих самым современным инструментом - математикой, методами моделирования, информатики, управления.

Основным показателем работы вуза является качество подготовки специалистов, которое обеспечивается организацией учебного процесса. Принцип университетского образования требует формирования новых стандартов и учебных планов. Для того, чтобы учебный процесс был управляемым, качество обучения необходимо регулярно контролировать и анализировать. Частично разрешением проблемы качественной подготовки специалистов может явиться анализ оценки качества обучения, то есть формирования знаний будущего инженера как специалиста, на определенных этапах. Основным показателем качества обучения является оценка знаний и навыков студентов в результате их контроля. Под контролем знаний будем понимать только проверку воспроизводимой информации, хотя в действительности очень часто на оценку влияет и сообразительность, и некоторые другие качества контролируемого объекта.

Высокий профессионализм и широкая эрудиция позволит инженеру быть всегда востребованным и социально защищенным, то есть проблема подготовки высококвалифицированного специалиста — не только педагогическая, но и социологическая. Поэтому оценка качества знаний в подготовке инженера путем более широкого использования системного подхода и методов обработки информации является актуальной задачей.

Гипотезой исследования принято то, что информационные технологии и математические модели в анализе качества обучения и

их применение в системе высшего, в частности, инженерного, образования позволит исследовать влияние знаний, полученных студентом на определенных этапах обучения, на качество профессиональной подготовки будущих инженеров, а эти оценки явятся основой совершенствования учебного процесса. Так как «обучение - это в значительной степени накапливание информации и развитие способности устанавливать связи и отношения» (Д.Кинг), то такой подход к обучению позволяет в определенной мере использовать для его описания и анализа с применением количественных методов исследования передачи информации и математические модели этих процессов, созданные теорией информации (в том числе статистические и, в частности, регрессионные).

Исходя из этого, в диссертации поставлена следующая цель:

на основе анализа успеваемости студентов определенной инженерной специальности разработать методику построения регрессионных моделей оценки качества обучения и использовать результаты для определения параметров, которые могут улучшить качество подготовки специалистов с высшим образованием.

Для достижения этой цели сформулируем следующие задачи:

1. Провести критический анализ используемых в социологических исследованиях информационных технологий и математических методов.

2. Обосновать целесообразность применения информационных ресурсов и методов статистического моделирования для анализа качества обучения студентов в системе инженерного образования в вузе.

3. Определить совокупность параметров, позволяющих провести количественную оценку качества обучения студентов вуза.

4. Обосновать выбор типа математической модели оценки качества обучения студентов вуза.

5. Разработать компьютерную поддержку сбора информации для построения статистической модели оценки и анализа качества обучения студентов в системе высшего образования в вузе на примере Алтайского государственного технического университета им. И.И.Ползунова (АлтГТУ).

6. По статистическим данным построить математическую модель и провести анализ качества обучения студентов на одном из инженерных факультетов АлтГТУ.

7. Провести оценку влияния факторов на качество обучения студентов инженерной специальности АлтГТУ по результатам математического моделирования.

Объектом исследования является учебный процесс в высшей школе.

Предмет исследования: анализ качества обучения студентов в системе высшего технического образования на основе использования информационных технологий и регрессионных моделей.

Теоретико-методологической базой исследования являются:

- работы, раскрывающие методологические основы применения системного подхода в изучении различных процессов (Р. Акоф, Г. Вунил, М.З. Згуровский, И.Е. Казаков, А.Н. Новиков, М. Сашени, П. Фабл и др.);

- социологические идеи о роли профессионального образования в современном мире, его влияние на становление человека, развитие общества (Н.Г. Алексеев, А.Г. Асмолов, Б.С.Гершунский, М.С. Каган, М.К. Мамардашвили и др.);

- системный, личностно- деятельностный подход к изучению динамических систем (Н.Н. Баутин, В.Г. Гайцгорн, Е.А.Леонтович, Н.Н.Моисеев, Ю.И.Неймарк, А.А.Первозванский, B.C. Пугачев, К. Рихтер, Т. Саати, Б.Я. Советов, С. А. Яковлев и др.).

Комплексному исследованию проблемы автоматизированного обучения, ориентированного на «успешность», т.е. качество, посвящены работы Н.П. Брусенцова, в которых кроме технических проблем решается множество вопросов, связанных с дидактикой успешного обучения Я. Коменского. Инновационным технологиям обучения, ориентированным на качество выпускаемых специалистов, посвящены работы В.Т. Авдеева, Ю.П. Ехлакова, В.А. Вигуля, П.Г. Видара, Б.С. Гершунского, М.П. Карпенко, О.М. Карпенко, А.И. Камышникова, А.В. Лисовца, СЮ. Лисовец, О.В. Миненкова, А.Г. Московцева, Н.А Московцева, О.В. Поповой, Н.С. Сельской, Ю.И. Титаренко, Е.Н. Тка-ченко, П.И. Третьякова, В.П. Фокиной, С.А. Чмыховой, П.Г. Щедро-вицкого, А.Д. Ходырева и др.

Методы исследования. Для решения поставленных задач использовалась совокупность взаимодополняющих методов: критический анализ работ в области исследования социологических процессов и информационного оснащения учебного процесса в вузе; корреляционно-регрессионный анализ; теория динамических систем с переменными параметрами; программное обеспечение вычислительных процессов (в том числе использование глобальной сети Интернет); методы прикладной математики.

Научная новизна исследования заключается в:

- создании методики анализа учебного процесса с точки зрения качества обучения в техническом вузе;

- в выборе критериев и факторов анализа качества обучения студентов вуза;

- разработке компьютерной поддержки сбора информации для построения математической модели в анализе и оценке качества обучения в системе высшего технического образования.

Практическая значимость исследования заключается в следующем:

- сформирована методика анализа качества подготовки специалистов с высшим образованием на основе построения регрессионных моделей оценки качества обучения в системе высшего образования с использованием программы «MATLAB»;

- разработана структура технологического комплекса компьютерной поддержки сбора необходимой информации в вузе;

- приведен пример построения регрессионной модели для анализа значимости количественных факторов в оценке качества подготовки инженерных кадров.

Достоверность и обоснованность основных положений и выводов диссертации доказываются критическим анализом известных результатов по теме диссертации, использованием достоверных данных и классических законов и положений математической статистики, логическим подтверждением теоретических результатов.

Апробация результатов исследования заключается в участии автора в Международной научно-практической конференции «Наука и практика организации производства и управления» (28-30 мая 2003 г., Барнаул), в работе научного семинара при кафедре «Информационные системы в экономике» (ИСЭ) АлтГТУ, в восьмой региональной конференции по математике «МАК -2005», Барнаул, 2005.

Внедрение в практику осуществлялось: при участии в создании информационной системы мониторинга образовательного процесса Алтайского государственного технического университета им. И.И. Ползунова и в создании локальной информационной сети вуза, в проведении сбора статистических данных для создания математической модели оценки качества обучения студентов в системе инженер-нсго образования АлтГТУ;

Положения, выносимые на защиту:

1. Методика анализа учебного процесса на основе построения корреляционно-регрессионных моделей оценки качества обучения в системе высшего образования (на примере исследования успеваемости студентов одной специальности инженерно-физического факультета АлтГТУ).

2. Методика определения значимости знаний, полученных студентом на определенных этапах обучения, в качестве его профессиональной подготовки.

3. Компьютерная поддержка информационного обеспечения математического моделирования в системе высшего образования.

Публикации. По материалам диссертации опубликовано пять научных работ.

Структура диссертации: диссертация состоит из введения, трех глав с выводами по каждой главе, заключения и списка литературы. Материал диссертации изложен на 126 страницах, список литературы включает 134 наименований.

СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении доказана актуальность темы диссертации, сформулированы цель, задачи и гипотеза исследования, а также указаны результаты, характеризующие научную новизну, практическую и теоретическую значимости исследования, и положения, выносимые на защиту. Особо следует отметить, что в диссертации не исследуется собственно педагогический процесс, как система образования, а его проявление в качестве обучения, что оценивается его знаниями и отражается в успеваемости.

В первой главе «Информационные технологии в социологических исследованиях» рассмотрен системный подход применительно к изучению социальных процессов. Отдельные стороны, характеризующие данный процесс, рассматриваются как элементы системы. Сама система предстает как взаимосвязь этих элементов, как их целостность. Системный подход предполагает, прежде всего, выявление и анализ этих связей, составление системной схемы изучаемого процесса. Социальные процессы протекают во времени и по природе своей являются процессами динамическими, поэтому системная схема, отображающая взаимосвязь элементов данного процесса, также должна рассматриваться с динамических позиций.

Поскольку типология моделей «не устоялась» и различные авторы называют их имитационными, эвристическими, стохастическими, системно-динамическими и т.п., но все они строятся и ведется их обработка с использованием компьютерной техники, поэтому мы будем использовать для таких моделей более общее название - компьютерные.

Кроме того, компьютерные модели представляют интерес не только для лиц, принимающих решения, и обслуживающих их социологов-практиков, готовящих проекты решений, но и для исследователей. Сам процесс воплощения теоретических представлений в модель позволяет глубже проникнуть в суть моделируемых явлений, а верификация модели (проведение на ней вычислительных экспериментов и сопоставление полученных результатов с данными эмпирических исследований) является фактически и проверкой теории, положенной исследователем в основу модели.

К настоящему времени интенсивное развитие исследований в области искусственного интеллекта привело к созданию нового типа кибернетических систем, так называемых экспертных систем. Спецификой экспертной системы является наличие так называемой базы знаний. При построении базы знаний используются различные формы организации знаний. Например, при изучении тех или иных социальных черт вуза с целью разработки рекомендаций по усовершенствованию управления учебным процессом особое значение имеют знания опытных преподавателей, руководителей вуза, факультетов, кафедр и других лиц, хорошо знакомых со специфическими проблемами своего вуза и неоднократно принимавших участие в решении таких проблем. Среди них могут быть отобраны те, кто наиболее успешно справлялся со своими задачами. Именно эти люди могут быть привлечены в качестве экспертов для проведения названного исследования.

Пространство социологического исследования весьма неравномерно обеспечивается современными компьютерными технологиями. Очевидно также, что разнообразие действий, осуществляемых исследователями, диктует применение достаточно широкого ассортимента программных средств.

Существует большой и положительный опыт использования математики при моделировании в общественных науках: использование математического аппарата при моделировании некоторого круга социальных проблем демографии, криминологии, международных отношений, групповой динамики, социальной структуры и многого другого. Наиболее, на наш взгляд, характерные методы математического моделирования в социологии следующие: аппарат искусствен-

ных нейронных сетей (ИНС); метод анализа иерархий; вероятностные модели социальных сетей; вейвлет - анализ социальных процессов; метод убывающих числовых последовательностей.

Система компьютерной поддержки предназначается для обеспечения всех этапов исследовательского цикла: проведение анкетирования и экспертной оценки, создание массива эмпирических данных и математической модели, различные процедуры обработки и анализа модели, оформление отчета.

Во второй главе «Регрессионное моделирование в системном

анализе» даны основные положения корреляционно-регрессионного моделирования (КРМ) и его применения в анализе и прогнозе.

Коренное отличие метода корреляционно-регрессионного анализа от аналитической группировки состоит в том, что корреляционно-регрессионный анализ позволяет разделить влияние комплекса факторных (параметрических) признаков, анализировать различные стороны сложной системы взаимосвязей. Если метод комбинированной аналитической группировки, как правило, не дает возможность анализировать более 3 факторов, то корреляционный метод при объеме совокупности около ста единиц позволяет вести анализ системы с 8-10 факторами и разделить их влияние.

Наконец, развивающиеся на базе корреляционно-регрессионного анализа многомерные методы (метод главных компонент, факторный анализ) позволяют синтезировать влияние признаков (первичных параметров, факторов), выделяя из них непосредственно не учитываемые глубинные параметры (компоненты).

Корреляционно-регрессионной моделью системы взаимосвязанных признаков является такое уравнение регрессии, которое включает основные факторы, влияющие на вариацию результативного признака, обладает высоким (не ниже 0,5) коэффициентом детерминации и коэффициентами регрессии, интерпретируемыми в соответствии с теоретическим знанием о природе связей в изучаемой системе. Более того, корреляционная зависимость позволяет оценить значимость параметра в становлении определяющего критерия и параметрическую устойчивость процесса.

Для построения регрессионной модели по качественным параметрам и результатам анкетного метода может быть использована кодировка по трехбалльной системе: по соответствующим ответам: нет, не знаю, да. И если ответы разделились в соотношении m:n:p, то статистическая зависимость представится уравнением: у = тх\ + пх2 + рхз-

В третьей главе «Методика построения модели и анализ качества обучения студентов высших технических учебных заведений с использованием программы

«MATLAB» изложены методика и результаты статистического исследования динамики отражения знаний в оценках на инженерно-физическом факультете Ал тГТУ им. И.И. Ползунова. Поскольку оценка качества знания является достаточно широким понятием и могут быть разные критерии этой оценки, то в диссертации представлена методика построения только регрессионных моделей, а их применение дано в неполном анализе, так как такие задачи являются педагогическими.

Для сбора статистических данных в АлтГТУ разработана локальная информационная сеть с включением кафедр, деканатов и ректората АлтГТУ на основе модуля «Дата-центр». К задачам этой системы относятся:

- делопроизводство, связанное с формированием, ведением и обработкой документов;

- сбор и передача внутренней информации;

- создание отчетов по исследованиям на кафедрах, факультетах для передачи их руководству;

- создание, ведение, корректировка и обновление информации в базах данных;

- обмен информацией между отделами учреждения и организациями.

Для получения уравнения регрессии зависимости качества знаний от оценок обучения в вузе и полученных знаний в школе на базе четырех учебных групп студентов одной специальности инженерного инженерно-физического факультета АлтГТУ исследовалась выборка из 31 респондента (при минимальном объеме 23 для достоверной вероятности 0,85) по следующим данным: XI - средний балл аттестата зрелости, х2 - средний балл вступительных экзаменов, х3 -х10 - средний балл экзаменационных сессий за 1-8 семестры, дальше следует преддипломная практика и защита дипломной работы. Как показали данные за последние 5 лет, оценки за последнюю сессию и защиту дипломной работы практически совпадают (на 92 %), но так как перерыв в год может значительно повлиять на оценку именно непрерывного обучения, то в диссертации итоговыми оценками «обученности» приняты средний балл за последнюю сессию х10 = У\ (т.е. отклик или функция регрессии в регрессионной модели) и средний балл по восьми сессиям У2 . Для статистических данных, полученных с помощью локальной информационной сети, по программам МАТЛАБ для доверительной

вероятности 0,95 (уровень значимости а = 0,05) были получены модели, но доверительные интервалы коэффициентов уравнений регрессии содержали нули, указывающие на недостоверность моделей, поэтому вычисления проводились до уровня значимости, при которой эти интервалы не содержали нули. Таким уровнем явилось значение а 0,15. При анализе линейной модели у ^ в х выяснилась незначительность оценок поэтому эти факторы были исключены и учитывались только 7 факторов (модель 6).

Построены модели, представленные следующими уравнениями регрессии и рисунками 1-3:

У, = 16 ,28 - 1,72 л,\У2 = 7,61л, - 0,78л:,"; (1)

7, = 1,24 л 2 - 0,94 х22 гу2 =1,24*2 -0,10л22; (2)

У, = 17,03х, -3,19х2 -2,43л,2 -0,30х22 + 1,44л,л2, У2 = 7,94л, -3,52л2 -1,47л,2 -0,35х22 + 1,49л,л2; (3)

У, = 0,48л,- 0,09л2 + 0,19 л3 - 0,01л4 + 0,235 л5 -

- 0,145 л6 + 0,231 л7 + 0,031 х8 + 0,354 х9 ,

Г2 = 0,012л,-0,01л2+0,12х3+0,11л4+0,19х5 + + 0,1 Зл6 + 0,19х7 + 0,06 л8 +0,17л9; (4)

У1 = 8,61л, +2,05л2 - 5,05л3 -0,04л„ +9,69л5 -6,13л6 + + 15,68л7 -5,12л8 -1,62л9 -0,32л,2 +0,71л,л2 -0,91л,л3 + + 1,79л,л4 -0,19л,л5 -0,22л,л6 +0,86л,л7 -3,75л,л8 +2,34л,л9 --1,37л22 - 0,54л2л3 +0,21л2л4 -2,42х2л5 +0,70л2л6 + 0,27л2х7 -

- 1,27л2л8 + 2,06л2л9,

У2 = 5,76л, +1,1 2л2 -З,24л3 +0,93л4 + 3,54х5 + 0,38х6 + + 6,56x7 - 2,89х8 - 0,55л9 + 31,04л,2 + 0,28л,х2 - 0,42л,х3 + + 1,02х,х4 - 0,21л,л5 - 0,50л,л6 -0,16л,л7 + 0,16л,л8 + 1,08л,л9 - (5) -0,14х22 -0,26л2л3 +0,05х2л4 -2,42л2л5 -0,70л2л6 +0,27л2л7 -0,4 + 0,34х2х9;

У1 = 6,46*! - 2,69х3 + 1,46х5 - 2,12х6 + 5,84х7 + 1,34х9 -

- 0,42л:,2 + 0,69х,х3 - 0,29х,х5 + 0,47дг,д:6 - 1,29х,х7 - 0,26лг,х9.,

Г2 = 2,62х, + 0,118х3 —1,10х5 - 0,31х6 + 0,49х7 + 0,75х9 -

, (6) -0,49л:, +0,01х,х3 +0,29x^5 +0,100х,х6 -0,06х,х7 -0,1 Зх,х9.

Из модели 5 следует, что параметры х, х4 и х8 (вступительные экзамены, второй и шестой семестры) незначительно коррелируют с оценкой качества знаний, то есть в учебно-методической работе и планировании учебного процесса следует проанализировать все составляющие учебного процесса в этих семестрах.

Значимость оценки знаний на приемных экзаменах указывает на не совершенность содержания экзаменов, на их неполноту для выявления всех способностей абитуриента для успешного обучения в вузе по избранной специальности.

Регрессионное моделирование позволяет оценить не только значимость параметров, но и их взаимодействие. Нам представляется важным оценить, насколько значат знания, полученные в школе и проявленные на приемных экзаменах, на качество обучения в целом и по семестрам, то есть необходимо учесть взаимодействие параметров х\ и х2 с другими параметрами.

Учет взаимодействия параметров значительно повысил достоверность модели, что следует из сравнения моделей 4 и 5 (для У( коэффициент множественной детерминации равен 0,76 и 0,98, соответственно).

По критерию yt

По критерию У2

СяМ«« Ьйпнк |

СоЫ* Р«лк{ег 1о*ег Ц**г

1 8.513 5.414 1131

г 2.052 оле 3.32'

3 ■5,954 иа т

1 •0.0355 «да 05317

5 1692 8,153 П23

i ■6,134 Ш •5,551

7 15Й 1354

е ■5,117 Ш ■МВ

3 •Ш7 т •1.144

!0 •03213 ш\ 82404

11 ют ш« огзг;

а ■8,51® лж -Э412?

и ш 1329 2243

14 •о,из Ш7 •0,04615

¡5 •0223? 45«? 0.03933

К 0®1 ОЛЙ Ш1

17 -37« АЗ* -3.1«

18 ш 1.Й9

й -1.355 -1Л9 -1233

а •ОМ илз •0 4034

21 02112 0.1537 025«

22 •2.417 ■газ •2325

23 0.70« 0,4611 ¡т

24 027й ш шл

2 -1.263 ■1.472 лт

й 2® Ш5 2,147

ЖЕ К-ЦЩге е р

02« о.9т 7.322 0Ш7

1 В 1 Не,

СтМелмЬмгик 1

СоЬго* Р«т#ег Цррв-

1 ЫЯ ■7351 •4.1:1

2 1.12 0.4К9 1.7?

3 •3.2Й ■З.ЙЗ •г.«:

4 0.3X9 0Ш 1237

5 3.53? 2771 ш

03344 от

7 (Ж ш 7К7-

$ •2,395 •3.41 •23

3 <335 ■ода •03173

10 инз сдг 1.324

и 0.29« (зг 83331

12 •0.4235 ■03721 ■82741

13 1.95 вЛЙ 1253

14 •8-2128 ■№1 ■0.1412

и -05017 ■саз -0.3«

№ •0.1б!Е •02309 ■С,09224

17 •Ш ■ш -Ш

В ш 12!

13 •а.ш •0,295

20 ■8 2593 ■0325 ■0.13»

21 0.05187 0.92235 0.07373

22 -3.3213 ■олга -02753

23 0.1« 8,ИЗ 0-Ц23

И 8.1П 0Ж53 0.154

25 •0.4339 •0.5351 ■0.3325

26 82972 ОЖЗ

№КЕ ^¡Чик Р Р

№995 0,3978 70 8 «643

НИ В ■ ** 1

Рис. 2. Модель 5

СоМпееНМз

Со1итп # Рзгатйег 1лш иррн

1 0456 2Ш 8.014

1 1 -2.683 -3129 -1.753

2 1.456 0.2/04 2.641

< -2.118 -3,175 -1,061

с 5.838 4534 7.133

6 134 0.3647 Ш

7 -01235 -0.7869 -3.05005

£ 0.68?4 0,4502 о.еобв

¡3 -0.1868 •0.5815 •001173

1С 0.4753 0.2255 0.7217

11 -1.26? -1.533 -0.3858

12 •02501 ■0.4335 ■0.02874

ВМвЕ Р-циаге Р Р

0.3318 0.8402 7.884 Ше-С

СоЫ* Рагатйег Ьтг Цррег

1 Ш. :,«' Ж

2 «.им 8М342

3 лей -1,157 лт

4 ■9357 •03611 ■02583

5 Ш № №13

033 та ОЙЙ

; ш. «5

ашз ¡№№ ода

5 вЗЙа т ш

10 ША Шв

и ■о^нгзг

12 ■«.135 та •0,1166

№Е К-ИрНГЕ г р

0.1071 швш 0.9685 В «,12

Обучение является устойчивым, если предполагает, что "в любом учебном опыте есть элементы продолжительности и непрерывности". [Международная стандартная классификация образования (МСКО), ЮНЕСКО, 1997.]

Следуя теории параметрической устойчивости динамических систем, изложенной во второй главе диссертации, можем определить условие «успешности» обучения. Так, для модели 3 при двух независимых переменных Уи У2 и факторах хи х2 получим:

89,93 - XI (14,35 + 3,01^1) - х2(1,74 - 1,90*2) - 2,58^*2 = 0 (7)

Это условие означает, что при среднем балле по аттестату зрелости Xi для успешности обучения оценка на вступительных экзаменах должна быть не нижех2, определенной из (7):

1,93 х22 ~ (1,74 + Ь)хг + а = 0,

где а = 89,93 -^(14,35 + 3,01*]); 6 = 2,58*, (8)

Уравнение (8) имеет действительное решение при

Наименьшее значение этого неравенства Тогда из (8)

Здесь решена и обратная задача, т.е. какой должен быть средний балл по аттестату зрелости, чтобы на вступительных экзаменах получить положительную оценку, то есть из (8) следует:

Анализируя полученные модели, можно оценить значимость оценок качества обучения на каждом этапе, если оценивать качество обучения средним баллом восьми экзаменационных сессий или средним баллом только за восьмой семестр. Исключение из моделей малозначащих факторов значительно увеличивает их достоверность: для моделей 6 коэффициент детерминации почти равен единице. При этом значимость фактора зависит также от того, какая принята оценка качества обучения. Так, для УД значимость среднего балла по аттестату зрелости в модели 4 оценена коэффициентом регрессии 0,48, а для У2-только 0,012.

Интересен также тот факт, что при изменении уровня чувствительности изменяются только границы доверительных интервалов параметров регрессии, т.е. коэффициентов уравнений регрессии.

В заключении сформулированы основные научные результаты диссертации:

1. Критический обзор литературных источников по теме диссертации позволил обосновать методику анализа учебного процесса и эффективность регрессионного моделирования в оценке качества обучения студентов в вузе.

2. Существующие информационные ресурсы и регрессионная модель качества образования позволяет выявить «слабые места» в процессе обучения специалистов в учебном процессе, в том числе инженерного, и может явиться основой разработки рекомендаций для его совершенствования в техническом вузе.

3. Используя теорию параметрической устойчивости динамических систем в исследовании регрессионной модели оценки качества обучения, можно выявить неустойчивые факторы, указывающие на определенные «пробелы» в организации учебного процесса.

4. Разработанная структура локальной информационной, сети вуза позволяет оперативно проводить сбор информации по всем вопросам планирования, организации и контроля учебного процесса, а связь с глобальной системой Интернет обеспечивает применение современных технологий обработки статистических данных.

5. Анализ регрессионной модели оценки качества обучения, проведенный на реальных данных, указывает на недостаточность проведения приемных экзаменов только по формальной оценке школьных знаний абитуриентов.

6. Построение более полной и, следовательно, более достоверной регрессионной модели оценки качества обучения следует ожидать при формировании совокупности факторов, учитывающих текущие оценки знаний студентов (контрольные и лабораторные работы, индивидуальные задания, «контрольные недели», тесты и т.п.).

7. Дальнейшие исследования по теме диссертации предполагаются в разработке контрольно-оценивающих тестов по каждой дисциплине, блоку дисциплин (модулю) для определенной специальности и автоматизации построения по как можно большей совокупности оценивающих факторов (включая социальные и психологические) регрессионных моделей, анализе их совместно с преподавателями и формировании рекомендаций для совершенствования учебного процесса, повышения качества обучения.

Содержание диссертации опубликовано в следующих научных работах:

1. Алалами Р. Система технических средств АИС маркетинга образовательных // Информационные системы в экономике, экологии, образовании. - Барнаул: Изд-во АлтГТУ, 2002. - С. 18-20.

2. Алалами Р. Техническое обеспечение информационной системы маркетинга образовательных услуг вуза // Доклады Международной научно-практической конференции «Наука и практика организации производства и управления» (28 - 30 мая 2003 г). - Барнаул: Изд-во АлтГТУ, 2003. - С. 150-152.

3. Алалами Р., Торбунов С.С. Определение значимости факторов и их взаимодействия в многофакторном эксперименте // Электронный научно-образовательный журнал «Горизонты образования», АлтГТУ, 2005.-6 С.

4. Алалами Р. Локальная информационная сеть вуза в оценке качества инженерного образования // Информационный листок ЦНТИ. - Барнаул: Изд-во ЦНТИ, 2004. № 02-101-04. - 3 С.

5. Алалами Р. Оценка качества обучения в системе высшего инженерного образования // Материалы восьмой региональной конференции по математике «МАК-2005». - Барнаул, 2005. - С. 72.

Подписано в печать 17.05.05 г. Формат 60x84 1/16 Печать - ризография. Усл.п.л. 1,16. Тираж 100 экз. Заказ 2005 -Л?

Отпечатано в типографии АлтГТУ 656038, г. Барнаул, пр-т Ленина, 46 Лицензия на полиграфическую деятельность ПЛД№ 28-35 от 15.07.97 г.

15И.ОШ5

ГЛАВА I. ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В СОЦИАЛЬНЫХ ИССЛЕДОВАНИЯХ.

1.1. Системный подход в социальных исследованиях.

1.2. Компьютерные модели и новые информационные технологии в социальных исследованиях.

1.3. Математические методы анализа социальных данных.

Выводы к главе 1.

ГЛАВА 2. РЕГРЕССИОННОЕ МОДЕЛИРОВАНИЕ В СИСТЕМНОМ АНАЛИЗЕ.

2.1. Корреляционно-регрессионные модели (КРМ) и их применение в анализе и прогнозе.

2.2. Предмет социальных исследований в компьютерных технологиях.

Анкетный метод.

2.3. Объяснения и качественные данные. Их кодировка для построения регрессионной модели.

2.4. Качественное исследование систем по результатам регрессионного моделирования.

Выводы к главе 2.

ГЛАВА 3. МЕТОДИКА ПОСТРОЕНИЯ МОДЕЛИ И АНАЛИЗ КАЧЕСТВА ОБУЧЕНИЯ СТУДЕНТОВ ВЫСШИХ ТЕХНИЧЕСКИХ УЧЕБНЫХ ЗАВЕДЕНИЙ С ИСПОЛЬЗОВАНИЕМ ПРОГРАММЫ "MATLAB".

3.1. Оценка уровня знаний в анализе качества обучения.

3.2. Структура локальной информационной сети вуза и ее функционирование

3.3.Формирование совокупности факторов и блока данных.

3.4. Алгоритм построения регрессионной модели.

3.5. Регрессионная модель в анализе и оценке качества обучения (на примере одной специальности инженерно-физического факультета АлтГТУ).

Выводы к главе 3.

Актуальность темы диссертации. В ряде российских государственных документов последних лет подчеркивается необходимость модернизации образования, проведения образовательной реформы, что, в свою очередь, неотрывно связано с использованием в образовании компьютерных информационных технологий.

Однако само выражение «компьютерные информационные технологии», пришедшее к нам с Запада, нуждается в пояснении и комментариях. Иными словами, перед обсуждением любой проблемы необходимо договориться об основных терминах.

Информационные системы - это упорядоченные потоки информации в любых физических или нефизических объектах. Среди информационных систем можно выделить классы: образовательные информационные системы (информационные системы в образовании); статистические информационные системы.

Компьютерные информационные системы — это системы, использующие компьютеры для хранения, обработки, передачи и анализа данных. Эти информационные системы наполняются информацией различного вида - данными и знаниями, которые упорядочиваются в базы данных и базы знаний.

Технологии (от греческого techne — мастерство и logos — учение) — совокупность приемов, методов, способов. Например, информационные технологии {Information Technology, сокращенно IT, а по-русски: ИТ) - совокупность методов, устройств и производственных процессов, используемых обществом для сбора, хранения, обработки и распространения информации.

Другой пример: известно, что современные компьютеры могут работать с пятью видами информации: с числовой информацией (числа); текстовой информацией (буквы, слова, предложения, тексты); графической информацией (картинки, рисунки, чертежи); звуковой информацией (музыка, речь, звуки); видеоинформацией (видеофильмы, мультфильмы, кинофильмы).

Все пять видов информации называют одним словом "мультимедиа". Отсюда вытекают пять видов мультимедийных компьютерных технологий: поиска и сортировки информации, хранения, обработки текстовой информации, обработки графической информации, обработки числовой информации.

Математика, будучи языком науки, как и любой язык, многофункциональна. Без математического анализа данных в настоящее время не обходится ни одно серьёзное исследование. Существенно при этом, не что используется, а как используется. Действительно, когда определены основные понятия, сформулированы цели, задачи и гипотезы исследования, во весь рост встает проблема выбора типа модели, конкретных методов и процедур измерения. От этого выбора в значительной степени зависит успех всего исследования, обоснованность теоретических и практических выборов. Сам процесс выбора методики осложняется двумя обстоятельствами. Во-первых, существует огромное число методик измерения при очевидном дефиците информации об их специфике. Во-вторых, отсутствует сколько-нибудь чёткие правила, процедуры, критерии выбора.

Стремясь к достижению своих целей, человечество всё больше расширяет научный инструментарий. Этот процесс наиболее глубоко затронул физику, затем в какой-то степени его влияние ощутили и другие естественные науки: химия, биология и т.д. Ещё в 19 в. математические исследования оказались необходимыми экономике. И, наконец, сейчас стало ясно, что "принципиально не математических" дисциплин вообще не существует. Другое дело - степень математизации и этап эволюции научной дисциплины, на котором математизация становится необходимой. Сегодня многие гуманитарные науки - лингвистика, история, социология, политические науки - начинают испытывать потребность в математическом мышлении, во всё большей степени начинают включать в арсенал своих методов исследования подходы, так или иначе связанные с природой математического мышления.

В социологических исследованиях с каждым годом в мире все шире применяются математические методы, но положение дел в данном отношении никак нельзя назвать благополучным. С одной страны, имеются много методов, казалось бы, подходящих для решения социологических задач, для реализации этих методов существует программные комплексы. С другой, - явно недостаточное использование математических методов в социологических и педагогических исследованиях. Это частично связано с тем, что среди социологов существуют две противоположные точки зрения на место математики в социологии: одни убеждены, что невозможно втиснуть реальную жизнь со всем своим многообразием в прокрустово ложе формализма и при изучении общественных процессов математика просто не нужна; на другом полюсе - безграничная вера в возможности математики: стоит только нажать нужные кнопки ЭВМ, и многие запутанные социальные проблемы будут решены.

Более того, мало создать математическую модель социального процесса, на ее основе решается не только прогностическая задача, но и оптимизационная: какими должны быть значения социальных факторов, чтобы результат был наилучшим?

Сегодня во всем мире наблюдается повышенный интерес к подготовке инженерных кадров - открываются новые инженерные вузы, расширяются инженерные факультеты, во все больших масштабах покупаются инженеры за рубежом. Процессы развития экономики, промышленности и технического образования в мире характеризуются все возрастающей потребностью в инженерах нового поколения - разработчиках высоких технологий, владеющих самым современным инструментом - математикой, методами моделирования, информатики, управления.

Основным показателем работы вуза является качество подготовки специалистов, которое обеспечивается организацией учебного процесса. Принцип университетского образования требует формирования новых стандартов и учебных планов. Для того, чтобы учебный процесс был управляемым, качество обучения необходимо регулярно контролировать и анализировать. Частично разрешением проблемы качественной подготовки специалистов может явиться анализ оценки качества обучения, то есть формирования знаний будущего инженера как специалиста, на определенных этапах. Основным показателем качества обучения является оценка знаний и навыков студентов в результате их контроля. Под контролем знаний будем понимать только проверку воспроизводимой информации, хотя в действительности очень часто на оценку влияет и сообразительность, и некоторые другие качества контролируемого объекта.

Высокий профессионализм и широкая эрудиция позволит инженеру быть всегда востребованным и социально защищенным, то есть проблема подготовки высококвалифицированного специалиста - не только педагогическая, но и социологическая. Поэтому оценка качества знаний в подготовке инженера путем более широкого использования системного подхода и методов обработки информации является актуальной задачей.

Гипотезой исследования принято то, что информационные технологии и математические модели в анализе качества обучения и их применение в системе высшего, в частности, инженерного, образования позволит исследовать влияние знаний, полученных студентом на определенных этапах обучения, на качество профессиональной подготовки будущих инженеров, а эти оценки явятся основой совершенствования учебного процесса. Так как «обучение — это в значительной степени накапливание информации и развитие способности устанавливать связи и отношения» (Д.Кинг), то такой подход к обучению позволяет в определенной мере использовать для его описания и анализа с применением количественных методов исследования передачи информации и математические модели этих процессов, созданные теорией информации (в том числе статистические и, в частности, регрессионные).

Исходя из этого, в диссертации поставлена следующая цель: на основе анализа успеваемости студентов определенной инженерной специальности разработать методику построения регрессионных моделей оценки качества обучения и использовать результаты для определения параметров, которые могут улучшить качество подготовки специалистов с высшим образованием. Для достижения этой цели сформулируем следующие задачи:

1. Провести критический анализ используемых в социологических исследованиях информационных технологий и математических методов.

2. Обосновать целесообразность применения информационных ресурсов и методов статистического моделирования для анализа качества обучения студентов в системе инженерного образования в вузе.

3. Определить совокупность параметров, позволяющих провести количественную оценку качества обучения студентов вуза.

4. Обосновать выбор типа математической модели оценки качества обучения студентов вуза.

5. Разработать компьютерную поддержку сбора информации для построения статистической модели оценки и анализа качества обучения студентов в системе высшего образования в вузе на примере Алтайского государственного технического университета им. И.И.Ползунова (АлтГТУ).

6. По статистическим данным построить математическую модель и провести анализ качества обучения студентов на одном из инженерных факультетов АлтГТУ.

7. Провести оценку влияния факторов на качество обучения студентов инженерной специальности АлтГТУ по результатам математического моделирования.

Объектом исследования является учебный процесс в высшей школе. Предмет исследования: анализ качества обучения студентов в системе высшего технического образования на основе построения информационных технологий и регрессионных моделей.

Теоретико-методологической базой исследования являются: — работы, раскрывающие методологические основы применения системного подхода в изучении различных процессов (Р. Акоф, Г. Вунил, М.З. Згуровский, И.Е. Казаков, А.Н. Новиков, М. Сашени, П. Фабл и др.);

- социологические идеи о роли профессионального образования в современном мире, его влияние на становление человека, развитие общества (Н.Г. Алексеев, А.Г. Асмолов, Б.С.Гершунский, М.С. Каган, М.К. Мамардашвили и др.);

- системный, личностно-деятельностный подход к изучению динамических систем (Н.Н. Баутин, В.Г. Гайцгорн, Е.А.Леонтович, Н.Н.Моисеев, Ю.И.Неймарк, А.А.Первозванский, B.C. Пугачев, К. Рихтер, Т. Саати, Б.Я. Советов, С.А. Яковлев и др.).

Комплексному исследованию проблемы автоматизированного обучения, ориентированного на «успешность», т.е. качество, посвящены работы Н.П. Бру-сенцова, в которых кроме технических проблем решается множество вопросов, связанных с дидактикой успешного обучения Я. Коменского. Инновационным технологиям обучения, ориентированным на качество выпускаемых специалистов, посвящены работы В.Т. Авдеева, Ю.П. Ехлакова, В.А. Вигуля, П.Г. Вида-ра, Б.С. Гершунского, М.П. Карпенко, О.М. Карпенко, А.И. Камышникова, А.В. Лисовца, С.Ю. Лисовец, О.В. Миненкова, А.Г. Московцева, Н.А Московцева, О.В. Поповой, Н.С. Сельской, Ю.И. Титаренко, Е.Н. Ткаченко, П.И. Третьякова, В.П. Фокиной, А.Д. Ходырева, С.А. Чмыховой, П.Г. Щедровицкого и др.

Методы исследования. Для решения поставленных задач использовалась совокупность взаимодополняющих методов: критический анализ работ в области исследования социологических процессов и информационного оснащения учебного процесса в вузе; корреляционно-регрессионный анализ; теория динамических систем с переменными параметрами; программное обеспечение вычислительных процессов (в том числе использование глобальной сети Интернет); методы прикладной математики.

Научная новизна исследования заключается в:

- создании методики анализа учебного процесса с точки зрения качества обучения в техническом вузе;

- в выборе критериев и факторов анализа качества обучения студентов вуза; разработке компьютерной поддержки сбора информации для построения математической модели в анализе и оценке качества обучения в системе высшего технического образования.

Практическая значимость исследования следующая: сформирована методика анализа качества подготовки специалистов с высшим образованием на основе построения регрессионных моделей оценки качества обучения в системе высшего образования с использованием программы «MATLAB»; разработана структура технологического комплекса компьютерной поддержки сбора необходимой информации в вузе; приведен пример построения регрессионной модели для анализа значимости количественных факторов в оценке качества подготовки инженерных кадров.

Достоверность и обоснованность основных положений и выводов диссертации доказываются критическим анализом известных результатов по теме диссертации, использованием достоверных данных и классических законов и положений математической статистики, логическим подтверждением теоретических результатов.

Апробация результатов исследования заключается в участии автора в Международной научно-практической конференции «Наука и практика организации производства и управления» (28-30 мая 2003 г., Барнаул), в работе научного семинара при кафедре «Информационные системы в экономике» (ИСЭ) АлтГТУ, в восьмой региональной конференции по математике «МАК - 2005», Барнаул, 2005.

Внедрение в практику осуществлялось: при участии в создании информационной системы мониторинга образовательного процесса Алтайского государственного технического университета им. И.И. Ползунова в создании локальной информационной сети вуза, в проведении сбора статистических данных для создания математической модели оценки качества обучения студентов в системе инженерного образования АлтГТУ.

Положения, выносимые на защиту:

1. Методика анализа учебного процесса на основе построения корреляционно-регрессионных моделей оценки качества обучения в системе высшего образования (на примере исследования успеваемости студентов одной специальности инженерно-физического факультета АлтГТУ).

2. Методика определения значимости знаний, полученных студентом на определенных этапах обучения, в качестве его профессиональной подготовки.

3. Компьютерная поддержка информационного обеспечения математического моделирования в системе высшего образования.

Публикации. По материалам диссертации опубликовано 5 научных работ.

Структура диссертации состоит из введения, трех глав с выводами по каждой главе, заключения, списка литературы из 134 наименований и приложения.

Выводы к главе 3

1. Локальная информационная сеть вуза позволяет оперативно получать информацию от подразделений вуза по любым вопросам, в том числе о факторах, характеризующих учебный процесс, в частности, показатели успеваемости студентов, как индивидуальные, так и по группе, курсу, факультету.

2. Методика регрессионного моделирования анализа качества обучения позволяет выявить «слабые места» в организации учебного процесса, включая содержание образования, оценить значимость полученных в каждом семестре и базовых (школьных) знаний на качество подготовки специалиста.

11 3. Несоответствие оценки знаний на приемных экзаменах оценке качества обученности указывает на то, что содержание приемных экзаменов должно учитывать не только формальные знания абитуриентов, но и другие факторы (например, психологические).

4. Изменение уровня значимости модели не влияет на коэффициент детерминации и коэффициенты уравнений регрессии, а только на длину их доверительных интервалов.

5. Регрессионная модель может служить основой качественного анализа процесса обучения и построения некоторых критериев для оценки качества обучения. f

Заключение. Основные научные результаты и рекомендации

1. Критический анализ литературных источников по теме диссертации позволил обосновать эффективность регрессионного моделирования в оценке качества обучения студентов в вузе.

2. Регрессионная модель является основой выявления «слабых мест» в профессиональной подготовке специалистов в системе высшего образования, в том числе инженерного, что является основой рекомендаций для совершенствования учебного процесса в вузе.

3. Используя теорию параметрической устойчивости динамических систем, по исследованию регрессионной модели оценки качества обучения можно выявить неустойчивые факторы, указывающие на определенные «пробелы» в организации учебного процесса.

4. Разработанная структура локальной информационной сети вуза позволяет оперативно проводить сбор информации по всем вопросам планирования, организации и контроля учебного процесса, а связь с глобальной системой Интернет обеспечивает применение современных технологий обработки статистических данных.

5. Анализ регрессионной модели оценки качества обучения в конкретном примере указывает на недостаточность проведения приемных экзаменов только по формальной оценке школьных знаний абитуриентов.

6. Построение более полной и, следовательно, достоверной регрессионной модели оценки качества обучения следует ожидать при формировании совокупности факторов, учитывающих текущие оценки знаний студентов (контрольные и лабораторные работы, индивидуальные задания, «контрольные точки», тесты и т.п.).

7. Социологический результат в оценке качества обучения может быть получен при построении регрессионной модели по качественным данным, если использовать при анкетировании респондентов количественную кодировку трех возможных ответов на каждый вопрос по трехбалльной шкале: -1,0, 1.

8. Дальнейшие исследования по теме диссертации предполагаются в разработке контрольно-оценивающих тестов по каждой дисциплине, блоку дисциплин модулю для определенной специальности и автоматизации построения по как можно большей совокупности оценивающих факторов (включая социальные и психологические) регрессионных моделей, анализе их совместно с преподавателями и формировании рекомендаций для совершенствования учебного процесса, повышения качества образования.

1.Аганбегян А.Г. Некоторые особенности применения математических моделей в социологических исследованиях. // В кн.: Моделирование социальных процессов.- М.: Наука, 1970. - С. 38 - 37.

2. Аганбегян А.Г. Некоторые особенности применения математических моделей в социальных исследованиях // Сб. Моделирование социальных про-цессов.-М.:Наука, 1970. С.28-37.

3. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей М.:Финансы и кредит, 1983. - 458 С.

4. Алалами Р. Система технических средств АИС маркетинга образовательных // Информационные системы в экономике, экологии, образовании.— Барнаул: Изд-во АлтГТУ, 2002. С. 18-20.

5. Алалами Р, Торбунов С.С. Определение значимости факторов и их взаимодействия в многофакторном эксперименте // Электронный научно-образовательный журнал «Горизонты образования», АлтГТУ, 2005. 6 С.

6. Алалами Р. Локальная информационная сеть вуза в оценке качества инженерного образования // Информационный листок ЦНТИ. Барнаул: Изд-во ЦНТИ, 2004. № 02-101-04. - 3 С.

7. Алалами Р. Оценка качества обучения в системе высшего инженерного образования // Материалы восьмой региональной конференции по математике «МАК-2005». Барнаул, 2005. - С. 72.

8. Амосов Н.И., Галенко Д.Н. О моделировании социального взаимодействия в малых коллективах. // «Количественные методы в социальном исследовании», 1968, №8.

9. Анализ социологической информации с применением ЭВМ. М.: Наука, 1973.

10. Баранов А.Н. Очерк когнитивной теории метафоры // А.Н. Баранов, Ю.Н. Караулов. Русская политическая метафора (материалы к словарю) // Ин-т русского языка АН СССР. М.: Наука, 1991. - С.184-193.

11. Божков О.Б., Лезин Г.В. Технологическая поддержка эмпирических социологических исследований // Информационные технологии в гуманитарных и общественных науках. СПб: ЭМИ РАН, 1994. - С. 56-78.

12. Бородкин Ф.М. Статистические оценки связей экономических показателей. -М., 1968.

13. Бритков В.Б., Жукова Т.И. Принципы построения и структура" информационных систем для анализа социальных процессов // Государственное регулирование экономики и социальные проблемы модернизации. — М.: Эдит-вриал УРСС, 1997. Часть II.

14. Броули К. Статитстическая теория и методология в науке и технике. — М.: Наука, 1977.-408 С.

15. Величковский Б.М. Современная когнитивная психология. М.: Изд-во МГУ, 1982.

16. Виштак О.В. Мотивационные предпочтения абитуриентов и студентов // Социологические исследования.2003. № 2. С. 135-138.

17. Гаврилец Ю.Н. Некоторые вопросы количественного изучения социально-экономических явлений. «Экономика и математические методы», т.5, вып.5, 1969.

18. Гаврилец Ю.Н. Социально-экономическое планирование. Системы и модели.-М.: Экономика, 1974.

19. Гаврилец Ю.Н. Структура связей и причинные зависимости между переменными. // В кн.: Математика в социологии: моделирование и обработка информации. -М.: Мир, 1977.

20. Гмурман В.С.Теория вероятностей и математическая статистика — М.: Высшая школа, 1972.

21. Говорущенко В., Кахк Ю., Кэлам А., Выханду JL Опыт применения корреляционного и факторного анализа в социологическом исследовании межнациональных отношений. // «Информационный бюллетень ИКСИ и ССА». -М„ 1968, №9.

22. Гражданников Е.Д. Прогностические модели социально-демографических процессов. — Новосибирск: Наука, 1974.

23. Границкая А. С. Научить думать и действовать: Адаптивная система обучения в школе: Кн. для учителя. М.: Просвещение, 1991. - 175С.

24. Гринберг М. Моделирование сложной экономической системы. // В кн.: Электронное моделирование и машинное управление в экономике. М.: Наука, 1965.

25. Грищенко К.К., Островский З.Я. Социологические исследования и техника их анализа на перфокартах с краевой информацией. Киев: Наукова Думка, 1967.

26. Грушин Б.А. Свободное время. Актуальные проблемы. М.: Мысль, 1967.-С. 19.

27. ДА-система (детерминационный анализ): Версия 4.0 для Windows 95 и Windows NT. М.: Фирма "Контекст", 1997.

28. Демиденко Е. 3. Линейная и нелинейная регрессии. М.: Финансы и статистика, 1981.

29. Демиденко Е.З. Линейная и нелинейная регрессии. М.:Финансы и кредит, 1981.-3 02с.

30. Докторов Б.З. Регрессионно-факторная модель и задача прогнозирования. Доклады на VII МСК. М., 1970.

31. Едронова В. Н. Общая теория статистики. М. Юрист, 2001.

32. Елисеева И. И. Общая теория статистики. М.: Финансы и статистика, 2001

33. Ершов А.А. Стабильные методы оценки параметров (обзор). Автоматика и телемеханика, 1978, №8.

34. Ефимова М. Р. Социальная статистика. М.: ИНОФРА-М, 2001.

35. Жукова Т.И., Погорецкий В.Г. Информатизация и архивы данных в социологическом сообществе // Государственное регулирование экономики и социальные проблемы модернизации. М.: Эдиториал УРСС, 1997. - ЧастьП.

36. Жилин Ю.И. Нестатистические модели и методы построения и анализа зависимостей. Дис. на соискание уч. ст. к.ф.-м. наук. . Барнаул. АлтГ-ТУ им И.И. Ползунова 2004.

37. Заславская Т.И. Использование методов факторного анализа для изучения миграции сельского населения. // В кн.: Научный семинар по применению количественных методов в социологии. М.: Наука, 1966, вып 1.

38. Заславская Т.И., Виноградова Е.В. Опыт математико-статистического исследования закономерностей мобильности трудовых ресурсов. В кн.: Социальные проблемы трудовых ресурсов села. - Новосибирск: Наука, 1968.

39. Заславская Т.И., Рывкина Р.В. О принципах и основных элементах программирования исследования трудовой мобильности // Методологические проблемы социологического исследования мобильности трудовых ресурсов. -Новосибирск: Наука, 1974.

40. Здравомыслов А.Г. Методология и процедура социологических исследований. -М.: Мысль, 1969.

41. Здравомыслов А.Г., Докторов Б.З. Альтернативная оценка структурных элементов как прием социологического исследования. «Информационный бюллетень ИКСИ и ССА». - М., 1968, №9.

42. Ищенко А.Ю. Современные технические средства информационных технологий.- Волгоград: ВГУ 2001

43. Йостейн Рюссевик. Лаборатории для сравнительной социальной науки //: Международный журнал социальных наук. — Май 1995. № 9.

44. Как провести социологическое исследование? // Горшков И.К., Шере-га Ф.Э. и др. М.: Политиздат, 1990.

45. Калачёва Т. Г. Факторные модели в социологической диагностике. Учебное пособие. Н.- Новгород: Изд-во Волго-Вятской академии гос. Службы. 1999.-90 С.

46. Калмык B.A., Бородкин Ф.М., Спесивцева Н.И. Об оценке привлекательности профессии. «Социальные исследования». Новосибирск, 1966.

47. Канзусян JI. В., Немцов А. А. Вузовское образование в оценках студентов // Социологические исследования, 1999. № 4. С. 95-100.

48. Каныгин Г.В. Предметная область при компьютерном моделировании анкетного опроса // Социологический журнал, 1997. № 1/2. С. 93-119.

49. Каныгин Г.В. Предметная область при компьютерном моделировании анкетного опроса//Социологический журнал, 1997. №1/2. С. 93-119.

50. Кваша В.В., Великий А. И. Об одном опыте прогнозирования численности и структуры семей. «Моделирование социальных процессов». — М.: Наука, 1970.

51. Кендалл М., Стьюарт А. Статистические выводы и связи. М.: Наука, 1970.-900 С.

52. Кендалл М., Стюарт Дж. Статистические выводы и связи. М.: Наука, 1973.

53. Клигер С.А., Косолапов М.С., Телешова Ю.Н. Шкалирование при сборе и анализе социологической информации. -М.: Наука, 1978.

54. Количественные методы в социологии; Методика и техника статистической обработки первичной социологической информации. М. Наука, 1968.

55. Комаровский B.C. Некоторые проблемы измерения социальных установок. «Вопросы философии», 1970, №7.

56. Коробков В. Б. Организация проведения экспертных опросов при разработке классификационных моделей // Социологические исследования, 2003. № 11.-С. 102-108.

57. Косолапов М.С. Многомерное шкалирование как метод обоснования системы эмпирических индикаторов: Автореф. канд. дис. — М.: Институт социологических исследований АН СССР, 1986.

58. Кудрявцев В.И. Причинность в криминологии. М.: Наука, 1968.

59. Кун Т. Структура научных революций. М.: Прогресс, 1975.

60. Лбов Г.С. Алгоритмы эффективной системы признаков. В кн.: Распознавание образов в социальных исследованиях. - М., 1968.

61. Левин С. Прагматическое отклонение высказывания // Теория метафоры: Сборник // Под общ. ред. Н.Д.Арутюновой, М.А.Журинской. М.: Прогресс, 1990.

62. Лекции по методике конкретных социальных исследований. Под ред. Г.М.Андреевой. М.: МГУ, 1972.

63. Лисовец А.В. Методы и алгоритмы мониторинга знаний студентов в учебном процессе профессионального образования Барнаул, 2002.

64. Лоншакова Н. А. Региональный вуз и рынок труда: проблемы адаптации // Социологические исследования, 2003. № 2. С. 68-71.

65. Лысиков А.И., Бут Г.С., Диденко Д.А. Система для разработки компьютерных тестов.

66. Маккормак Э. Когнитивная теория метафоры // Теория метафоры: Сборник // Под общ. ред. Н.Д.Арутюновой, М.А.Журинской. М.: Прогресс, 1990.

67. Максименко В. С. Зачем социологу математика?- Киев: Наукова Думка, 1988.

68. Мартынова . Н.В. О многомерном измерении в социологии. -«Философские науки», 1970, №5.

69. Маслова О.М. Ситуация интервью: формализованные и неформализованные методы исследования // Методология и методы социологических исследований (итоги работы поисковых исследовательских проектов за 1992-1996 годы). -М.: Институт социологии РАН, 1996.

70. Математические методы анализа и интерпретации социологических данных // Ред. В.Г. Андреенков, Ю.Н. Толстова М.: Наука, 1989.

71. Мешалкин Л.Д. Параметризация многомерных распределений/Сб. Прикладной многомерный статистический анализ // Под ред. С.А.Айвазяна и А.И.Орлова М.:Наука, 1978. - С. 11-17.

72. Минский М. Фреймы для представления знаний. — М.: Энергия, 1979.

73. Миркин Б. Г. Новый подход к обработке социологической информации. // В сб.: Измерение и моделирование в социологии. — Новосибирск: Наука, 1965.

74. Миркин Б.Г. Об одном подходе к анализу первичной социологической информации. Доклады на VII МСК. М., 1970.

75. Модели социально-экономических процессов и социальное планирование. М.: Наука, 1979. - С. 193-211.

76. Моин В.Б. Альтернативная интерпретация данных: атрибутивный подход // Социологические исследования, 1990. № 11. — С. 62-71.

77. Непрерывное образование и инженерия знаний. Междисциплинарные аспекты // Под ред. Ю.И. Титаренко. Барнаул: 1998.

78. Ноэль Э. Массовые опросы. -М.: Прогресс, 1978.

79. Осипов Г.В., Андреев Э.П. Математика и социология. «Социальные исследования», Т.5.-М., 1970.

80. Осипов Г.В., Андреенков В.Г. Эмпирическое обоснование гипотез в социологических исследованиях. // «Социологические исследования», 1974,№1.

81. Пронина Е. И., Колесникова Е. Ю. Активизация исследований в области социологии образования // Социологические исследования, 2002. № 1 — С.141-142.

82. Пфанцаглъ И. Теория измерений. -М.: Мир, 1976.

83. Пятковский О.И. Интеллектуальные компоненты автоматизированных информационных систем управления предприятием. Монография Барнаул: АлтГТУ, 1999.-351 С.

84. Пятковский О.И. Информационная система маркетинговых исследований образовательных услуг вуза: Материалы Всероссийской НПК «Организационные инновации в управлении интегрированными образовательными учреждениями»- Барнаул: Изд-во БГПУ, 2002.

85. Растригин JI.A. Современные принципы управления сложными объектами. М.: Сов.радио, 1985.

86. Розин Б.Б., Котюков В.И., Ягонильцер М.А. Статистические модели с переменной структурой. Новосибирск: Наука, 1984 - 242 С.

87. Розин Б.В. и др. Разработка материалов массовых наблюдений на счетно-перфорационных я электронно-вычислительных машинах. // В кн.: Количественные методы в социологии. -М.: Наука, 1966

88. Саати Т. Принятие решений. Метод анализа иерархий. — М.:Радио и связь, 1993.

89. Смоляк С.А., Титаренко Б.П. Устойчивые методы оценивания. -М.:Статистика, 1980.

90. Солсо Р.С. Когнитивная психология. М.: 1996.

91. Сорокина Н. Д. Перемены в образовании и динамика жизненных стратегий студентов // Социологические исследования, 2003. № 10. С. 55-61.

92. Социально-экономическое планирование. Системы и модели. М.: Наука, 1974.

93. Социология: Основы общей теории. -М.: Аспект Пресс, 1996.

94. Статистика: Учебное пособие по экономическим специальностям и направлениям. // Харченко JL П. и др. М.: ИНОФРА-М, 2002.

95. Статистические методы и вычислительная техника в социально-гигиенических исследованиях. М.Центральный ордена Ленина институт усовершенствования врачей, 1977. - 278 С.

96. Столл Р. Множества. Логика. Аксиоматические теории М.: Просвещение, 1968.

97. Суслов И.П., Гражданников Е.Д. Основы социальной статистики.-Новосибирск, 1973.

98. Таганов И.И., Рукавишников В.О. Причинный анализ социальных объектов: теоретико-информационные структурные модели. Доклады на VIII МСК в Торонто. М., 1974.

99. Таганов И.Н. Об экстремальном принципе измерения в социологии. -«Социологические исследования», 1975, №3.

100. Таганов И.Н., Шкаратан О.И. Исследование социальных структур методом энтропийного анализа. Вопросы философии, 1969, №5.

101. Татарова Г.Г. Многомерная классификация в изучении типологии использования бюджета времени трудящихся. Дис. на соискание уч.ст.канд.экон.наук. М.:ИСИ АН СССР, 1982.

102. Теория метафоры: Сборник // Под общ.ред. Н.Д.Арутюновой и М.А.Журинской.-М.: Прогресс, 1990.

103. Терехина А.Ю. Методы многомерного шкалирования и визуализации данных (обзор). Автоматика и телемеханика, 1973, №7. - С.80-94.

104. Территориальная выборка в социологических исследованиях. — М.: Наука, 1980.-С. 218.

105. Ткаченко Е.Н. Исследование мотивационных предпочтений субъектов профессионального образования. Дисс. канд. пед. наук. Барнаул: БГПУ. 2000.

106. Уварова В. И., Шумилов В. Г. Использование метода анализа иерархий// Социологические исследования, 2001. № 1.-С.130-131.

107. Устинов В.А., Деев Л.Ф. Опыт применения ЭВМ в социологических исследованиях. -М.: Наука, 1967.

108. Устинов В.А., Феллингер А.Ф. Историко-социальные исследования, ЭВМ и математика. М.Наука, 1973.

109. Устойчивые статистические методы оценки данных // Под ред. Р.Л.Лонера и Г.Н. Уилкинсона. М.Машиностроение, 1984. - 432 С.

110. Устюжанников В.А. Информационные меры и их использование в социологическом анализе. // В сб.: Измерение и моделирование в социологии. -Новосибирск: Наука, 1969, С. 62-86.

111. ПЗ.Фелингер А.Ф. Статистические алгоритмы в социологических исследованиях. -Новосибирск: Наука, 1985.

112. Френкель А., Бар-Хиллел И. Основания теории множеств. — М.: Мир,1968.

113. Характер внепроизводственной деятельности и социальная дифференциация горожан // О.И. Шкаратан, Г.В. Еремичева, Г.В. Каныгин и др. // Социологические исследования, 1979. № 4.

114. Хоолм М. Обработка анкет. В сб.: Программы для ЭВМ «Минск-32», вып. 9. Таллин, 1970.

115. Человек и его работа. — М.: Мысль, 1967.

116. Чесноков СВ. Детерминационный анализ социально-экономических данных. М.: Наука, 1982.

117. Чесноков С.В. Детерминационный анализ социально-экономических данных-М.: Наука, 1982.

118. Чесноков СВ. Силлогизмы в детерминационном анализе // Известия АН СССР. Сер. "Техническая кибернетика", 1984. № 5.

119. Чураков А. Н. Анализ социальных сетей // Социологические исследования, 2001. № 1.-С. 109-121.

120. Шамис А.П. Методологический анализ принципов управления качеством подготовки специалистов // Кибернетика и вуз. Томск: ТПУ, 1993. Вып. № 25. С.59-64.

121. Штофф В.А. Моделирование и философия. -М.,Л; Наука, 1966

122. Юсупов P.M., Заболотский В.П. Научно методологические основы информатизации. - Санкт - Петербург. 2000.

123. Ядов В.А. Социологическое исследование. Москва: Наука, 1987.1968.

124. Black М. Models and Metaphors: Studies in language and philosophy. Ithaca-London: Cornell University Press, 1962.

125. Elder G. Working with archival data. Sage Publications, 1993.

126. Kikolt K. Secondary analysis of data. Sage Publications, 1985.

127. Kuhn T. S. Historical structure of the scientific discovery // Essential Tension.- Chicago, 1977.

128. Leedy P. Practical research: planning and design. London: Macmillan,1993.

129. Neuman W.L. Social research methods: qualitative and quantitative approaches. London: Allyn and Bacon, 1994.

130. Rokkan S. Archives for secondary analysis of sample survey data: An early inquiry into the prospects for Western Europe // Inter. Science Journal, 1964.

131. Tesch R. Qualitative research: analysis types and software tools. London: Blackwell, 1990.