Содержание к диссертации
Введение
1. Анализ систем поддержки управления качеством образования 11
1.1. Управление качеством образования - как подсистема управления образованием 12
1.2. Задачи управления качеством образования 19
1.3. Управления качеством образования в вузе при распределенном обучении 32
Выводы 43
2. Модели и методы анализа качества образования в вузе 45
2.1 Структурный состав системы и технология процесса обучения 46
2.2 Система показателей для оценки качества образования 58
2.3 Методы анализа показателей учебного процесса 60
2.4 Методы визуализации аналитической информации 73
Выводы 79
3. Анализ показателей учебного процесса на основе нечетких графовых моделей 81
3.1 .Сбор первичной информации 81
3.2. Структуры данных и алгоритмы информационно-аналитической системы 89
3.3.Представление результатов анализа 106
Выводы 112
4. Информационно - аналитическая система для мониторинга образовательного процесса в вузе 114
4.1 Структура и состав ИАС 114
4.2 Подсистема интерактивного формирования запросов 126
4.3 Подсистема статистической обработки 133
4.4 Подсистема визуализации результатов 135
4.5 Подсистема генерации отчетов 142
4.6 Подсистема поддержки принятия решения 145
4.7 Программное обеспечение ИАС 153
Выводы 159
Заключение 161
Список литературы 164
Приложение
- Задачи управления качеством образования
- Система показателей для оценки качества образования
- Структуры данных и алгоритмы информационно-аналитической системы
- Подсистема интерактивного формирования запросов
Введение к работе
Знания в современном информационном обществе играют ключевую роль с точки зрения дальнейшего прогресса. Основным этапом формирования человека как специалиста в той или иной профессиональной сфере является получение высшего профессионального образования.
Одним из наиболее важных параметров образования является качество образовательных услуг. Характерно, что обеспечение высокого качества образования становится в современных условиях все более сложной задачей. Это обусловлено множеством причин, среди которых появление новых технологий обучения, таких как дистанционное и открытое образование, где сам процесс обучения существенно отличается от привычных традиционных очных и заочных форм обучения. В результате те методы управления учебным процессом и качеством обучения, которые вырабатывались годами оказываются не эффективными в новых условиях. Очевидно, что повысить эффективность, правильность и своевременность управленческих решений и, как следствие, улучшить качество обучения можно лишь с помощью новых информационных технологий.
Поэтому является актуальной задача разработки информационно-аналитической системы, которая предназначена для управления качеством образования в вузе. Система должна позволять контролировать ход процесса обучения на основе сбора и анализа статистических данных, выявлять отклонения от стандартного процесса (аномалии), анализировать причины отклонений, представлять лицу принимающему решение (ЛПР) рекомендации по исправлению неблагоприятных отклонений (ситуаций).
Цель и задачи исследования. Целью является разработка информационно-аналитической системы, включающей совокупность моделей, методов сбора и обработки данных, информационных и программных модулей, и обеспечивающей эффективный мониторинг образовательного процесса в универсальном распределенном вузе (УРВ) на основе анализа ситуаций в
учебном процессе, поддержку принятия управленческих решений за счет генерации выводов по ситуациям и рекомендаций по исправлению их негативных аспектов, а также высокую наглядность результатов мониторинга.
Для достижения указанных целей в работе были поставлены и решены следующие задачи:
Анализ существующих методов мониторинга образовательной деятельности вуза на основе статистических показателей учебного процесса.
Разработка математической модели анализа ситуаций в учебном процессе вуза.
Разработка алгоритма поиска типичных ситуаций в образовательной системе на основании заданного множества показателей учебного процесса.
Разработка алгоритма генерации выводов с возможностью определения вероятности появления найденной типичной ситуации в анализируемой образовательной системе.
Создание программного и информационного обеспечения системы поддержки принятия решения на основе анализа ситуаций в учебном процессе вуза.
Методы исследования. Работа основывается на методах математической
статистики, теории графов, нечетких множеств, методах модульного и
объектно-ориентированного программирования, геоинформационного
пространственного анализа.
Научная новизна. Основные результаты диссертационной работы, выносимые на защиту, состоят в следующем:
Метод анализа ситуаций учебного процесса, заключающийся в построении графа анализируемой ситуации на основе вычисленных показателей учебного процесса и последовательного поиска каждого из графов, описывающих решающие правила, в графе анализируемой ситуации.
Математическая модель представления решающих правил для классификации конкретной ситуации в виде ориентированного взвешенного нечеткого графа.
Алгоритм проверки выполнения решающих правил на основе модифицированного алгоритма поиска изоморфного вложения в нечетком графе и имеющий невысокую вычислительную сложность 0(п), где п - число дуг графа решающего правила.
Предложен алгоритм генерации вывода на основе бинарного дерева классификации ситуации, позволяющий задавать реакцию решающих правил на невыполнение определенных (не базовых) условий решающего правила.
Практическая ценность работы заключается в следующем:
Предложен новый подход к мониторингу качества образования в вузе, конечным результатом которого является не только вычисленные значения показателей качества учебного процесса, но и вероятные причины получения тех или иных значений этих показателей, выявление которых происходит в ходе анализа ситуаций в учебном процессе вуза.
Разработано программное обеспечение на основе предложенного алгоритма проверки выполнения решающих правил, базирующегося на модифицированном алгоритме поиска изоморфного вложения в нечетком графе, имеющий вычислительную сложность О(п), где п - число дуг графа решающего правила.
Разработано программное обеспечение, реализующее алгоритм генерации вывода на основе бинарного дерева классификации ситуации, позволяющий задавать реакцию решающих правил на невыполнение определенных (не базовых) условий решающего правила.
Разработан прототип информационно-аналитической системы для анализа качества образования в вузе.
Созданное программное обеспечение внедрено в Пензенском государственном университете и Волгоградском государственном техническом университете. Результаты подтверждаются актами о внедрении.
Апробация работы. Теоретические и практические результаты диссертационной работы обсуждались и докладывались на следующих конференциях и семинарах: научно-технической конференции профессорско-
преподавательского состава (ПГУ, г.Пенза, 1998-2003 гг.), XXV Юбилейной международной конференции «Новые информационные технологии в науке, образовании, телекоммуникации и бизнесе», (Украина, Крым, Ялта-Гурзуф, 1998г.), Всероссийском совещании-семинаре «Высокие технологии в региональной информатике», (Воронеж, 1998 г.), VII Международной научно-методической конференции (Пенза, 2003 г), III международной научно-методической конференции «Системы управления качеством высшего образования» (2003г., Воронеж), Всероссийской научно-практической конференции (Пенза, 2003г), международном юбилейном симпозиуме (ПГУ, Пенза, 2003), VI Всероссийской научной конференции молодых ученых и аспирантов «Новые информационные технологии. Разработка и аспекты применения». (Таганрог, 2003г).
Публикации. Основные положения диссертации опубликованы в 11 печатных работах.
Структура и объем. Диссертация состоит из введения, четырех глав с выводами на 177 стр., списка литературы (127 наименования), приложения. Работа содержит 33 рисунка и 7 таблиц.
Основное содержание работы
Во введении обосновывается актуальность темы диссертационной работы, приводится ее краткая характеристика. Сформулированы основные требования к информационно-аналитической системе поддержки принятия решения для задач управления учебным процессом в вузе. На основании этих требований формулируются цель работы и основные задачи исследования, представляются основные положения, выносимые на защиту.
В первой главе рассматривается иерархическая структура образовательной системы Российской Федерации, в контексте которой осуществляется концепция информационного мониторинга. В качестве примеров рассматриваются существующие системы управления
образовательным процессом в вузе, где осуществляется обучение по форме дистанционного образования (ДО) в России, аналогом которых являются различные зарубежные варианты реализации сетевых систем обучения (МЦЦО ЛИНК, ИДО МЭСИ).
Показана необходимость создания универсальной системы информационной поддержки управления образовательным процессом, которая могла бы применятся как при традиционных формах обучения, так и, без дополнительных настроек, в вузах, осуществляющих обучение по технологии открытого образования (ОО). Система должна не только выявлять негативные ситуации в образовательной системе, но и определять причины их возникновения и давать рекомендации по исправлению негативных аспектов выявленных ситуаций.
Во второй главе представлена структура универсального распределенного вуза, т.е. вуза, осуществляющего обучение как по традиционным формам (очная и заочная), так и по технологии ОО и имеющего подразделения (представительства) в различных регионах. Описаны этапы мониторинга, реализуемые системой: этап сбора первичной информации; этап статистической обработки и анализа статистических данных; этап представления результатов. В качестве математической модели анализа ситуаций в учебном процессе вуза на основе статистических данных об образовательном процессе предлагается использовать аппарат теории графов. Процесс анализа представлен в виде последовательности этапов: этап выбора объекта анализа, временного диапазона анализа и возможно других ограничений; этап определения набора показателей, необходимых для выполнения анализа; этап вычисления выбранного набора показателей и этап генерации выводов на основе вычисленных показателей.
Процесс анализа заключается в построении графа анализируемой ситуации на основе вычисленных показателей, а далее в последовательном поиске изоморфного вложения каждого из графов, описывающих решающие правила в графе анализируемой ситуации. В главе показано, что существующие
алгоритмы определения изоморфизма графов и поиска изоморфных вложений, которые являются хорошо проработанными в теории графов, не могут эффективно применяться к решению поставленной задачи. В связи с этим необходимо либо адаптировать существующие алгоритмы, либо создать новый, учитывающий все особенности решаемой задачи.
В третьей главе предложена математическая модель представления решающих правил в виде ориентированного взвешенного нечеткого графа первого рода (множество вершин является конечным, а множество дуг является нечетким, т.к. условие, которое интерпретируется дугами, заданы не явно, а в виде допустимого диапазона значений), а также структура данных для хранения графов решающих правил в БД реляционного типа. Рассмотрена задача распознавания изоморфного вложения графов, на которой базируется алгоритм проверки выполнения решающих правил. Показаны некоторые ее особенности, существенно уменьшающие сложность задачи поиска изоморфного вложения, алгоритм решения которой после ее упрощения имеет вычислительную сложность О(п), где п - число дуг графа решающего правила. Предложен алгоритм генерации вывода на основе бинарного дерева классификации ситуации, позволяющий задавать реакцию решающих правил на невыполнение определенных (не базовых) условий решающего правила. Разработана структура представления многовариантных выводов на основе открытого стандарта языка XML, реализующая параметрические блоки подстановки, которые позволяют включать в текст генерируемого вывода числовые значения параметров анализируемой ситуации, что увеличивает информативность вывода и улучшает его воспринимаемость.
Четвертая глава посвящена описанию разработанной информационно-аналитической системы, реализующей модели и методы анализа ситуаций в учебном процессе вуза. В главе описаны структурная схема программного обеспечения ИАС, назначение и функциональные возможности перечисленных подсистем, а также их принципы взаимодействия. Приведены результаты экспериментальной проверки предложенного алгоритма анализа ситуаций в
учебном процессе вуза на основе реальных статистических данных (результаты экзаменационных сессий 2002, 2003, 2004 годов факультета вычислительной техники Пензенского государственного университета).
Задачи управления качеством образования
В ходе длительного эволюционного развития взаимосвязей и взаимоотношений между поставщиками и потребителями сформировалось общее понимание необходимости и важности системного решения проблем в области качества. Применение и сертификация системы качества рассматривается сегодня как необходимое условие успешной деятельности и развития организаций любых форм собственности, как наиболее надежная форма гарантии соответствия качества поставляемой продукции и услуг требованиям потребителей [96]. Руководство Госстандарта определило работы по созданию, развитию и сертификации систем качества предприятий и организаций различных форм собственности и видов деятельности на основе международных стандартов (МС) ИСО серии 900х. В Российской Федерации устанавливаются государственные образовательные стандарты (ГОС), включающие федеральный, региональный и вузовский компоненты. ГОС являются основой объективной оценки уровня образования и квалификации выпускников независимо от форм получения образования. Государственный стандарт устанавливает: структуру высшего профессионального образования, документы о высшем образовании; общие требования к основным профессиональным образовательным программам высшего профессионального образования и условиям ее реализации; общие нормативы учебной нагрузки студента высшего учебного заведения, и ее объем; академические свободы высшего учебного заведения в определении содержания высшего профессионального образования; порядок разработки и утверждения государственных требований к минимуму содержания и уровню подготовки выпускников по конкретным направлениям (специальностям) высшего профессионального образования; правила государственного контроля за соблюдением требований ГОС высшего профессионального образования.
Положения государственного стандарта подлежат обязательному применению всеми образовательными учреждениями, расположенными на территории Российской Федерации и аккредитованными федеральным (центральным) государственным органом управления высшим образованием в качестве высших учебных заведений. В России на сегодняшний день система оценки качества образования только складывается [55]. Качество понимается как "соответствие норме", стандарту, как обладание характеристиками полного соответствия стандарту, т.е. степень достижения желаемых результатов. Понятие нормы не является абсолютным и фиксированным, происходит постоянная работа по определению "качества нормы", освобождение ее от субъективных суждений. Норма качества состоит из следующих частей: федеральной (ГОС), региональной и уровня образовательного учреждения. Оценивать качество необходимо, прежде всего, для осмысления и формулирования целей развития, создания образцов, а не только для принятия управленческих решений, направленных на обеспечение функционирования образовательных учреждений. Ценна сама система отслеживания, постоянного измерения качества (мониторинг качества), самоанализ деятельности на всех уровнях, что позволяет определить, где мы находимся по сравнению с другими, выстроить перспективы развития. Качество образования - многомерное понятие и лучше вообще говорить не о качестве, а об отдельных параметрах качества (методического обеспечения кадрового потенциала, учебно-воспитательного процесса, материально-технической базы, итоговой подготовки выпускников). Качество образования оценивается по отдельным позициям, характеризующим условия, образовательный процесс и результат. Качество на выходе - это гораздо шире, чем подготовка по предметам или образовательным областям. Качество на выходе - это обязательно и физическое, и психологическое, духовно-психическое здоровье, общая культура, интеллект, ценностные ориентации и многое другое. Степень соответствия норме не провозглашается заранее, а устанавливается как результат мониторинга качества образования на региональном уровне по отдельным аспектам. В период, когда система качества в образовании только складывается, поспешное принятие решений "о соответствии" качества сформулированным требованиям недопустимо. Сегодня на этапе ориентации всей деятельности сферы образования на качество образования наиболее логичной выглядит следующая задача: достичь максимума качества образования при ограничениях на финансирование, материально-техническую базу и продолжительность обучения. Некоторые вузы уточняют для себя основные направления деятельности, включая в них такие, как образовательная; научная; информационная; административно-хозяйственная и социальная; работа с персоналом; финансовая [54,97].
Хотя в деятельности того или иного вуза, как правило, присутствует весь спектр направлений деятельности, образовательные услуги (образование), безусловно, являются определяющими — для их оказания вузы, собственно, и создаются.
Система показателей для оценки качества образования
Для статистического анализа и оценки качества образовательных услуг необходима разработка системы показателей для каждого типа образовательных учреждений в соответствии с решаемыми задачами, определенными законодательными актами РФ, и принципами открытости и непрерывности системы образования. Необходима разработка единых принципов расчета интегрального показателя для обеспечения сопоставимости, достоверности и доступности.
Безусловным ограничением при постановке задач управления качеством образования является требование выполнения государственных стандартов, как минимум, на удовлетворительном уровне.
Совершенно очевидно, что использовать для анализа все вышеперечисленные показатели в их исходном (необработанном) виде весьма затруднительно, так как сами показатели весьма различны по своим свойствам, степени влияния и.т.д. В связи с этим можно ввести, так называемые, вторичные показатели учебного процесса, которые представляют собой значения исходных (первичных) показателей, агрегированные с помощью хорошо известных статистических функций (среднее, дисперсия и т.д.). Анализировать вторичные показатели можно гораздо проще (так как их объем по сравнению с исходными данными во много раз меньше) и эффективнее (так как они позволяют выделить существенный смысл из исходных необработанных данных).
К вторичным показателям можно также отнести различного рода рейтинги, вычисляемые по специальным формулам на основе первичных показателей. Согласно [30], рейтингом называется обобщенный количественный показатель состояния или результатов по заданному направлению деятельности объекта, позволяющий оценивать степень превосходства данного объекта по сравнению с другими объектами системы. Наиболее простой математической моделью, применяемой во многих вузах в настоящее время, является балльная модель [30]. Сущность этой модели заключается в следующем. Пусть Xij, X2j, .., Xnj — совокупность количественных показателей, характеризующих состояние (потенциальные возможности) объекта с номером j = 1, 2, ..., TV на данный момент времени / и результаты его деятельности за предшествующий контрольный период т. Тогда генеральный рейтинг Rj объекта с номером «j» на момент времени t рассчитывается по формуле Rj=t,aiXvJ = l2,...,N, (2.7) /=/ где п — число всех показателей; 7V — число всех объектов, входящих в систему; щ — весовые множители, назначаемые на основе опыта экспертов, исходя из доли важности тех или иных показателей в генеральном (интегральном) рейтинге. Обычно весовой множитель является усредненным множителем на основе оценок нескольких экспертов. Достоинствами балльной модели являются ее простота и малая трудоемкость, а к числу недостатков балльной модели относятся следующие: - выбор весовых коэффициентов экспертным методом; - отсутствие учета реально существующих зависимостей между рядом показателей Xtj, которые невозможно установить без глубокой математической обработки статистических данных; - суммирование величин, имеющих различные размерности; - отсутствие разделения показателей на потенциальные и результативные группы, что не позволяет получать объективные оценки рейтингов вузов, так как не учитывается эффективность реализации потенциала по отношению к достигнутому результату.
Структуры данных и алгоритмы информационно-аналитической системы
Для повышения эффективности управления организацией нужно четко представлять процесс принятия решений и иметь технологии, позволяющие в значительной степени автоматизировать этот процесс, снизить его трудоемкость и обеспечить оперативность.
Принятие любого управленческого решения должно базироваться на знании текущей ситуации и на ее анализе с целью выявления скрытых тенденций и построения прогнозов. Для рассматриваемой системы информационной поддержки процесса управления качеством образования основой для построения прогнозов и выявления тенденций является статистическая информация, накапливаемая в ходе учебного процесса. Для хранения такого рода информации вполне подходит реляционная модель данных. Это обстоятельство обуславливает возможность применения реляционной СУБД в качестве основного хранилища информации для разрабатываемой системы. Однако сложность и разнообразие хранимых данных требует разработки специальной структуры для их хранения в виде взаимосвязанных таблиц, что позволяет обеспечить целостность и отсутствие избыточности данных.
Следует отметить, что чем подробнее информация, хранящаяся в БД, описывает учебный процесс, тем точнее и всестороннее можно его проанализировать. Существует, однако, минимальный набор данных, без которых проводить анализ не имеет смысла.
Рассмотрим минимальную структуру БД, хранящей статистическую информацию об учебном процессе (рис. 3.4). В данном случае БД состоит из семи связанных таблиц, что позволяет хранить, как структуру университета (факультеты, кафедры, группы, специальности), так и результаты сессий (промежуточных аттестаций) по каждому студенту.
Предложенная структура хранения данных позволяет осуществлять выборки по произвольному набору критериев (делать срезы по различным измерениям в пространстве ситуаций), что в свою очередь дает возможность применять к информации, хранимой в БД, методы анализа описанные в разделе 2.3. Необходимо отметить, что методы, рассмотренные в разделе 2.3, определяют лишь общую математическую модель обработки данных. При реализации же конкретного алгоритма анализа ситуации в учебном процессе нужно будет учитывать также особенности хранения, как исходных данных, так и самих решающих правил. Рассмотрим структуру данных для хранения решающих правил [102], пригодную для построения на ее основе алгоритмов анализа ситуаций по методам, описанным в разделе 2.3.
Каждое решающее правило представляет собой ориентированный взвешенный нечеткий граф (множество вершин является конечным, а множество дуг является нечетким, т.к. условие, которое интерпретируется дугами заданы не явно, а в виде допустимого диапазона значений). В связи с тем, что в графе и вершины и дуги являются взвешенными, необходимо хранить множества разнотипных объектов: множество вершин V с множеством атрибутов А, множество дуг U с множеством весов W. Множество вершин может быть представлено в виде таблицы, каждая строка которой соответствует одной вершине, а каждый столбец определяет некоторый атрибут (свойство) данной вершины. Отметим, что вершина представляет собой определенный срез данных из общего массива статистической информации. Таким образом, вершина имеет набор ограничений, в соответствии с которым осуществляется выборка данных для анализа. В графе каждого решающего правила задается, так называемая, основная вершина VQ, которая соответствует выбранному объекту анализа. Остальные вершины графа решающего правила обозначаются v/4-v;v. Веса, которые присваиваются дугам, определяются экспертами и служат для более точного определения той или иной ситуации.
Правило выполняется абсолютно тогда и только тогда, когда все условия, определяемые дугами графа правила, обращаются в верные тождества при вычислении анализируемых параметров, задаваемых вершинами графа правила. Что в свою очередь означает, что типичная ситуация, соответствующая решающему правилу, присутствует в анализируемом пространстве с большой вероятностью. Если же в решающем правиле в верные тождества обращаются лишь некоторые из условий, то такое правило считается выполненным условно, если суммарный вес дуг, соответствующих верным тождествам, больше (или равен) априорно заданного уровня достоверности TL решающего правила Zw,- TL для V Uf=Mvj, vk) и невыполненным, если суммарный вес меньше уровня достоверности. ZWJ TL для V urfiivj, vk) Следует также отметить, что в правиле должно быть определено множество, так называемых, базовых дуг UB, составляющих основу решающего правила, у которых w,=l. Для того, чтобы правило считалось выполненным (абсолютно или условно) необходимо, чтобы все условия, соответствующие базовым дугам обратились в верные тождества. urfi(Vj, vk)V UJEUB Это дополнительное ограничение позволяет исключить возможность «ложного срабатывания» решающего правила, в случае, когда одно из «необходимых» условий не выполнилось, а множество «необязательных» условий выполнилось. Это могло бы привести к суммарному весу выше необходимого уровня достоверности и, как следствие, к ошибочному выполнению решающего правила.
Каждое решающее правило ассоциируется с определенным логическим выводом, который описывает обнаруженную типичную ситуацию и при необходимости намечает пути и методы ее исправления в нужном направлении [102]. На первый взгляд логические выводы можно представить просто как текстовые блоки, однако, это не так. Дело в том, что в выводах могут содержаться рекомендации по исправлению ситуации для ЛПР, которые в общем случае не являются статическими и зависят от того, было ли выполнено решающее правило абсолютно или условно (если правило выполняется условно, то тогда следует учитывать какие из условий были выполнены, а какие - нет), а также от того какой уровень достоверности был получен для данного решающего правила. Таким образом, логический вывод может иметь многовариантную структуру, а значит, его нельзя представить статическим текстовым блоком. Количество вариантов для каждого логического вывода определяется индивидуально, но, как правило, оно не меньше чем число дуг решающего правила, не относящихся к базовым. Это связано с тем, что в большинстве случаев необходимо задать «реакцию» логического вывода на невыполнение того или иного условия в решающем правиле.
Подсистема интерактивного формирования запросов
Подсистема интерактивного формирования запросов играет в структуре ИАС весьма важную роль. Одним из требований к ИАС является обеспечение возможности проводить анализ ситуаций в учебном процессе вуза для любой заданной совокупности данных. Фактически это означает, что у пользователя системы должен быть в распоряжении мощный и универсальный инструмент, позволяющий осуществлять выборку данных из БД системы по произвольному заданному набору признаков. При этом в качестве признаков могут использоваться самые различные атрибуты, хранящиеся в БД системы, например, такие как анкетные данные студентов, преподавателей, данные об организационной структуре вуза и т.д. Необходимо также обеспечить возможность связывания отдельно взятых условий отбора данных с помощью логических операторов "И", "ИЛИ", "НЕ".
Подсистема интерактивного формирования запросов автоматически выделяет из БД множество полей, которые можно использовать при составлении критериев отбора данных из БД. На рис. 4.4 показан раскрытый список, содержащий имена полей, по значениям которых система может выполнять фильтрацию данных. Подсистема формирования запросов автоматически определяет типы полей, по которым осуществляется выборка данных и для каждого типа формирует набор допустимых операторов сравнения, которые пользователь может задействовать при создании условия отбора данных.
Для некоторого множества полей БД подсистема формирования запроса обеспечивает режим интерактивной подсказки при задании значений в условии отбора данных. Например, при формировании условия по полю "факультет" подсистема автоматически заполняет список возможных значений (см. рис. 4.7) и позволяет либо выбрать одно из них, либо ввести с клавиатуры значение, отсутствующее в списке. Следует отметить, что функция автоматического заполнения работает лишь для полей, количество значений для которых не превышает некоторого априорно заданной величины (порядка 20-30 значений). Рассматриваемая подсистема предоставляет также возможность интерактивного выбора анализируемого объекта на иерархической схеме организационной структуры вуза. Это дает возможность определять объект анализа "двумя щелчками мыши" при проведении сравнительного анализа показателей элементов организационной структуры вуза различных уровней.
Независимо от режима выбора анализируемых данных (формирование запроса или выбор на схеме) объект анализа фиксируется в системе в виде некоторого поименованного значения, с которым связан соответствующий запрос на языке SQL, выполнив который БД возвратит данные, относящиеся к выбранному анализируемому объекту. При выборе объекта анализа на схеме генерация SQL-запроса не представляет никакой проблемы. В связи с тем, что каждому элементу на схеме приписана пара атрибутов, включающая в себя "тип" элемента (факультет, кафедра и т. д.) и "имя" элемента ("ФВТ", "Системы автоматизированного проектирования" и т. д.), SQL-запрос формируется простой однозначной подстановкой имени таблицы, имени поля, по которому осуществляется выборка и значения этого поля для выбранного объекта. На рис.4.8 показано определение нового объекта анализа, соответствующего группе "98ВС2", относящейся к кафедре "Системы автоматизированного проектирования" факультета вычислительной техники (ФВТ). В данном случае анализируемому объекту будет соответствовать пара атрибутов: тип = "группа", имя = "98ВС2", которые в соответствии с типом однозначно преобразуются системой в следующий SQL-запрос: SELECT FROM studenty A, gruppy В WHERE В.kod_gruppy = ИМЯ AND A.kod_gruppy = В.kod_gruppy" , где вместо строки ИМЯ будет подставлено значение атрибута "имя" выбранного объекта. Процесс генерации SQL-выражения при интерактивном формировании запроса несколько более сложен. Это связано, в первую очередь, с тем, что запрос может содержать несколько условий отбора данных одновременно, причем для реализации некоторых из них может потребоваться более чем одно условие в конструкции WHERE, а иногда и применение дополнительных конструкций языка SQL, например, конструкция HAVING при реализации условия отбора по категориям успеваемости ("неуспевающий", "троечник", "хорошист", "отличник").
