CC BY
78
УДК [378.147:004]:331.156
И. В. Сибикина
ПОСТРОЕНИЕ МАЖОРИТАРНОГО ОТНОШЕНИЯ ПРЕДПОЧТЕНИЙ ПРИ ВЫЯВЛЕНИИ МНОЖЕСТВА НАИБОЛЕЕ ВОСТРЕБОВАННЫ1Х КОМПЕТЕНЦИЙ
Введение
Многие отрасли современной науки в настоящее время требуют использования различных гибридных экспертных систем для получения исходной информации по интересующей проблеме. В литературе широко представлены как правила сбора, так и методы обработки исходных числовых данных [1-4]. Однако стандартные статистические методы, призванные работать только с числами, не всегда подходят для анализа имеющихся опросных данных. Это обусловлено тремя причинами
1. Нечисловая природа исходных данных.
2. Большое количество оцениваемых критериев.
3. Большое количество респондентов из различных объединений.
Частным примером данных нечисловой природы являются данные, полученные от экспертов при выявлении множества наиболее востребованных для работодателей компетенций.
При проведении анализа компетентности руководства на основе полученных опросных данных приходится решать три существенные проблемы.
1. Во-первых, оценки значимости для каждой компетенции выставлялись респондентом в форме ответов: «Компетенция используется часто (Ч)», «Компетенция используется иногда (И)», «Компетенция не используется (Н)». Таким образом, исходные данные имеют принципиально нечисловой вид, т. е. для анализа имеющихся опросных данных не подходят стандартные статистические методы, призванные работать в основном только с числами.
2. Во-вторых, оценки управленческой компетентности проводились опрашиваемыми по чрезмерно большому количеству критериев (46). Одновременный анализ такого значительного количества показателей затруднителен даже при числовой природе исходных данных.
3. Количество респондентов составило 66 человек, причём для учёта влияния на оценки эксперта специфики профиля предприятия, на котором он работает, предприятия были распределены по четырём группам, а именно:
а) вузы (15 человек);
б) банки и финансово-экономические подразделения предприятий (17 человек);
в) различные службы, министерства и управления по обеспечению безопасности граждан (20 человек);
г) прочие предприятия (14 человек).
Учитывая вышеперечисленные трудности, при анализе экспертизы целесообразно использовать особые методы, способные учесть все нюансы опросных данных. Речь идет о методах так называемой «нечисловой статистики» [5].
В данной работе рассматриваются вопросы применения метода нечисловой статистики для обработки экспертных данных с целью получения множества наиболее востребованных компетенций для специалиста по информационной безопасности.
Одним из методов анализа данных нечисловой природы является построение мажоритарного отношения предпочтений на множестве оцениваемых критериев.
Доминирование одних критериев над другими можно описать матрицей парных сравнений
1, если Хі доминирует над Х]-, 0, иначе.
Оценка важности критерия (матрицы А) на основе лингвистических оценок группы опрашиваемых производится при помощи построения мажоритарного отношения предпочтений на множестве компетенций.
Пусть каждый /-й из к опрошенных оценивает степень важности критерия Х1 балльной
величиной Ъц, тогда оценка группы критериев будет описываться матрицей А = \а]}
1 ¿, ]=1
/ [1, если Ъи > Ъ],
где ац = 1
у 0, иначе.
к - -п
Пусть матрица С = ^ А1 = \сц } .
ы 27=1
Л г л /7
Тогда оценочная матрица А = {аи } матрицы важности групп критериев А в соответст-
1 >, ] =1
вии с правилом большинства [6] определяется соотношениями
[1, если с] > С ] ,
ац = 1
У 0, иначе.
Смысл используемого правила большинства очевиден, если количество опрошенных, считающих, что критерий Х1 доминирует над X], больше количества опрошенных, считающих,
что компетенция Х1 не доминирует над компетенцией X] , то делается итоговый вывод, что
компетенция Х1 доминирует над Xц . В противном случае делается вывод о доминировании
компетенции X] над Х1.
Расчёт количества баллов, набранных критерием, производится по формуле
н=¿А={^}1,=1.
2=1
Применим данную процедуру для выявления наиболее востребованных компетенций специалиста в сфере информационной безопасности.
Приведём фрагменты применения методики при выявлении множества наиболее важных общепрофессиональных компетенций [7] для специалистов в сфере информационной безопасности. Исследуем мнения работников банков и финансово-экономических подразделений предприятий. Количество критериев (компетенций) равно 8, количество экспертов - 17. Лингвистические оценки экспертов представим в виде табл. 1.
Таблица 1
Оценки экспертов
Компетенция Эксперт
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
ПК1 Ч Ч Ч Ч Ч И И Ч Ч Ч Ч Ч Ч И Ч Ч Ч
ПК2 Ч Ч Ч Ч Ч Ч Ч Ч Ч И Ч И Ч Ч Ч Ч Ч
ПК3 Ч Ч Ч Ч Ч Ч И Ч И Ч И Ч Ч Ч Ч Ч И
ПК4 И Ч Ч И Ч Ч Ч Ч Ч Ч И Ч Ч Ч И И Ч
ПК5 И Ч Ч Ч Ч Ч Ч Ч Ч И Ч Н Ч Ч Ч И Ч
ПК6 Ч Ч Ч Ч Ч Ч И Ч И И Ч Н Ч Ч И Ч Ч
ПК7 И Ч Ч И Ч Ч Ч Ч И Ч Ч И Ч Ч Ч И Ч
ПК8 Ч Ч Ч И Ч Ч Ч Ч Ч И Ч Ч Ч Ч Ч Ч Ч
Для упрощения анализа экспертизы лингвистические оценки экспертов представим в виде числовых: Ч = 1, И = 0,5, Н = 0. Очевидно, что такая перекодировка не приведет к потере информативности данных (табл. 2).
Таблица 2
Оценки экспертов после преобразования
Компетенция Эксперт
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
ПК1 1 1 1 1 1 0,5 0,5 1 1 1 1 1 1 0,5 1 1 1
ПК2 1 1 1 1 1 1 1 1 1 0,5 1 0,5 1 1 1 1 1
ПК3 1 1 1 1 1 1 0,5 1 0,5 1 0,5 1 1 1 1 1 0,5
ПК4 0,5 1 1 0,5 1 1 1 1 1 1 0,5 1 1 1 0,5 0,5 1
ПК5 0,5 1 1 1 1 1 1 1 1 0,5 1 0 1 1 1 0,5 1
ПК6 1 1 1 1 1 1 0,5 1 0,5 0,5 1 0 1 1 0,5 1 1
ПК7 0,5 1 1 0,5 1 1 1 1 0,5 1 1 0,5 1 1 1 0,5 1
ПК8 1 1 1 0,5 1 1 1 1 1 0,5 1 1 1 1 1 1 1
Построим матрицы вида А = {
і Г і
а,, [ , где а, =
I1, если ьи > ь1],
1}^',]=1 У У 0, иначе.
Количество матриц равно 17. Приведём некоторые из них.
А1 =
1 1 11 11 1 1 1 11 1 1 1 1 1
1 1 11 11 1 1 1 11 1 1 1 1 1
1 1 11 11 1 1 0 01 0 0 0 0 0
0 0 01 10 1 0 А17 = 1 11 1 1 1 1 1
0 0 01 10 1 0 1 11 1 1 1 1 1
1 1 11 11 1 1 1 11 1 1 1 1 1
0 0 01 10 1 0 1 11 1 1 1 1 1
1 1 11 11 1 1 1 11 1 1 1 1 1
17 Г
Построим матрицу С = ^ А1 = {С] } :
1=1 1 ^]=1
С =
17 14 15 14 14 15 14 14
15 17 15 15 17 17 16 16
14 13 17 14 13 15 14 13
12 12 13 17 14 13 15 13
13 14 13 15 17 15 15 14
13 13 14 13 14 17 13 13
12 13 13 15 15 14 17 13
15 16 15 16 16 16 16 17
Оценочная матрица
матрицы важности групп компетенций,
где а, =
0, иначе,
п
и количество баллов, набранных каждой компетенцией Н = ^ А ={ЩП ■=1, имеют вид:
2=1
1 0 1 1 11 1 0 6
1 1 0 1 11 1 1 8
0 0 1 1 11 1 0 5
0 0 0 1 01 1 0 н = 3
0 0 1 1 11 1 0 5
0 0 0 1 01 0 0 2
0 0 0 1 11 1 0 4
1 1 1 1 11 1 1 8
В результате применения методики для каждой группы опрашиваемых получим результаты, приведенные в табл. 3:
Таблица 3
Компетенции Банки и финансовоэкономические подразделения предприятий Вузы Различные службы, министерства и управления по обеспечению безопасности граждан Прочие организации Среднее значение по всем организациям
Общепрофессиональные
ПК1 6 8 6 8 7
ПК2 8 6 7 4 6,25
ПК3 5 5 4 6 5
ПК4 3 1 5 3 3
ПК5 5 5 4 4 4,5
ПК6 2 5 1 6 3,5
ПК7 4 4 4 4 4
ПК8 8 8 8 8 8
Данные таблицы показывают, что наиболее востребованными являются компетенции ПК1, ПК2, ПК8, получившие большее количество баллов.
Данная методика применялась для выявления наиболее востребованных компетенций специалиста по информационной безопасности. Исследовались группы компетенций, представленные в федеральном государственном образовательном стандарте нового поколения, утвержденном Приказом Министерства образования и науки РФ от 28.10.2009 г. № 497 по направлению подготовки 090900 «Информационная безопасность» [8]:
— общекультурные компетенции ОК (13);
— общепрофессиональные компетенции ОПК (8);
— компетенции эксплуатационной деятельности ЭД (3);
— компетенции экспериментально-исследовательской деятельности ЭИД (6);
— компетенции организационно-управленческой деятельности ОУД (9).
Сформированы множества наиболее востребованных компетенций из каждой группы:
ОК - {ОК1, ОК5, ОК6, ОК11}; ОПК - {ПК1, ПК2, ПК8}; ЭД - {ПК12, ПК13, ПК15, ПК16};
ЭИД - {ПК19, ПК23}; ОУД - {ПК26, ПК29, ПК30, ПК31} (рис.).
Уровни значимости различных групп компетенций: а - общекультурные компетенции; б - общепрофессиональные компетенции
Уровни значимости различных групп компетенций: в - проектно-технологическая деятельность; г - экспериментально-исследовательская деятельность; д - организационно-управленческая деятельность
Заключение
Применение методов нечисловой статистики позволяет обрабатывать относительно большой объём экспертных данных нечисловой природы. Построение мажоритарного отношения предпочтений на множестве компетенций позволило провести анализ экспертных данных и получить множество наиболее востребованных компетенций специалиста в сфере информационной безопасности. Результаты анкетных данных отобразили выбор работодателей ряда особо значимых компетенций, развитие которых они хотели бы получить в будущих специалистах.
Очевидно, что выпускник будет более востребован и «универсален» для работодателя, если в процессе обучения он приобретёт данные компетенции. Следовательно, сформированному множеству компетенций стоит придать большее значение при планировании учебного процесса. Однако уделять большее внимание развитию сформированного множества компетенций, не означает отклонения от ФГОС. Особенно отметим, что при анализе результатов анкетирования следует помнить, что подготовка специалистов должна быть направлена на перспективные задачи, определённые в результате корректного прогноза, а мнения экспертов отражают преимущественно текущие потребности предприятий в специалистах.
Получение множества наиболее востребованных компетенций в каждой группе позволит решать задачи по повышению качества подготовки специалиста и повышению среднего уровня развития компетентности, а также использоваться при оценке компетенций [9]. Структура образовательного цикла вполне позволяет вузам проявить некоторую свободу при подготовке специалистов, поскольку состоит из базовой части, которая определяется стандартом, и вариативной части, которая определяется вузом. Возможно, вариативная часть образовательного цикла позволит сделать процесс обучения более «гибким». Например, разработка и внедрение в учебный процесс комплекса различных инновационных методов преподавания (деловая игра, кейс-метод и т. д.) позволят студенту показать уровень приобретённых в процессе обучения компетенций. Разработка методики оценивания компетенций, позволит дать объективную оценку не только знаниям и умениям, но и способности применить их в своей профессиональной деятельности. Разработка комплекса мер, корректирующих процесс обучения (учебные планы, рабочие программы, дополнительные факультативы и т. д.), позволит повысить уровень тех компетенций, которые получили недостаточное развитие.
СПИСОК ЛИТЕРАТУРЫ
1. Бешелев С. Д., Гурвич Ф. Г. Экспертные оценки. - М.: Наука, 1973. - 246 с.
2. Бешелев С. Д., Гурвич Ф. Г. Экспертные оценки в принятии плановых решений. - М.: Экономика, 1976. - 287 с.
3. Бешелев С. Д., Гурвич Ф. Г. Математико-статистические методы экспертных оценок. - М.: Статистика, 1980. - 263 с.
4. Вентцель Е. С. Теория вероятностей. - М.: Наука, 1969. - 368 с.
5. http://www .buzdalin. ru/text/kompet. pdf.
6. Миркин Б. Г. Проблема группового выбора. - М.: Наука, 1982. -312 с.
7. Сибикина И. В. Формирование множества наиболее востребованных компетенций специалиста по защите информации // Вестн. Астрахан. гос. техн. ун-та. Сер.: Управление, вычислительная техника и информатика. - 2010. - № 2. - С. 197- 201.
8. http://www.edu. ги/ёЬ/шо/О а1а/ё_0 9/т497. Ыт1.
9. Сибикина И. В. Процедура оценки компетентности студентов вуза, обучающихся по направлению «Информационная безопасность» // Вестн. Астрахан. гос. техн. ун-та. Сер.: Управление, вычислительная техника и информатика. - 2011. - № 1. - С. 200-205.
Статья поступила в редакцию 7.06.2011, в окончательном варианте - 16.06.2011
FORMATION OF MAJORITY RELATION OF PREFERENCES IN DETECTION OF A NUMBER OF THE MOST CLAIMED COMPETENCES
I. V. Sibikina
The expediency of application of non-numerical statistics methods in case of a large number of respondents and in the presence of a large quantity of assessment criteria is substantiated. The results of application of the given technique in detection a number of the most claimed expert competences are given.
Key words: expert assessment, non-numerical statistics, the expert competence.
