creexpCrede Experto: транспорт, общество, образование, языкCrede Experto: transport, society, education, language2312-1327Иркутский филиал ФГБОУ ВО «МГТУ ГА»10.51955/2312-1327_2023_3_15creexp-48Research ArticleПРОБЛЕМЫ И ПРАКТИКА ИНЖЕНЕРНОГО ОБРАЗОВАНИЯПРИМЕНЕНИЕ ИЕРАРХИЧЕСКОГО КЛАСТЕРНОГО АНАЛИЗА ПРИ ПОДГОТОВКЕ АВИАЦИОННЫХ СПЕЦИАЛИСТОВAPPLICATION OF HIERARCHICAL CLUSTER ANALYSIS IN THE TRAINING OF AVIATION SPECIALISTShttps://orcid.org/0000-0003-2234-427XЕвсевичевД. А.EvsevichevD. A.

Денис Александрович Евсевичев, кандидат технических наук, доцент

ул. Можайского, 8/8 Ульяновск, 432071

Denis A. Evsevichev, Candidate of Technical Sciences, Associate Professor

8/8, Mozhayskiy street Ulyanovsk, 432071

denistk_87@mail.ruhttps://orcid.org/0000-0001-8119-4676КостиковЕ. А.KostikovE. A.

Евгений Александрович Костиков, аспирант

ул. Можайского, 8/8 Ульяновск, 432071

Evgeniy A. Kostikov, Postgraduate Student

8/8, Mozhayskiy street Ulyanovsk, 432071

kostikov_128@mail.ruhttps://orcid.org/0000-0002-6010-4720ШтырловЮ. В.ShtyrlovYu. V.

Юрий Владимирович Штырлов, аспирант

ул. Можайского, 8/8 Ульяновск, 432071

Yury V. Shtyrlov, Postgraduate Student

8/8, Mozhayskiy street Ulyanovsk, 432071

yura.shtyrlov@mail.ruhttps://orcid.org/0000-0003-1791-4362АлякинаЕ. С.AlyakinaE. S.

Екатерина Сергеевна Алякина, аспирант

ул. Можайского, 8/8 Ульяновск, 432071

Ekaterina S. Alyakina, Postgraduate Student

8/8, Mozhayskiy street Ulyanovsk, 432071

1105@yandex.ruУльяновский институт гражданской авиации имени Главного маршала авиации Б. П. БугаеваРоссияUlyanovsk Civil Aviation InstituteRussian Federation20232511202503158170Copyright © Евсевичев Д.А., Костиков Е.А., Штырлов Ю.В., Алякина Е.С., 20252025Евсевичев Д.А., Костиков Е.А., Штырлов Ю.В., Алякина Е.С.Evsevichev D.A., Kostikov E.A., Shtyrlov Y.V., Alyakina E.S.This work is licensed under a Creative Commons Attribution 4.0 License.https://ce.if-mstuca.ru/jour/article/view/48

В статье рассматривается подход к оценке качества сформированности компетенций по осваиваемым студентом или курсантом учебного заведения гражданской авиации соответствующим дисциплинам. Оценка формируется за счет применения одного из методов машинного обучения без учителя – иерархического кластерного анализа. Сбор данных для оценки успеваемости курсантов высшего учебного заведения гражданской авиации осуществлялся при освоении дисциплины «Радиотехническое оборудование аэродромов». Экспериментальное исследование проходило в течение семестра. Тесты по дисциплине были сформированы в специальных google формах, что позволило упростить процесс сбора данных и обеспечить удобство контроля за выполнением тестов. Обработка данных и дальнейшая работа с ними осуществлялась в среде разработки Jupyter Notebook с использованием высокоуровневого языка объектно-ориентированного программирования Python. В программе для осуществления кластеризации был использован метод cluster.hierarchy.linkage из библиотеки SciPy. Для графического определения оптимального количества кластеров, на которые следует делить выборку, был использован критерий каменистой осыпи Кеттела. Описанный подход позволяет выделять в отдельные группы (кластеры) обучающихся с целью автоматизации проверки освоения компетенций.

The article discusses an approach to assessing the quality of the formation of competencies in the relevant disciplines mastered by a student or cadet of an educational institution of civil aviation. The assessment is formed by applying one of the unsupervised machine learning methods - hierarchical cluster analysis. Data collection to assess the cadets’ performance of a higher educational institution of civil aviation was carried out during the development of the discipline «Radio equipment of airfields». The experimental study took place during the semester. Tests for the discipline were formed in special Google forms, which made it possible to simplify the process of data collection and provide convenient control over the execution of tests. Data processing and further work with them was carried out in the Jupyter Notebook development environment using the high-level object-oriented programming language Python. In the program for the implementation of clustering, the cluster.hierarchy.linkage method from the SciPy library was used. For a graphical determination of the optimal number of clusters into which the sample should be divided, the Cattell's scree criterion was used. The described approach makes it possible to single out students into separate groups (clusters) in order to automate the verification of the development of competencies.

образованиекомпетенцииоценкастатистикамашинное обучениекластеризациякластерный анализдендрограммаавтоматизацияпрограммаeducationcompetenciesgradestatisticsmachine learningclusteringcluster analysisdendrogramautomationprogramReferencesМаккини У. Python и анализ данных / перевод с английского А. А. Слинкина. М.: ДМК Пресс, 2020. 540 с.Chio K., Freeman D. (2020). Machine learning and security. Moscow: DMK Press, 2020. 388 p. (in Russian)Метод каменистой осыпи как основа решения метрологических задач в социально-гуманитарных областях знания (на примере задач экономики, педагогики и социологии) / В. И. Лойко, Д. А. Романов, В. Л. Шапошников [и др.] // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2017. № 129. С. 1382-1406. DOI 10.21515/1990-4665-129-099. EDN WFPZXC.Doc 10056. Manual on Air Traffic Controller Competency-based Training and Assessment. Montreal: ICAO, 2017. 392 p.Пател А. Прикладное машинное обучение без учителя с использованием Python / перевод с английского А. Г. Гузикевич. Санкт-Петербург: ООО «Диалектика», 2020. 432 с.Doc 10057. Manual on Air Traffic Safety Electronics Personnel Competency-based Training and Assessment. Montreal: ICAO, 2017. 184 p.Чио К. Машинное обучение и безопасность / К. Чио, Д. Фримэн // перевод с английского А. В. Снастина. М.: ДМК Пресс, 2020. 388 с.Doc 9868. Procedures for Air Navigation Services. Staff training. Montreal: ICAO, 2016. 254 p. (in Russian)Big Data clustering with varied density based on mapreduce / S. Heidari, M. Alborzi, M. A. Afsharkazemi [et al.] // Journal of Big Data. 2019. № 1. С. 6-22.Heidari S., Alborzi M., Afsharkazemi M. A., Ghatari A. R. (2019). Big Data clustering with varied density based on mapreduce. Journal of Big Data. 1: 6-22.Doc 10056. Manual on Air Traffic Controller Competency-based Training and Assessment. Монреаль, Канада: ICAO, 2017. 392 с.Kumar S., Toshniwal D. (2016). Analysis of hourly road accident counts using hierarchical clustering and cophenetic correlation coefficient (CPCC). Journal of Big Data: 1: 3-13.Doc 10057. Manual on Air Traffic Safety Electronics Personnel Competency-based Training and Assessment. Монреаль, Канада: ICAO, 2017. 184 с.Lenard M. J., Alam P., Booth D. (2000). An analysis of fuzzy clustering and a hybrid model for the auditor's going concern assessment. Decision sciences. 4: 861-884.Doc 9868. Правила аэронавигационного обслуживания. Подготовка персонала. Монреаль, Канада: ICAO, 2016. 254 с.Loiko V. I., Romanov D. A., Shaposhnikov V. L., Kushnir N. V., Kushnir A. V. (2017). The scree method as a basis for solving metrological problems in social and humanitarian fields of knowledge (on the example of problems of economics, pedagogy and sociology). Scientific journal of KubSAU. 129: 1382-1406. (in Russian)Kumar S. Analysis of hourly road accident counts using hierarchical clustering and cophenetic correlation coefficient (CPCC) / S. Kumar, D. Toshniwal // Journal of Big Data. 2016. № 1. С. 3-13.Mackini W. (2020). Python and data analysis. Moscow: DMK Press, 2020. 540 p. (in Russian)Lenard M. J. An analysis of fuzzy clustering and a hybrid model for the auditor's going concern assessment / M. J. Lenard, P. Alam, D. Booth // Decision sciences. 2000. № 4. С. 861-884. 170Patel A. (2020). Unsupervised Applied Machine Learning with Python. Saint Petersburg: OOO Dialectika, 2020. 432 p. (in Russian)Plot Hierarchical Clustering Dendrogram // [Электронный ресурс]. – URL: https://scikit-learn.org/stable/auto_examples/cluster/plot_agglomerative_dendrogram.html (дата обращения: 25.01.2023).Plot Hierarchical Clustering Dendrogram. Available at: https://scikit-learn.org/stable/auto_examples/cluster/plot_agglomerative_dendrogram.html (accessed 25 January 2023).scipy.cluster.hierarchy.linkage – SciPy v1.10.0 Manual // [Электронный ресурс]. – URL: https://docs.scipy.org/doc/scipy/reference/generated/scipy.cluster.hierarchy.linkage.html (дата обращения: 19.01.2023).scipy.cluster.hierarchy.linkage — SciPy v1.10.0 Manual. Available at: https://docs.scipy.org/doc/scipy/reference/generated/scipy.cluster.hierarchy.linkage.html (accessed 19 January 2023).Silven O. Wood inspection with non-supervised clustering / O. Silven, N. Niskanen, H. Kauppinen // Machine vision and applications. 2003. № 5. С. 275-285.Silven O., Niskanen N., Kauppinen H. (2003). Wood inspection with non-supervised clustering. Machine vision and applications. 5: 275-285.t-SNE в машинном обучении // [Электронный ресурс]. – URL: https://biconsult.ru/products/t-sne-v-mashinnom-obuchenii (дата обращения: 19.01.2023).t-SNE in machine learning. Available at: https://biconsult.ru/products/t-sne-v-mashinnom-obuchenii (accessed 19 January 2023). (in Russian)Tsurko V. V. Evaluation of statistical relationship of random variables via mutual information / V. V. Tsurko, A. I. Mikhalskii // Automation and remote control. 2022. Vol. 83, No. 5. P. 734-742. DOI 10.1134/S000511792205006X. EDN PUCQOX.Tsurko V. V., Mikhalskii A. I. (2022). Evaluation of statistical relationship of random variables via mutual information. Automation and remote control. 83(5): 734-742.

The authors declare that there are no conflicts of interest present.