ЦИФРОВАЯ ПЛАТФОРМА ДЛЯ УПРАВЛЕНИЯ ВУЗА (RAEX): ML-МОДЕЛИ И СЦЕНАРНОЕ ПРОГНОЗИРОВАНИЕ

DIGITAL PLATFORM FOR UNIVERSITY RATING MANAGEMENT (RAEX): ML MODELS AND SCENARIO FORECASTING

Trapeznikov Ilya Vladimirovich

Student, Department of Intelligent Systems and Technologies, Tyumen Industrial University,

Russia, Tyumen

Katanov Yury Evgenievich

Scientific supervisor, candidate of geological and mineralogical sciences, associate professor, Tyumen Industrial University,

Russia, Tyumen

АННОТАЦИЯ

В условиях усиления конкуренции между вузами на глобальном рынке образования повышение позиций в международных рейтингах становится стратегической задачей для российских университетов. Однако закрытость методик рейтингов, таких как RAEX, затрудняет целенаправленное управление научной репутацией. В данной работе представлен научно-практический подход к построению цифровой аналитической платформы для Тюменского индустриального университета (ТИУ), основанной на открытых данных Мониторинга эффективности деятельности образовательных организаций высшего образования (Минобрнауки РФ). Предложена интегрированная модель, объединяющая статистический анализ, машинное обучение, корпоративную онтологию и сценарное моделирование What-if. Платформа позволяет прогнозировать влияние изменений в публикационной активности, доле международных сотрудников, финансовых и кадровых показателях на позицию вуза в рейтинге RAEX. На основе пятилетнего временного ряда (2019–2025) построены регрессионные и ML-модели с MAPE прогноза рейтинга 7,2 %, выявлены ключевые драйверы роста, а также сформирована онтология научной деятельности. Реализация платформы позволяет руководству вуза моделировать сценарии развития, оптимизировать распределение ресурсов и мотивировать научные подразделения на основе данных.

ABSTRACT

Under the increasing competition among universities in the global education market, improving positions in international rankings has become a strategic task for Russian universities. However, the closed methodology of rankings such as RAEX complicates targeted management of scientific reputation. This paper presents a scientific and practical approach to building a digital analytical platform for Tyumen Industrial University (TIU), based on open data from the Monitoring of the Effectiveness of Higher Education Institutions (Ministry of Science and Higher Education of Russia). An integrated model is proposed, combining statistical analysis, machine learning, corporate ontology, and What-if scenario modeling. The platform enables forecasting the impact of changes in publication activity, the share of international staff, financial and HR indicators on the university's position in the RAEX ranking. Based on a five-year time series (2019–2025), regression and ML models with a MAPE of 7.2 % were developed, key growth drivers were identified, and a scientific activity ontology was formed. The platform implementation allows university management to model development scenarios, optimize resource allocation, and motivate research units based on data.

Ключевые слова: международный рейтинг вуза, RAEX, мониторинг эффективности ВО, научное влияние, публикационная активность, сценарное моделирование What-if, корпоративная онтология, машинное обучение, цифровая трансформация вуза, библиометрия, стратегическое управление наукой.

Keywords: university international ranking, RAEX, higher education effectiveness monitoring, scientific impact, publication activity, What-if scenario modeling, corporate ontology, machine learning, university digital transformation, bibliometrics, strategic science management.

Современный высший образовательный ландшафт характеризуется растущей зависимостью репутации вуза от его позиции в международных рейтингах. Для российских университетов, включая ТИУ, рейтинг – это не просто показатель престижа, а критический фактор привлечения абитуентов, иностранных партнёров, грантов и инвестиций. Рейтинг RAEX, как один из наиболее авторитетных национальных рейтингов, учитывает более 100 показателей, включая научную активность, международное сотрудничество, финансовые ресурсы и качество подготовки [1; 2]. Однако его методика остаётся закрытой, что делает управление рейтингом интуитивным, реактивным и неэффективным.

В то же время данные Мониторинга эффективности деятельности образовательных организаций (далее – Мониторинг ВО), публикуемые ежегодно Минобрнауки РФ, содержат открытую, структурированную и стандартизированную информацию о научной деятельности вузов: число публикаций в РИНЦ и «Белом списке», цитируемость, доля иностранных студентов, объём внебюджетных доходов, количество докторов и кандидатов наук, участие в грантах и т. д. Эти данные, хотя и не являются прямым источником для RAEX, демонстрируют устойчивую корреляцию с позициями ведущих рейтингов по результатам международных исследований [3]. Традиционные подходы к управлению научной репутацией в российских вузах ограничиваются описательной статистикой, экспертными оценками без количественной валидации и фокусом на краткосрочных метриках, а не на долгосрочной динамике влияния [4]. Это приводит к неоптимальному распределению ресурсов, разобщённости между научными подразделениями и отсутствию прозрачных целей для исследователей.

Постановка задачи

Целью исследования является разработка и обоснование цифровой аналитической платформы для прогнозирования и оптимизации позиции ТИУ в рейтинге RAEX на основе открытых данных Мониторинга ВО и моделей машинного обучения.

Задачи исследования:

1. Сформировать временной ряд по ключевым показателям научной деятельности ТИУ за 2019–2025 гг.
2. Построить регрессионные и ML-модели для прогнозирования позиции ТИУ в рейтинге RAEX на основе данных Мониторинга ВО.
3. Разработать корпоративную онтологию научной деятельности ТИУ, включающую сущности: научные школы, лаборатории, исследователи, публикации, проекты, гранты, партнёры.
4. Обеспечить верификацию научных сотрудников через интеграцию с ORCID, Scopus, Web of Science и внутренними HR-системами.
5. Реализовать сценарную модель What-if, позволяющую варьировать значения показателей и получать прогнозируемое изменение рейтинговой позиции.
6. Создать шедуллер обновления данных, синхронизированный с ежегодным выходом Мониторинга ВО.
7. Оценить эффективность платформы по метрикам: точность прогноза (MAPE), уровень вовлечённости научных подразделений, динамика роста ключевых показателей.

Методология

Предлагаемая методология основана на пятиуровневой архитектуре цифровой платформы, интегрирующей данные, модели, онтологию и интерфейс управления [5] (см. рисунок 1).

1. Сбор и обработка данных. Источники: Мониторинг ВО (2019–2025) ~ 12 ключевых показателей; библиометрические базы (Scopus, Web of Science, RINC, ORCID); внутренние системы (1С, СУНД). Данные очищаются, нормализуются (z-score), идентифицируются по ФИО и ORCID. Целевая переменная Y – позиция ТИУ в RAEX.
2. Моделирование прогноза рейтинга. Использованы: линейная регрессия с LASSO-регуляризацией и градиентный бустинг (XGBoost, LightGBM). Обучение проводилось на 5 годах данных с кросс-валидацией по временному ряду (таблица 1).

Таблица 1.

Предварительные результаты работы системы

Цитируемость и публикации в журналах перечня ВАК, Scopus, Web of Science – наиболее устойчивые предикторы научно-исследовательского рейтинга вуза. Внебюджетные доходы и международное сотрудничество – вторичные, но значимые факторы

3. Корпоративная онтология научной деятельности. Построена в среде Neo4j 5.18. Основные сущности: Scientist, Publication, Laboratory, University, RAEX_Index. Связи аннотированы весами влияния на рейтинг.

4. Верификация научных сотрудников. Интеграция с ORCID и Scopus через API позволила установить соответствие 94 % публикаций ТИУ конкретным НПР, выявить 12 «высокопотенциальных» исследователей и определить 5 «ключевых» лабораторий, ответственных за 68 % всех публикаций в Q1–Q4.
5. Сценарная модель What-if. Реализована в веб-интерфейсе на Streamlit + FastAPI. Пользователь задаёт изменение показателя (например, +20 %), система возвращает прогнозируемую позицию, рекомендуемое распределение ресурсов и оценку рисков. Пример: «Увеличение публикаций в Q1–Q4 на 20 % → прогнозируемый рост рейтинга на 10 позиций, требует 3 дополнительных научных позиций, 1,2 млн руб. Вероятность успеха: 89 %».
6. Шедуллер обновления данных. Автоматизированный процесс на Apache Airflow, запускающий DAG-пайплайн ежегодно 15–25 марта.

Рисунок 1. Прототип цифровой платформы

Выводы

Представленная цифровая аналитическая платформа представляет собой первый в российской практике комплексный инструмент стратегического управления научной репутацией вуза, основанный на открытых данных, машинном обучении и онтологическом моделировании. В отличие от традиционных подходов, система обеспечивает: прогнозируемость (MAPE 7,2 %), прозрачность (онтология связывает индивидуальные достижения с корпоративными метриками), адаптивность (автоматическое ежегодное обновление) и управленческую гибкость (сценарии What-if). Эксперименты показали, что целенаправленное увеличение публикаций в Q1–Q4 Scopus/Web of Science на 20 % может поднять позицию вуза в рейтинге RAEX на 8–12 позиций. Ключевым условием успеха является интеграция библиометрических данных и вовлечение научных подразделений через прозрачные цели.

Перспективы развития цифровой системы:

1. Внедрение ИИ-ассистента для рекомендаций по выбору журналов и партнёров.
2. Интеграция с международными базами для автоматической генерации отчётов для QS/THE.
3. Создание «рейтингового дашборда» для студентов и партнёров.

Следовательно, цифровая система на основе Мониторинга ВО и машинного обучения – это новая парадигма управления научно-исследовательскими компонентами в вузе, основанная на реальных данных и ориентированная на результат. Её внедрение в ТИУ открывает путь к устойчивому росту научно-исследовательского влияния и международной конкурентоспособности.

Список литературы:

1. Федякова Н. Н. Совершенствование информационных систем управления вузом // Интеграция образования. — 2016. — Т. 20, № 2(83). — С. 198–210.
2. Ромашкова О. Н., Пономарева Л. А., Василюк И. П. Линейное ранжирование показателей оценки деятельности вуза // Современные информационные технологии и ИТ-образование. — 2018. — Т. 14, № 1. — С. 245–255.
3. Наточая Е. Н., Зубкова Т. М. Оценка рейтинга научно-педагогических работников университета на основе автоматизированной информационной системы // Программные продукты и системы. — 2019. — Т. 32, № 3. — С. 525–533.
4. Аксенова Н. И., Черняков М. К., Усачева О. В. Рейтинговая оценка состояния цифровизации вузов // Образование и наука. — 2024. — Т. 26, № 7. — С. 88–115.
5. Катанов Ю. Е., Аристов А. И. Композитный искусственный интеллект и генеративные технологии в промышленности. Ч. 2: учеб. пособие для вузов. — Тюмень: ТИУ, 2025. — 176 с.