ПРИМЕНЕНИЕ DECISION INTELLIGENCE В ЗАДАЧЕ ФОРМИРОВАНИЯ ЦИФРОВОГО ПРОФИЛЯ КОМПЕТЕНЦИЙ СТУДЕНТА: АРХИТЕКТУРА, МОДЕЛЬ ДАННЫХ И МЕХАНИЗМЫ ПРИНЯТИЯ РЕШЕНИЙ

1. Введение

Цифровая трансформация высшего образования в РФ, декларируемая Минцифры, предполагает создание сквозных механизмов интерпретации данных об учебных достижениях. Однако практика показывает: электронная ведомость и личный кабинет не решают проблему непрозрачности компетенций. Студент получает оценку, но не понимает, какой навык она подтверждает. Преподаватель выставляет баллы, часто игнорируя единую матрицу индикаторов. Работодатель видит диплом, но не может спрогнозировать успешность кандидата.

Разрабатываемая нами «Информационная система оценки компетенций студента» (ИС) изначально создавалась как инструмент сбора данных и визуализации профиля компетенций. Однако без внедрения интеллектуального слоя поддержки решений система останется пассивным хранилищем фактов. Как отмечено в материалах Quantexa, данные обретают ценность лишь в контексте и становятся основанием для действия [1].

Настоящая работа посвящена интеграции концепции Decision Intelligence (DI) в архитектуре ИС. DI — не набор алгоритмов, а инженерная дисциплина, проектирующая процесс принятия решений от сбора данных до мониторинга исполнения [1; 2]. Компетентностная модель университета — идеальный полигон для DI, поскольку уже содержит формализованные связи между дисциплинами, индикаторами, компетенциями и профессиями.

2. Постановка проблемы и формализация задачи принятия решений

2.1. Проблематика бизнес-процесса

Первая проблема — отсутствие трассируемости. Студент видит итоговую оценку по дисциплине, однако не может декомпозировать её на индикаторы. Следовательно, он не понимает, какие именно действия привели к успеху или неудаче.

Вторая проблема — субъективность оценивания. Преподаватель, выставляя оценку за занятие, не обязан привязывать её к конкретному индикатору компетенции. Возникает ситуация, когда один и тот же уровень работы оценивается разными преподавателями без объективных оснований.

Третья проблема — разрозненность данных о компетенциях. Университет ведет учет успеваемости, бизнес собирает собственные данные о стажерах, студент формирует портфолио самостоятельно. Три информационных контура не пересекаются, что делает невозможным автоматизированный подбор кандидатов под конкретные задачи.

2.2. Научная задача

Требуется построить модель поддержки решений, которая:

1. Минимизирует субъективность за счет нормализации оценок и их приведения к единой шкале индикаторов.
2. Обеспечивает объяснимость каждого решения: почему компетенция считается освоенной на 63 %, а не на 80.
3. Формирует рекомендации и прогнозы в терминах предметной области: профессии, дисциплины для повторного изучения, индикаторы, требующие доработки.

3. Обзор литературы: от DSS к Decision Intelligence через компетентностный подход

3.1. Decision Intelligence: определение и архитектурные принципы

Согласно определению, предложенному аналитиками Gartner и развитому в работах Quantexa, Decision Intelligence — это «способность понимать и проектировать то, как принимаются решения, с целью улучшения процесса принятия решений» [1; 4]. Ключевое отличие DI от классического бизнес-анализа и даже от Data Science заключается в смещении фокуса: DI интересует не столько корреляция признаков, сколько инжиниринг самого акта выбора.

Современная DI-платформа, включает три обязательных компонента:

• доверенные данные (trusted data) — консолидированное хранилище, очищенное от дублей и противоречий;
• композитный AI (composite AI) — набор методов, где для разных типов решений применяются разные алгоритмы;
• контекстную аналитику — превращение сырых данных в знание за счет семантических связей.

Именно контекст, реализуемый через графы знаний (knowledge graphs), отличает DI от традиционных экспертных систем [5].

3.2. Образовательная аналитика и компетентностные модели

Обзор исследований в области Educational Data Mining показывает: основное внимание уделяется прогнозированию отчислений и классификации студентов по группам риска [6]. Работ, где оценивание компетенций напрямую увязывается с профессиональными стандартами, крайне мало. Существующие компетентностные модели оперируют уровнями таксономии Блума и не имеют жесткой привязки к конкретным занятиям и индикаторам, что делает невозможным сквозную трассировку «оценка → навык».

3.3. Научная лакуна

Таким образом, существует устойчивый разрыв между:

• транзакционными моделями данных, фиксирующими оценки;
• семантическими моделями знаний, описывающими связи компетенций и профессий;
• моделями принятия решений, которые должны использовать как первые, так и вторые.

Предлагаемое исследование устраняет этот разрыв путем встраивания DI-контура в уже функционирующую систему сбора компетентностных данных.

4. Архитектура ИС как платформа для Decision Intelligence

4.1. Технический базис

ИС построена на трехуровневой архитектуре, обеспечивающей бесшовную интеграцию DI-модулей без рефакторинга ядра:

•  
• Клиентский уровень: TypeScript, адаптивный веб-интерфейс.
• API Gateway: Node.js + Express (аутентификация, кеширование, балансировка).
• Бизнес-логика: ASP.NET Core (транзакции, расчет агрегатов, управление связями справочников).
• Уровень данных: PostgreSQL с репликацией «ведущий — ведомый».
• Инфраструктура: Docker.

4.2. Ролевая модель и точки принятия решений

В системе выделены четыре бизнес-роли, каждая из которых является носителем потребности в решении:

Таблица 1.

Ролевая модель

Бизнес-роль	Потребность в решении	Тип решения
Администратор	Корректно ли настроены связи справочников? Нет ли дублей?	Операционное
Преподаватель	Как оценить группу по индикаторам? Какие занятия важнее?	Тактическое
Студент	Какие профессии доступны? Что подтянуть?	Стратегическое
Наблюдатель (работодатель)	Кто подходит под вакансию?	Стратегическое

 

4.3.Модель данных как граф принятия решений

Концептуальная модель данных ИС представляет собой ориентированный граф. Узлами графа выступают:

• Компетенции — целевые показатели;
• Индикаторы — измеримые признаки;
• Дисциплины — области знания;
• Занятия — отдельные контрольные точки;
• Профессии и сферы деятельности — выходное пространство.

5. Decision Intelligence модель: формализация и алгоритмы

5.1. Формальная постановка

Введем следующие множества:

- С={c₁,c₂,…,c_k} — множество компетенций;

- I={i₁,i₂,…,i_k} — множество индикаторов;

- D={d₁,d₂,…,d_k} — множество дисциплин;

- L={l₁,l₂,…,l_k} — множество занятий;

- S — множество студентов;

- P={p₁,p₂,…,p_k} — множество профессий.

Каждому занятию l ϵ L сопоставлен вектор индикаторов занятию I_l  " ⊆" I  Каждому индикатору i ϵ I сопоставлен вектор компетенций C_i  " ⊆" C .  Каждой профессии p ϵ P сопоставлен требуемый вектор компетенций C_p  " ⊆" C с целевыми уровнями T_p,c.

Студент s выполняет занятие l и получает оценку g_s,l ϵ [0,100]. Задача DI-контура — вычислить три группы показателей:

Уровень освоения индикатора студентом s:

где w_l,i — вес занятия l в формировании индикатора i.

Уровень освоения компетенции студентом s:

Данная метрика нормирована в интервале [0, 1], где 1 соответствует полному совпадению профилей.

5.1. Объяснимость как требование DI

Проблема «черного ящика» в образовательной аналитике приводит к демотивации студента, который не понимает, почему система зафиксировала низкий уровень компетенции. В рамках DI мы реализуем объясняющий слой, формирующий текстовые и визуальные пояснения на основе трассировки вычислений.

Пример генерируемого объяснения: 

«Компетенция «Способность к анализу требований» освоена на 60%. Недостаточный уровень обусловлен слабой проработкой индикаторов i4, i7, входящих в дисциплины «Базы данных» и «Проектирование ИС». Для достижения порогового значения 75 % рекомендуется пересдать занятия l12, l14».

Такой подход полностью соответствует принципу прозрачности и подотчетности решений, декларируемому в концепции Decision Intelligence [1].

5.3. Роль AI-агента в DI-контуре

Современные DI-платформы допускают интеграцию AI-агентов — программных сущностей, способных автономно выполнять часть решений в рамках заданных политик [1]. В нашем проекте AI-агент выполняет следующие функции:

1. Мониторинг профилей. При снижении уровня компетенции ниже порогового агент инициирует уведомление студента и преподавателя.
2. Формирование рекомендаций в чат-интерфейсе. Агент отвечает на типовые запросы («Какие профессии мне подходят?», «Что мне доучивать?») на основе текущего состояния данных.
3. Предзаполнение отчетов. Агент формирует структурированную справку для наблюдателя.

Важно подчеркнуть: AI-агент не заменяет человека в финальном решении.

6. Экспериментальная оценка и сценарии тестирования

6.1. Метрики качества DI

Для оценки эффективности внедренного DI-контура предложен следующий набор метрик:

1. Точность рекомендаций профессий. Вычисляется как доля случаев, когда рекомендованная профессия совпадает с успешным трудоустройством или высокой оценкой руководителя стажировки.
2. Интерпретируемость. Оценивается экспертами по шкале Лайкерта (1–5) на предмет ясности и убедительности сгенерированных объяснений.
3. Скорость принятия решения. Фиксируется время от момента появления новой оценки до генерации рекомендации для студента.

6.2. Сценарии тестирования

Пилотное тестирование проводится на трех характерных профилях:

• Студент А: высокие баллы по алгоритмическим дисциплинам, низкие — по гуманитарным. Ожидание: рекомендация профессий группы «Разработчик».
• Студент Б: равномерно средние баллы (70–75). Ожидание: широкий спектр профессий, рекомендация специализации.
• Студент В: высокие теоретические баллы, низкие практические. Ожидание: риск неосвоения прикладных компетенций, рекомендация дополнительных занятий.

Предварительные результаты на синтетических данных: DI-контур корректно идентифицирует паттерны в 92% тестовых случаев.

7. Обсуждение и ограничения

Первое ограничение — качество исходных данных. Некорректная привязка занятия к индикатору искажает расчеты. Требуются механизмы валидации связей.

Второе ограничение — субъективность весов. Экспертное назначение весов вносит элемент субъективности. Планируется уточнение весов методами машинного обучения.

Третье ограничение — риск алгоритмического смещения (bias). Если веса завышены для дисциплин конкретной кафедры, система будет систематически завышать соответствующие компетенции. Решение — регулярный аудит и калибровка.

8. Заключение

В ходе исследования решена актуальная научно-техническая задача — разработана и обоснована модель интеграции Decision Intelligence в информационную систему оценки компетенций студента.

Основные результаты:

1. Формализована задача оценивания компетенций как многокритериальная задача принятия решений на графовой модели знаний.
2. Предложены алгоритмы расчета уровней освоения индикаторов и компетенций, метрики соответствия профессиям.
3. Разработана архитектура DI-контура, интегрируемого в существующую ИС без изменения ядра.
4. Описана роль AI-агента как исполнителя рутинных решений и интерфейса объяснимости.
5. Предложены метрики качества и сценарии тестирования.

Дальнейшие исследования — адаптивные алгоритмы настройки весов индикаторов и обратная связь от работодателей для уточнения целевых профилей профессий.