Available via license: CC BY 4.0
Content may be subject to copyright.
284
ИНТЕГРАЦИЯ ОБРАЗОВАНИЯ. Т. 23, № 2. 2019
Опыт количественного анализа результатов
анкетирования студентов по вопросам качества
обучения: методика, модели, перспективы
Т. И. Гуляева, А. С. Коломейченко, Н. В. Польшакова*,
В. Г. Шуметов, А. С. Яковлев
ФГБОУ ВО «Орловский государственный аграрный университет»,
г. Орел, Россия,
* polshakovanv@yandex.ru
Введение. Актуальность статьи определяется недостаточной научной обоснованностью существу-
ющих методик количественного анализа результатов массового анкетирования студентов, что может
приводить к ошибочным выводам о качестве получаемых ими образовательных услуг. Авторы впервые
применили развиваемый ими вероятностный подход к подготовке данных массового анкетирования
студентов для разработки регрессионных и факторных моделей, адекватно отражающих их субъектив-
ные суждения по вопросам качества обучения. Цель статьи – оценить эффективность и возможности
практического применения авторского подхода к анализу результатов анкетирования студентов мето-
дами многомерной статистики на примере разработки количественных моделей оценки качества об-
учения и субъективного благополучия студентов Орловского государственного аграрного университета.
Материалы и методы. В основе предлагаемого подхода лежат методы параметрической многомерной
статистики. Эмпирической базой моделирования послужили результаты анкетирования студентов
II–IV курсов. В качестве инструментальной базы исследования выбран аналитический программный
продукт SPSS Base.
Результаты исследования. На примере разработки корреляционно-регрессионных и факторных
моделей субъективного благополучия студентов доказана эффективность предлагаемого подхода
к количественному моделированию результатов анкетирования методами многомерной статистики.
Все полученные корреляционно-регрессионные модели обладают высокими статистическими харак-
теристиками качества и адекватно отражают моделируемые явления. Особый интерес представляет
модель структуры факторов субъективного благополучия студентов, отражающая процесс их про-
фессионально-культурного развития и адаптацию к сложившейся социально-политической среде.
Обсуждение и заключение. Выполненное исследование расширило представление о возможностях
количественного анализа результатов массового анкетирования студентов путем моделирования
различных аспектов их субъективного благополучия. Предлагаемый авторами подход будет полезен
при проведении мониторинга качества образования как в высшей школе, так и в сфере образования
в целом, а также при проведении различных социально-экономических исследований.
Ключевые слова: анкетирование, математическое моделирование, многомерный статистический
метод, исходный переменный-признак, вероятность вариантов ответов, субъективное благополучие,
корреляционно-регрессионная модель
Для цитирования: Опыт количественного анализа результатов анкетирования студентов по вопросам
качества обучения: методика, модели, перспективы / Т. И. Гуляева [и др.] // Интеграция образования.
2019. Т. 23, № 2. С. 284–302. DOI: 10.15507/1991-9468.095.023.201902.284-302
© Гуляева Т. И., Коломейченко А. С., Польшакова Н. В., Шуметов В. Г., Яковлев А. С., 2019
УДК 378-057.875(049.5)
DOI: 10.15507/1991-9468.095.023.201902.284-302
http://edumag.mrsu.ru
ISSN 1991-9468 (Print), 2308-1058 (Online)
Контент доступен под лицензией Creative Commons Attribution 4.0 License.
The content is available under Creative Commons Attribution 4.0 License.
SOCIAL STRUCTURE, SOCIAL INSTITUTIONS AND PROCESSES 285
INTEGRATION OF EDUCATION. Vol. 23, No. 2. 2019
Experience of Quantitative Analysis of Students
Questionnaires on Education Quality Problems:
Methodology, Models and Perspectives
T. I. Gulyaeva, A. S. Kolomeychenko, N. V. Polshakova*,
V. G. Shumetov, A. S. Yakovlev
Orel State Agrarian University, Orel, Russia,
* polshakovanv@yandex.ru
Introduction. The relevance of the article is determined by the lack of scientific substantiation of existing
methods of quantitative analysis of mass student questionnaires that can lead to erroneous conclusions about
the quality of educational services they receive. Authors first applied the in-house probabilistic approach
to the preparation of data for mass questioning of students to develop regression and factor models that
adequately reflect their subjective judgments about learning quality. Our goal was to estimate the efficiency
and possibility of the practical application of the authors’ approach to the analysis of student questionnaire
results by means of multivariate statistics by the example of the development of the quantitative estimation
model of education quality and subjective well-being of students of Orel State Agrarian University.
Materials and Methods. The suggested approach is based on the methods of parametrical multivariate
statistics. The empiric basis of modeling consists of the results of questioning students of the 2nd-4th years
of learning. The analytic software SPSS Base was used.
Results. At the example of the development of correlation-regressive and factor models of the subjective
well-being of the students, we proved the efficiency of the suggested approach to the quantitative modeling
of questionnaire results by means of multivariate statistical methods. It is shown that all the obtained
correlation-regression models have high statistical characteristics of quality and adequately reflect the
simulated phenomena. Of particular interest is the model structure of factors of subjective well-being of
students, reflecting the process of their professional and cultural development and adaptation to the current
socio-political environment.
Discussion and Conclusion. The completed study expanded the understanding of possibilities of quantitative
analysis of the results of mass student questioning by simulating various aspects of their subjective well-
being. The advantage of this method is that at modeling it allows considering the status features influence
on the degree of the higher educational institution satisfaction and the obtainable education quality. The
approach suggested by the authors will be useful in quality education monitoring at higher schools as well
as in the educational sphere in general and for various social and economic studies.
Keywords: questionnaire, mathematical modeling, multivariate statistics methods, initial variable features,
possibility of responses variants, subjective well-being, correlative and regressive models
For citation: Gulyaeva T.I., Kolomeychenko A.S., Polshakova N.V., Shumetov V.G., Yakovlev A.S.
Experience of Quantitative Analysis of Students Questionnaires on Education Quality Problems: Methodology,
Models and Perspectives. Integratsiya obrazovaniya = Integration of Education. 2019; 23(2):284-302.
DOI: 10.15507/1991-9468.095.023.201902.284-302
Введение
Присоединение Российской Федера-
ции к Болонскому процессу, регламен-
тируемому законом «Об образовании
в Российской Федерации» (29.12.2012
№ 273-ФЗ), актуализировал необходи-
мость создания национальной системы
оценки качества образования в России.
Одним из эффективных инструментов
управления качеством образования явля-
ется оценка уровня удовлетворенности
студентов качеством получаемых обра-
зовательных услуг, нацеленный на свое-
временную корректировку и оператив-
ное внесение изменений в реализуемый
образовательный процесс в целях со-
хранения конкурентоспособности вуза.
Наиболее распространенным меха-
низмом мониторинга и оценки уровня
удовлетворенности студентов качеством
получаемых образовательных услуг яв-
ляется анкетирование, которое позволяет
определить мнение обучающихся о каче-
стве получаемых ими образовательных
услуг, а также о качестве проводимой
учебной деятельности преподавателей.
Однако, как показывает практика,
при подготовке вопросов анкеты часто
не проводится проверка на соответствие
требуемым уровням надежности и ва-
СОЦИАЛЬНАЯ СТРУКТУРА, СОЦИАЛЬНЫЕ ИНСТИТУТЫ И ПРОЦЕССЫ
286
ИНТЕГРАЦИЯ ОБРАЗОВАНИЯ. Т. 23, № 2. 2019
лидности, репрезентативности выборки
респондентов, а также не указывают-
ся доверительные интервалы оценок.
В результате мы имеем не соответству-
ющий уровень достоверности оценки
качества. Следует также отметить, что до
настоящего времени практически отсут-
ствуют регламентирующие документы
и рекомендации, посвященные пробле-
мам конструирования анкет и опросников
для проведения исследований, направ-
ленных на оценку качества образования
и субъективного благополучия студентов
в учебных заведениях с использованием
количественного анализа результатов.
В своих исследованиях мы считаем
вполне оправданным отталкиваться от
понятия «субъективное благополучие»
студентов, в формировании которого
одной из составляющих выступает уро-
вень качества получаемого образования.
Р. М. Шамионов в понятие субъектив-
ного благополучия включает «эмоцио-
нально-оценочное отношение человека
к своей жизни, своей личности, взаи-
моотношениям с другими и процессам,
имеющим важное для него значение
с точки зрения усвоенных норматив-
но-ценностных и смысловых представле-
ний о благополучной внешней и внутрен-
ней среде, выражающееся в удовлетво-
ренности ею…» [1]. Опираясь на данное
определение, делаем вывод, что одним из
процессов, способных оказывать влия-
ющее воздействие на формирование
благополучной среды, выступает обра-
зование. При этом оценивать качество
образования без учета субъективного
понятия личности об удовлетворенно-
сти получаемых образовательных услуг
считаем не совсем правильным. Оце-
нить качество образования возможно со
стороны образовательных учреждений
и работодателей по уровню знаний, вос-
требованности выпускников, сравни-
тельным количественным показателям
с ведущими российскими и зарубеж-
ными вузами. Это можно сделать и со
стороны обучаемого, оценить какие
он предъявляет требования к уровню
образования для формирования своей
личной стратегии развития и благо-
получия, удовлетворения актуальных
потребностей. В зависимости от цен-
ностно-культурных норм многообразные
аспекты действительности будут иметь
разную значимость для людей и вносить
различный вклад в формирование общего
представления о личном благополучии.
В своей работе мы сделали попытку
оценить на примере одного вуза каче-
ство образования с учетом субъективных
мнений обучающихся, полагая, что она
может зависеть от многих личностных
качеств, в том числе от пола и возраста,
подверженности влиянию других людей
на выбор вуза и т. д.
Cуществующие методики оценки
качества образования, «основанные на
субъективных оценочных показателях
и выборе показателей и веса, которые
широко применяются в большинстве
существующих систем ранжирования,
ставятся под сомнение» [2], поскольку
отсутствуют четкие критерии прове-
дения опросов, научно обоснованные
методики количественной оценки полу-
ченных данных в ходе анкетирования,
рекомендации по оформлению резуль-
татов исследования или «основаны на
инструментах, которые имеют сомни-
тельную надежность и обоснованность»
[3]. Таким образом, субъективизм не
дает возможности считать полученную
информацию о качестве образования
достоверной в полной мере и делать
обоснованные выводы.
Возникшее противоречие между
возрастающими требованиями к каче-
ству образования и отсутствием в со-
циологической и педагогической науке
и практике квалиметрических техноло-
гий его оценки привели к необходимости
разработки оценочной технологии коли-
чественного анализа данных, получен-
ных в результате опроса большого числа
респондентов.
Для решения этих вопросов авторами
приводится пример определения коли-
чественного показателя, отражающего
различную степень удовлетворенности
выбором вуза студентами. При этом
постановка задачи формулируется сле-
дующим образом: построить модели
SOCIAL STRUCTURE, SOCIAL INSTITUTIONS AND PROCESSES 287
INTEGRATION OF EDUCATION. Vol. 23, No. 2. 2019
структуры факторов субъективного бла-
гополучия студентов, включающую удов-
летворенность качеством образования.
Актуальность исследования опреде-
ляется тем, что разработанные и приме-
няемые на практике квалиметрические
методики анализа результатов массового
анкетирования в сфере образования до-
статочно часто приводят к необоснован-
ным субъективным выводам о качестве
получаемых студентами образователь-
ных услуг.
Целью статьи является разработка
научно обоснованной методики коли-
чественной оценки качества обучения,
на примере статистического анализа
результатов анкетирования студентов
Орловского государственного аграрного
университета.
Обзор литературы
Поводом для обращения к проблеме
многомерного статистического анализа
итогов массовых опросов студентов
послужили публикации последних лет,
посвященные вопросам применения
факторного анализа как метода класси-
фикации переменных и снижения раз-
мерности, при установлении факторов
удовлетворенности студентов качеством
обучения и «профессиональной ком-
фортной средой» [4–6].
Факторный анализ, наряду с корре-
ляционно-регрессионным и кластерным,
наиболее популярен из всех многомер-
ных статистических методов не только
за рубежом, но и среди отечественных
исследователей. Из отечественных ра-
бот наибольший интерес представляет
публикация Е. Е. Фоминой и Н. К. Жига-
нова [7], а также работы В. В. Баранова,
И. Д. Белоновской, В. И. Чепасова [8; 9],
С. Г. Демченко, Г. Р. Юсуповой [10].
Среди зарубежных следует указать ис-
следование M. Иософф и соавторов,
направленное на выявление масштабов
удовлетворенности студентов в мала-
зийской частной образовательной сре-
де на основе факторного анализа [11].
Ранее в работе K. A. Джен и С. A. Мулэй-
ка факторный анализ был указан как
один из основных инструментов мате-
матической статистики, позволяющий
раскрыть полный набор количественно
измеримых факторов [12; 13].
В обзоре зарубежного опыта А. А. Да-
выдов отмечает, что «разработка и вери-
фикация формальных теорий и моделей
в математической социологии осущест-
вляется с помощью … математических
методов анализа эмпирических данных,
математического моделирования, ис-
пользования положений классических
и современных социологических тео-
рий, истинность которых не вызывает
сомнений» [14]. Комплексное исполь-
зование различных методов выделения
и вращения факторов позволяет получить
результаты, которые не противоречат
научным знаниям [15]. Рассматривая при-
менение Data Mining в анализе гипердан-
ных, А. В. Мальцева выделяет факторный
анализ как один из методов снижения
размерности и сжатия данных [16].
Существовало мнение, что с помощью
факторного анализа возможно решение
социологической задачи любой сложно-
сти и направленности. Впоследствии ис-
следователи почти полностью отрицали
его полезность для социологии [17].
На наш взгляд, во многом причиной
такой ситуации является специфика
социологической информации: много-
мерные методы статистического анализа
предполагают высокий уровень метризу-
емости пространства исходных перемен-
ных, тогда как результатам анкетирова-
ния отвечают переменные, измеренные,
как правило, по номинальным и порядко-
вым шкалам, которые могут быть отнесе-
ны лишь к квазиинтервальным. В связи
с этим ряд исследователей справедливо
ставят вопрос: правомерно ли исполь-
зовать многомерные методы статисти-
ческого анализа для аналитического
исследования, когда данные представ-
лены в порядковой, номинальной или
дихотомической шкалах? Так, Е. Е. Фо-
мина считает, что анализ переменных
в порядковой шкале находится в зависи-
мости «от балльности шкалы» и пере-
менные, измеренные в шкалах с пятью
градациями и выше, допустимо исполь-
зовать в качестве исходных данных для
СОЦИАЛЬНАЯ СТРУКТУРА, СОЦИАЛЬНЫЕ ИНСТИТУТЫ И ПРОЦЕССЫ
288
ИНТЕГРАЦИЯ ОБРАЗОВАНИЯ. Т. 23, № 2. 2019
процедуры наиболее распространенного
многомерного метода статистического
анализа – факторного анализа, и «чем
больше выбор ответов на порядковой шка-
ле, тем ниже вероятность серьезных оши-
бок при интерпретации результатов» [5].
Приводится и критерий применения
метода: факторный анализ считается
правомерным, если он применяется для
переменных, измеренных в порядко-
вой шкале с большим числом градаций
и имеющих согласованные матрицы
корреляции, которые построены с ис-
пользованием коэффициента линейной
корреляции Пирсона и Спирмена (или
Кендалла) [6]. Однако эти рекоменда-
ции часто не принимаются во внимание
даже самим автором. Так, в публикации
Е. Е. Фоминой предлагаемая автором
методика факторного анализа для обра-
ботки результатов анкетирования про-
иллюстрирована на примере изучения
общественного мнения на тему «Отно-
шение тверских студентов к институту
выборов». В этом примере исходными
для факторного анализа выступала мат-
рица, включающая ответы на вопросы
с числом градаций от двух («да» – «нет»)
до максимум четырех («да» – «скорее
да» – «скорее нет» – «нет»; ответ «не
знаю» вряд ли можно считать инфор-
мативным). В результате проведенного
факторного анализа автором выделено
два латентных фактора, суммарно объ-
ясняющих менее половины (44,26 %)
общей дисперсии.
С точки зрения А. И. Орлова [18],
методы преобразования данных, которые
были использованы в работе Е. Е. Фоминой
[5], допустимо применять в разведочном
статистическом анализе, цель которого –
«интуитивное проникновение в зако-
номерности массива данных» [19], но
в доказательной статистике такой упро-
щенный подход вряд ли оправдан. Начи-
ная с начала 1940-х г., после публикации
гарвардского психолога С. С. Стивенса
[20], иерархия измерительных шкал по
степени информативности на номиналь-
ную, ординальную, интервальную и шка-
лу отношений прочно вошла в теорию
измерений, и анализ, «определенный
Стивенсом в качестве недопустимого
для определенной шкалы, не может быть
выполнен без предварительного измене-
ния типа шкалы» [19, с. 172]. Несколь-
ко иной точки зрения придерживается
Дж. Тьюки, утверждающий, что «чрез-
мерно упрощенный и рафинированный
взгляд на то, что такое измерение, не
может диктовать, как анализировать
данные» [21, р. 247]. В развитие этих
взглядов Ф. Н. Ильясов, в отличие от ка-
нонических представлений, предлагает
аналитическую и экспериментальную
процедуры по приведению порядковой
шкалы к абсолютной [22].
Здесь уместно отметить, что разве-
дочный анализ данных, как правило,
осуществляется на начальных этапах
обработки результатов социологических
опросов, когда исследователь распола-
гает выборками ограниченного объема.
Так, в работе [5] таблица с исходными
для анализа данными была составле-
на по результатам анкетирования 100
респондентов, когда надежно нельзя
оценить даже линейные распределения.
Однако с перспективами использования
социологами больших объемов данных –
обращением к так называемым Big Data –
появляются новые возможности техно-
логий их обработки, включая методы
Data Mining, что влечет за собой форми-
рование «базы данных статистики и мо-
ниторинга качества образования» [23].
Под термином Data Mining (англ. «до-
быча данных» или «раскопка данных»)
мы понимаем не столько принятый
в социологии термин «интеллектуальный
анализ данных», сколько более точный
термин «извлечение знаний из баз дан-
ных» [24]. В расчете на большие объемы
данных нами предлагается альтернатив-
ный подход к их анализу. Суть подхода
заключается в переходе от исходных
переменных к переменным, измерен-
ным по абсолютной шкале. В данном
случае будут учитываться вероятности
вариантов ответов респондентов, кото-
рые в свою очередь оцениваются по их
частостям. Оценки этих вероятностей
для групп респондентов, выделенных по
статусным или факторным признакам,
SOCIAL STRUCTURE, SOCIAL INSTITUTIONS AND PROCESSES 289
INTEGRATION OF EDUCATION. Vol. 23, No. 2. 2019
можно получить из соответствующих
таблиц сопряженности.
Проведенный литературный обзор
свидетельствует о недостаточности раз-
работанных методик квалиметрического
анализа больших объемов данных при
проведении анкетирования и необходи-
мости дополнительных исследований
в данной области.
Материалы и методы
Техника перехода к абсолютным
переменным рассматривается в разра-
ботанной модели удовлетворенности
качеством обучения студентами Орлов-
ского государственного аграрного уни-
верситета им. Н. В. Парахина (ОГАУ).
Эмпирической базой моделирования
послужили результаты анкетирования
студентов II–IV курсов. Из наиболее
часто используемых методов обработки
результатов анкетирования (расчет пока-
зателей описательной статистики, ран-
жирование, выявление корреляционной
зависимости между отдельными призна-
ками) важную роль играют алгоритмы
и методы установления новых знаний
о данных, которые были неизвестны
и поддаются практической интерпрета-
ции с целью принятия решения на основе
проводимого анкетирования.
В нашем исследовании при обработ-
ке результатов анкетирования исполь-
зовались методы Data Mining, которые
позволили осуществить альтернативный
подход к анализу данных, заключающий-
ся в переходе от исходных переменных
к переменным, измеренным в абсолют-
ной шкале.
В качестве инструментария исполь-
зовался пакет анализа данных обще-
ственных наук SPSS Base. Объем вы-
борочной совокупности составил 473
студента, из которых 166 студентов
обучаются на втором курсе, 162 – на
третьем и 145 – на четвертом.
Результаты исследования
При формировании информативных
количественных переменных существу-
ют ограничения, вызванные ограничен-
ным объемом выборки. Покажем это на
примере построения количественной
переменной, отражающей различную
степень удовлетворенности выбором
вуза студентами. Задачей исследования
является построение модели оценки
влияния статусных признаков – курса
обучения и пола – на степень удовлет-
воренности выбором вуза.
На первый взгляд, проблема решает-
ся достаточно просто: поскольку респон-
дентам предлагается выбрать вариант
степени удовлетворенности от 1 балла
(низшая степень) до 5 баллов (высшая
степень удовлетворенности), можно
усреднить балльные оценки по шести
группам студентов и построить модель,
отражающую зависимость среднего
балла от значений статусных призна-
ков. При таком некорректном, но часто
используемом подходе результирующей
количественной переменной будет сред-
ний балл по вопросу «Какова степень
совпадения реального образовательно-
го процесса с Вашими ожиданиями на
основе информации, представленной
университетом?».
Агрегированные данные моделирова-
ния представлены в формате «среднее ±
стандартное отклонение» (табл. 1, рис. 1),
что не является корректным. Во-пер-
вых, балльные оценки – это порядковые
переменные, для которых валидной
числовой характеристикой центральной
тенденции являются не средние, а меди-
аны. Если отнести их, как предлагают
некоторые исследователи, к квазиин-
тервальным величинам, то и при таком
допущении в рассматриваемом примере
распределение балльных оценок не под-
чиняется нормальному закону (см. рис. 2,
вариант «4 курс девушки»). Следова-
тельно, некорректным является и расчет
стандартных отклонений. Тем не менее
по диаграммам рисунка 1 можно сделать
вывод о тенденции снижения оценки
удовлетворенности выбором вуза по
мере обучения, при этом у девушек эта
тенденция выражена более ярко.
СОЦИАЛЬНАЯ СТРУКТУРА, СОЦИАЛЬНЫЕ ИНСТИТУТЫ И ПРОЦЕССЫ
290
ИНТЕГРАЦИЯ ОБРАЗОВАНИЯ. Т. 23, № 2. 2019
Т а б л и ц а 1. Средний балл удовлетворенности выбором вуза
T a b l e 1. Average grade of satisfaction with choice of university
Курс / Year of study Пол / Gender
мужской / male женский / female
II 4,29 ± 0,785 (п = 84) 4,17 ± 0,979 (п = 82)
III 4,41 ± 0,828 (п = 69) 4,05 ± 0,982 (п = 93)
IV 4,08 ± 1,080 (п = 65) 4,00 ± 1,102 (п = 80)
Р и с. 1. Зависимость средней оценки удовлетворенности студентами выбо-
ром вуза: а – от курса обучения; б – от пола
F i g. 1. The dependence of the average assessment of student satisfaction with
the choice of university: а – on the year of study; b – from the gender
а) б)
Р и с. 2. Проверка на нормальность распределения балльных оценок
(IV курс девушки): а – эмпирическая гистограмма;
б – график «Квантиль-Квантиль»
F i g. 2. Check for normal distribution of scoring (4th year, girls): а – empirical
histogram; b – “Quantile-Quantile” graph
а) б)
SOCIAL STRUCTURE, SOCIAL INSTITUTIONS AND PROCESSES 291
INTEGRATION OF EDUCATION. Vol. 23, No. 2. 2019
Таким образом, актуальным является
выбор корректного и наиболее инфор-
мативного показателя, отражающего
степень удовлетворенности выбором
вуза. Подобным показателем не может
быть частость вариантов оценок «5» или
«4»: студентам проще выбрать именно
эти оценки и это приводит к системати-
ческим ошибкам анкетирования.
Оценки «2» и «1» на вопрос «Ка-
кова степень совпадения реального
образовательного процесса с Ваши-
ми ожиданиями на основе информа-
ции, представленной университетом?»
выбираются студентами относительно
редко и целесообразно объединить их
частости с частостями варианта оценки
«3», присвоив новой переменной метку
«посредственно». В результате объеди-
нения частостей оценок по описанному
алгоритму получаем базу данных для
моделирования (табл. 2, рис. 3).
Из диаграмм, иллюстрирующих рас-
пределение новой, теперь уже не поряд-
ковой, а количественной переменной –
частости оценки «посредственно» – по
уровням статусных признаков, пред-
ставленных на рисунке 3, видно, что
замеченные ранее тенденции снижения
удовлетворенности студентами выбо-
ром вуза с ростом курса обучения и при
переходе от юношей к девушкам четко
проявляют себя для медианных значений
показателя.
Средний объем подвыборок по ячей-
кам – 15, что вполне допустимо для
применения к полученной базе данных
одного из эффективных методов Data
Mining – процедуры обобщенной линей-
ной модели (General Linear Model).
Не останавливаясь на деталях, при-
ведем главные результаты: 1) частость
оценки удовлетворенности выбора вуза
«посредственно» в бóльшей степени
определяется полом и в меньшей – кур-
сом обучения; 2) получена модель, от-
ражающая зависимость вероятности
оценки удовлетворенности выбора вуза
Т а б л и ц а 2. Частость удовлетворенности выбором вуза оценкой «посредственно», %
T a b l e 2. Frequency of satisfaction with the choice of the university as “mediocre”, %
Курс / Year of study Пол / Gender
мужской / male женский / female
II 11,9 17,1
III 11,6 22,6
IV 21,5 25,6
Р и с. 3. Зависимость оценки удовлетворенности студентами выбором вуза
«посредственно» от курса обучения (а) и от пола (б)
F i g. 3. The dependence of the assessment of student satisfaction with the
choice of the university “mediocre” on the year of study (a) and gender (b)
а) б)
СОЦИАЛЬНАЯ СТРУКТУРА, СОЦИАЛЬНЫЕ ИНСТИТУТЫ И ПРОЦЕССЫ
292
ИНТЕГРАЦИЯ ОБРАЗОВАНИЯ. Т. 23, № 2. 2019
«посредственно» от статусных призна-
ков «пол» и «курс обучения», которая
объясняет более 90 % общей дисперсии;
3) получены графики, отражающие связь
вероятности оценки удовлетворенности
выбора вуза «посредственно» с изучае-
мыми признаками (рис. 4).
Мы рассмотрели достаточно критич-
ный подход подготовки исходных дан-
ных к моделированию с помощью мето-
дов дисперсионного анализа. В моделях
факторного и кластерного анализа ситу-
ация складывается более благоприятно,
так как респонденты делятся на груп-
пы в разрезе градаций ее признаков,
а не по ячейкам таблицы сопряженности
с двумя входами.
Важным фактором репрезентативно-
сти математических моделей, по данным
эмпирических исследований, является
рациональная организация анкетирова-
ния респондентов [25]. Кроме повыше-
ния надежности работы с анкетируемы-
ми, связанной с природой социальных
конфликтов [26–28], продуктивным здесь
оказывается новаторский подход фран-
цузского математика-статистика и социо-
лога Ж.-П. Пажеса к анализу структуры
факторов по результатам опросов [29],
при этом традиционным адекватным
методом исследования факторной струк-
туры является факторный анализ.
В отличие от традиционной интер-
претации Ж.-П. Пажес предлагает рас-
сматривать модель данных как выборку
из двух генеральных совокупностей –
проблем и людей. Так, в рассматривае-
мом нами случае факторной структуры
субъективного благополучия студентов
ОГАУ генеральную совокупность людей
представляют студенты II–IV курсов
вуза, объединенных в разные группы,
а совокупность проблем – признаки
благополучия студентов, несущие субъ-
ективный характер. При этом число
групп должно быть достаточным для
надежного описания факторной струк-
туры изучаемого явления.
С учетом сказанного, в генеральной
совокупности выделены 29 групп сту-
дентов, отличающиеся по статусным
и некоторым факторным признакам
(в скобках указаны коды групп):
1. Факультет: агробизнеса и эколо-
гии (1), агротехники и энергообеспече-
ния (2), биотехнологии и ветеринарной
медицины (3), инженерно-строительный
(4), экономический (5).
2. Направление подготовки: агроин-
женерия (6), агрономия (7), ветеринария
(8), ландшафтная архитектура (9), строи-
тельство (10), техносферная безопас-
ность (11), экономика (12).
3. Курс: II (13), III (14), IV (15).
Р и с. 4. Диаграмма частости оценки выбора вуза «посредственно» для уровней
статусных факторов при различных значениях другого фактора:
а – пола; б – курса обучения (расчет)
F i g. 4. Diagram of the frequency of evaluation of the choice of university “mediocre”
for levels of status factors with different values of another factor:
a – gender; b – year of study (calculation)
а) б)
SOCIAL STRUCTURE, SOCIAL INSTITUTIONS AND PROCESSES 293
INTEGRATION OF EDUCATION. Vol. 23, No. 2. 2019
4. Пол: мужской (16), женский (17).
5. Морально-нравственная атмо-
сфера в учебной группе: «отличная» (18),
«хорошая» (19), «посредственная» (20).
6. Условия, созданные в студенческой
столовой: «отличные» (21), «хорошие»
(22), «посредственные» (23).
7. Условия проживания в студен-
ческом общежитии: «отличные» (24),
«хорошие» (25), «посредственные» (26).
8. Организация работы универси-
тетского медпункта: «отличная» (27),
«хорошая» (28), «посредственная» (29).
При выделении каждой из этих 29
групп исходили из требования их до-
статочной наполненности. Так, из-за
его нарушения в это множество не во-
шли такие направления подготовки, как
менеджмент, биотехнология, зоотехния
и некоторые другие.
Конфликтные признаки, определя-
ющие субъективное благополучие сту-
дентов, устанавливались исходя из кар-
динальной противоположности вари-
антов ответов на отдельные вопросы
анкетирования. С учетом двух альтер-
нативных ответов «отлично» и «посред-
ственно» мы получаем 16 количествен-
ных переменных – частостей суждений
студентов по факторам их субъективного
благополучия:
1) методы обучения, организация
учебного процесса и содержание обра-
зовательных программ;
2) качество преподавания дисциплин
математического и естественно-научно-
го цикла;
3) качество преподавания дисциплин
гуманитарного, социального и экономи-
ческого цикла;
4) качество преподавания дисциплин
профессионального цикла;
5) степень заинтересованности адми-
нистрации жизнью и бытом студентов;
6) уровень признания успехов в учеб-
ной, научно-исследовательской и вне-
учебной деятельности;
7) степень совпадения реального об-
разовательного процесса с ожиданиями;
8) степень уверенности в своем за-
втрашнем дне (возможность трудоустрой-
ства, социальная защищенность и т. д.).
Для краткости изложения резуль-
татов многомерного статистического
анализа введем следующие обозначения:
– v1- и v1+ – частость выбора студен-
тами вариантов ответа «посредственно»
и «отлично» на вопрос о качестве учеб-
ного процесса в целом;
– v10- и v10+ – частость выбора сту-
дентами вариантов ответа «посредствен-
но» и «отлично» на вопрос о качестве
преподавания дисциплин математиче-
ского и естественно-научного цикла;
– v11- и v11+ – частость выбора сту-
дентами вариантов ответа «посредствен-
но» и «отлично» на вопрос о качестве
преподавания дисциплин гуманитарно-
го, социального и экономического цикла;
– v12- и v12+ – частость выбора сту-
дентами вариантов ответа «посредствен-
но» и «отлично» на вопрос о качестве
преподавания дисциплин профессио-
нального цикла;
– v18- и v18+ – частость выбора сту-
дентами вариантов ответа «посредствен-
но» и «отлично» на вопрос о заинте-
ресованности администрации жизнью
и бытом студентов;
– v28- и v28+ – частость выбора сту-
дентами вариантов ответа «посредствен-
но» и «отлично» на вопрос о признании
успехов в учебной, научно-исследова-
тельской и внеучебной деятельности;
– «v58-» и «v58+» – частость выбора
студентами вариантов ответа «посред-
ственно» и «отлично» на вопрос о сов-
падении реального образовательного
процесса с ожиданиями;
– v59- и v59+ – частость выбора сту-
дентами вариантов ответа «посредствен-
но» и «отлично» на вопрос об уверенно-
сти в их завтрашнем дне.
Методы многомерного статистиче-
ского анализа чувствительны к нару-
шению нормальности распределения
переменных, и по этой причине предва-
рительно проводился «ремонт» выбор-
ки, в результате которого из исходных
29 групп студентов были исключены
три группы, характеризуемые «посред-
ственной» морально-нравственной
атмосферой в учебной группе и «по-
средственными» условиями в столовой
СОЦИАЛЬНАЯ СТРУКТУРА, СОЦИАЛЬНЫЕ ИНСТИТУТЫ И ПРОЦЕССЫ
294
ИНТЕГРАЦИЯ ОБРАЗОВАНИЯ. Т. 23, № 2. 2019
и общежитии. Объем выборки при этом
сократился до 26 групп студентов, тогда
как для корректности факторного анали-
за необходимо располагать двумя-тремя
статистическими единицами на каждую
из 16 переменных, что актуализирует
предварительное сокращение размерно-
сти факторного пространства. В этих це-
лях на начальном этапе статистических
исследований выполнен множественный
корреляционно-регрессионный анализ
переменных v1-, v10-, v11- и v12-, с одной
стороны, и переменных v1+, v10+, v11+,
v12+, с другой.
Не останавливаясь на деталях мно-
жественного регрессионного анализа,
выполненного с помощью процедуры
Regression, пакета статистических про-
грамм SPSS Base 8.0 по методу Stepwise,
приведем полученные результаты.
1. Регрессионные модели оценки ка-
чества учебного процесса. Зависимыми
переменными являлись частости выбора
студентами вариантов ответов на вопрос
о качестве учебного процесса «посред-
ственно» и «отлично» v1- и v1+ соответ-
ственно, предикторами – частости выбора
студентами соответствующих вариантов
ответов на вопросы о качестве препо-
давания дисциплин математического
и естественно-научного, гуманитарного,
социального и экономического циклов,
а также дисциплин профессионального
цикла. В первом случае – это переменные
v10-, v11- и v12-, во втором – v10+, v11+
и v12+.
Получены следующие линейные мо-
дели:
v1- = 4,698 + 0,842 v11-, (1)
v1+ = -5,659 + 0,876 v12+, (2)
объясняющие 89,7 и 93,2 % общей дис-
персии соответственно. Согласно анали-
зу остатков, модели (1) и (2) адекватны
эмпирическим данным, и это позволяет
заключить, что посредственная оценка
студентами качества учебного процесса
определяется в первую очередь соот-
ветствующими оценками качества пре-
подавания дисциплин математического
и естественно-научного цикла, а оценка
«отлично» – оценками качества препо-
давания дисциплин профессионального
цикла.
Для оценки эластичности зависимых
переменных от значащих предикторов
в результате применения процедуры
Regression к логарифмически преобра-
зованным переменным получены модели
ln v1- = 0,946 + 0,710 ln v11-, (3)
ln v1+ = -0,766 + 1,125 ln v12+, (4)
объясняющие 88,7 и 92,2 % общей дис-
персии соответственно. Модели (3)
и (4) адекватны эмпирическим данным,
что позволяет интерпретировать коэф-
фициенты регрессии 0,710 и 1,125 как
эластичность оценок учебного процесса
«посредственно» и «отлично» по соот-
ветствующим оценкам качества препо-
давания дисциплин математического
и естественно-научного цикла в первом
случае и качества преподавания дис-
циплин профессионального цикла во
втором.
2. Регрессионные модели оценки
удовлетворенности выбором вуза. За-
висимыми переменными являлись ча-
стости выбора студентами вариантов от-
ветов на вопрос о совпадении реального
образовательного процесса с ожидания-
ми «посредственно» (v58-) и «отлично»
(v58+), предикторами – частости выбора
студентами соответствующих вариантов
ответов на вопрос о качестве учебного
процесса в целом, а также о заинте-
ресованности администрации жизнью
и бытом студентов и признании их успе-
хов в учебной, научно-исследовательской
и внеучебной деятельности. В первом
случае это переменные v1-, v28- и v18-,
во втором – v1+, v28+ и v18+.
Получены следующие линейные мо-
дели:
v58- = -8,093 + 0,714 v1- +
+ 0,749 v28-, (5)
v58+ = -14,843 + 0,420 v1+ +
+ 0,877 v28+, (6)
объясняющие 94,7 и 98,1 % общей дис-
персии соответственно. Модели (5)
SOCIAL STRUCTURE, SOCIAL INSTITUTIONS AND PROCESSES 295
INTEGRATION OF EDUCATION. Vol. 23, No. 2. 2019
и (6) адекватны эмпирическим данным,
и это позволяет заключить, что посред-
ственные и отличные оценки студентами
совпадения реального образовательного
процесса с ожиданиями определяются
соответствующими оценками качества
учебного процесса в целом, а также заин-
тересованности администрации жизнью
и бытом студентов.
Для оценки эластичности зависимых
переменных от значащих предикторов
в результате применения процедуры
Regression к логарифмически преобра-
зованным переменным получены модели
ln v58- = -1,493 + 0,776 ln v1- +
+ 0,730 ln v28-, (7)
ln v58+ = -1,901 + 0,328 ln v1+ +
+ 1,150 ln v28+, (8)
объясняющие 92,3 и 95,0 % общей дис-
персии соответственно. Модель (7) адек-
ватна эмпирическим данным, что позво-
ляет интерпретировать коэффициенты
регрессии 0,776 и 0,730 как эластично-
сти оценок при совпадении реального
образовательного процесса с ожидани-
ями «посредственно» по соответствую-
щим оценкам качества учебного процесса
в целом и заинтересованности админи-
страции жизнью и бытом студентов. В мо-
дели (8) коэффициенты регрессии 0,328
и 1,150 интерпретируются как эластич-
ности отличной оценки при совпадении
реального образовательного процесса
с ожиданиями по соответствующим оцен-
кам качества учебного процесса в целом
и заинтересованности администрации
жизнью и бытом студентов.
Аналогично была построена и про-
анализирована регрессионная модель
оценки уверенности в будущем, резуль-
таты которой учитывались в окончатель-
ных выводах и заключениях.
3. Модель структуры факторов
субъективного благополучия студентов.
Главная задача первого этапа разработки
модели структуры факторов субъектив-
ного благополучия студентов ОГАУ –
определение оптимального числа глав-
ных факторов. В нашем случае исходные
факторы сильно коррелируют, и уже
два первых главных фактора объясняют
почти 96 % общей дисперсии, что по-
зволяет наглядно представить структуру
факторов субъективного благополучия
студентов на плоскости, осями которой
являются главные факторы. Другая важ-
ная задача этого этапа – оптимизация
факторной структуры, что достигается
путем вращения главных факторов по
тому или иному критерию, чаще всего,
по критерию «варимакс».
Анализ двух моделей структуры фак-
торов субъективного благополучия сту-
дентов ОГАУ показывает, что если до вра-
щения факторная структура практически
одномерная, причем бóльшая доля объяс-
няемой дисперсии приходится на первый
главный фактор, то вращение главных
факторов по критерию «варимакс» при-
водит к перераспределению «нагрузок»
исходных факторов на оси двумерного
факторного пространства (рис. 5).
Корреляции между пятью позитив-
ными переменными субъективного бла-
гополучия студентов v1+, v18+, v28+,
v58+ и v59+, равно и как между пятью
негативными v1-, v18-, v28-, v58- и v59-,
велики, и на диаграммах рисунка 5 эти
переменные трудно различить, но из
таблицы 3 видно, что первый главный
фактор в наибольшей мере коррелирует
с переменной v58+, второй главный фак-
тор – с переменной v58-.
Таким образом, первый главный фак-
тор интерпретируется как фактор удов-
летворенности выбором вуза, или фактор
субъективного благополучия, второй –
фактор неудовлетворенности выбором
вуза, или фактор субъективного небла-
гополучия.
Главные факторы 1 и 2 – это аб-
страктные математические конструкты,
и для наглядности в дальнейшем их
можно заменить тесно коррелирующи-
ми с ними переменными – частостями
выбора студентами полярных оценок по
совпадению реального образовательного
процесса с ожиданиями «отлично» (v58+)
и «посредственно» (v58-).
Главных факторов – два, и это по-
зволяет представить на плоскости не
только распределение «нагрузок» на
СОЦИАЛЬНАЯ СТРУКТУРА, СОЦИАЛЬНЫЕ ИНСТИТУТЫ И ПРОЦЕССЫ
296
ИНТЕГРАЦИЯ ОБРАЗОВАНИЯ. Т. 23, № 2. 2019
Р и с. 5. Структура факторов субъективного благополучия студентов ОГАУ:
а – до вращения; б – после вращения главных факторов по критерию
«варимакс»
F i g. 5. The structure of factors of subjective well-being of OSAU students:
a – before rotation; b – after rotation of the main factors according to the criterion
“varimax”
Т а б л и ц а 3. Корреляции исходных переменных субъективного благополучия
студентов ОГАУ с главными факторами
T a b l e 3. Correlations of the initial variables of the subjective well-being of OSAU
students with the main factors
Код перемен-
ной / Variable
code
До вращения главных факторов / Be-
fore the rotation of the main factors
После вращения по критерию «вари-
макс» / After rotation on the criterion
“varimax”
главный
фактор 1 / main
factor 1
главный
фактор 2 / main
factor 2
главный
фактор 1 /
main factor 1
главный
фактор 2 / main
factor 2
v1--0,865 0,393 -0,335 0,889
v1+0,864 0,436 0,920 -0,301
v18--0,878 0,445 -0,308 0,935
v18+0,898 0,357 0,888 -0,380
v28--0,923 0,338 -0,416 0,890
v28+0,881 0,439 0,934 -0,311
v58--0,874 0,465 -0,291 0,947
v58+0,886 0,444 0,942 -0,311
v59--0,893 0,421 -0,336 0,928
v59+0,915 0,380 0,917 -0,377
Доля объясня-
емой диспер-
сии, % /
Proportion
of explained
variance, %
78,9 17,1 48,1 47,9
них исходных переменных, но и групп
студентов. Для примера ниже приведены
диаграммы, иллюстрирующие распре-
деление различных групп студентов на
плоскости главных факторов (рис. 6а)
и переменных v58+ и v58- (рис. 6б), где
числа над метками соответствуют кодам
факультетов и направлений подготовки.
а) б)
SOCIAL STRUCTURE, SOCIAL INSTITUTIONS AND PROCESSES 297
INTEGRATION OF EDUCATION. Vol. 23, No. 2. 2019
Р и с. 6. Распределение групп студентов различных факультетов и направлений
подготовки на плоскости главных факторов (а) и переменных v58+ и v58- (б)
(числа над метками – коды групп студентов)
F i g. 6. Distribution of groups of students from different departments
and academic programmes on the plane of the main factors (a) and variables v58 +
and v58- (b). Numbers above tags – student group codes
а) б)
Обе диаграммы горизонтальными
и вертикальными пунктирными линиями
разделены на четыре квадранта, кото-
рые различаются следующим образом:
в квадранте I размещены группы студен-
тов, характеризующиеся субъективным
благополучием, но не удовлетворенных
выбором вуза; в диаметрально проти-
воположном квадранте III – группы
студентов, характеризующиеся субъек-
тивным неблагополучием, и тем не менее
вполне удовлетворенных выбором вуза.
Квадрант II содержит группы студен-
тов, характеризующиеся субъективным
неблагополучием и неудовлетворенных
выбором вуза, квадрант IV – группы сту-
дентов, характеризующиеся субъектив-
ным благополучием и удовлетворенных
выбором вуза.
В наиболее «благополучном» квад-
ранте IV находятся студенты, обуча-
ющиеся по направлению «Агрономия»,
а также студенты факультета агробизнеса
и экологии. Отвечающие им метки 7 и 1
наиболее удалены от центра координат
на рисунке 6а, и характеристика квад-
ранта IV относится к ним в высшей сте-
пени – студентам этим групп наиболее
присущи субъективное благополучие
и удовлетворенность выбором вуза.
В диаметрально противоположном
квадранте II размещены группы сту-
дентов инженерно-строительного фа-
культета, а также обучающиеся по на-
правлению «Строительство» (метки 4
и 10 соответственно). Студентам данных
двух групп субъективное благополучие
и удовлетворенность выбором вуза при-
сущи в наименьшей степени.
Таким образом, при интерпретации
групп студентов следует, иметь в виду,
во-первых, что чем дальше от начала
координат находится метка группы, тем
надежнее ее характеристика, во-вторых,
основным для интерпретации является
диаграмма с координатами-главными
факторами, более наглядную диаграмму
с координатами-переменными v58+ и v58-
следует рассматривать лишь в качестве
дополнения.
Обсуждение и заключение
Проведенное нами исследование
подчеркивает необходимость определе-
ния факторов, влияющих на критерии
субъективного благополучия студентов,
СОЦИАЛЬНАЯ СТРУКТУРА, СОЦИАЛЬНЫЕ ИНСТИТУТЫ И ПРОЦЕССЫ
298
ИНТЕГРАЦИЯ ОБРАЗОВАНИЯ. Т. 23, № 2. 2019
так как именно оно является маркером,
отражающим всю полноту профессио-
нально-культурного развития личности
студента и его адаптацию к сложившейся
социально-политической среде. Можно
сделать вывод, что оценка качества обра-
зования со стороны студентов проходит
через призму ценностей и установок
личности и оценку того, насколько
получаемые ими профессиональные
знания отвечают их представлению
о собственном благополучии. Приве-
денные выше результаты позволяют
наметить план дальнейшего исследова-
ния по изучению влияния на оценку ка-
чества образования таких субъективных
факторов, как удовлетворенность собой,
взаимоотношениями в коллективе, скла-
дывающихся жизненных ситуациях,
планируемых карьерных достижений
в дальнейшей профессиональной дея-
тельности и др.
Оценка качества образования с уче-
том субъективного благополучия являет-
ся важным маркером полноценной жизни
человека, поэтому в условиях модерниза-
ции общества необходима продуманная
стратегия его обеспечения, опирающаяся
на современные математические методы
мониторинга и обработки данных.
Разработанные корреляционно-
регрессионные и факторные модели
субъективного благополучия студентов
подтверждают практическую значи-
мость исследования, в котором уста-
новлена целесообразность применения
предлагаемого подхода к количествен-
ному моделированию результатов анке-
тирования методами параметрической
многомерной статистики с учетом фак-
торов, оцениваемых как субъективные.
Разработанный нами метод, успешно
применяется в ОГАУ и позволяет админи-
страции вуза в кратчайшие сроки прово-
дить мониторинг качества предлагаемых
образовательных услуг, услуг социаль-
но-жилищного характера, проведения
досуга студенчества, а также на основе
проведенного мониторинга вырабаты-
вать стратегии для принятия оператив-
ных решений по повышению процента
удовлетворенности качеством предо-
ставляемых услуг с учетом субъектив-
ного мнения студентов о благополучии,
а именно своевременно реагировать на
пожелания студентов в области оптими-
зации и модернизации информационно-
образовательной среды вуза, внедрение
программ дополнительного образования
и проведения досуга (кружки, секции
и др.). Это дает возможность каждо-
му субъекту выстраивать свою жизнь
в учебном заведении в соответствии с по-
ставленными перед собой целями и зада-
чами и учитывать ценностно-смысловые
ориентации и культурно-нравственные
аспекты личности студента на данном
этапе его развития.
Возможными направлениями даль-
нейших исследований может стать ме-
тодика классификации студентов по
факторам субъективного благополучия,
так как этот вопрос требует специально-
го рассмотрения.
Определенный научный интерес бу-
дет представлять анализ распределения
на 2D-диаграммах групп студентов, раз-
личающихся по полу и курсу обучения,
а также по факторным переменным –
морально-нравственной атмосфере
в учебной группе, условиям в студенче-
ской столовой, общежитии, медпункте.
СПИСОК
ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Шамионов Р. М. Критерии субъективного благополучия личности: социокультурная детерми-
нация // Известия Саратовского университета. Сер.: Акмеология образования. Психология развития.
2015. Т. 4, вып. 3. С. 213–218. DOI: 10.18500/2304-9790-2015-4-3-213-218
2. Huang Z., Qiu R. G. A Quantitative and Model-Driven Approach to Assessing Higher Education
in the United States of America // Quality in Higher Education. 2016. Vol. 22, Issue 1. Pp. 78–95.
DOI: 10.1080/13538322.2016.1147215
3. Lodge J. M., Bonsanquet A. Evaluating Quality Learning in Higher Education: Re-Examining the
Evidence // Quality in Higher Education. 2014. Vol. 20, Issue 1. Pp. 3–23. DOI: 10.1080/13538322.2013.849787
SOCIAL STRUCTURE, SOCIAL INSTITUTIONS AND PROCESSES 299
INTEGRATION OF EDUCATION. Vol. 23, No. 2. 2019
4. Фомина Е. Е. Обзор программных продуктов, используемых при проведении социологических
исследований // Социосфера. 2016. № 2. С. 99–102. URL: http://oaji.net/articles/2016/1834-1467117845.pdf
(дата обращения: 27.04.2019).
5. Фомина Е. Е. Применение факторного анализа для обработки результатов анкетирования //
Социосфера. 2016. № 3. С. 122–127. URL: http://oaji.net/articles/2016/1834-1481805159.pdf (дата об-
ращения: 27.04.2019)
6. Фомина Е. Е. Факторный анализ и категориальный метод главных компонент: сравнительный
анализ и практическое применение для обработки результатов анкетирования // Гуманитарный вест-
ник. 2017. Вып. 10. DOI: 10.18698/2306-8477-10-473
7. Фомина Е. Е., Жиганов Н. К. Методика обработки результатов анкетирования с использованием
методов многомерной и параметрической статистики // Вестник Пермского национального исследова-
тельского политехнического университета. Социально-экономические науки. 2017. № 1. С. 106–115.
DOI: 10.15593/2224-9354/2017.1.9
8. Баранов В. В., Белоновская И. Д., Чепасов В. И. Факторный анализ как инструментарий педа-
гогического знания о саморазвитии студента университетского комплекса // Вестник ОГУ. 2012. № 2
(138). С. 21–27. URL: http://vestnik.osu.ru/2012_2/4.pdf (дата обращения: 27.04.2019).
9. Баранов В. В. Конкурентный ресурс университетского комплекса как фактор саморазвития сту-
дента // Современные проблемы науки и образования. 2012. № 5. URL: http://www.science-education.
ru/ru/article/view?id=6953 (дата обращения: 27.04.2019).
10. Демченко С. Г., Юсупова Г. Р. Использование метода факторного анализа для выявления осо-
бенностей образа «идеального вуза» // Университетское управление: практика и анализ. 2009. № 1.
С. 84–91. URL: https://www.umj.ru/jour/article/view/758/759 (дата обращения: 27.04.2019).
11. Yusoff M., Mcleay F., Woodruffe-Burton H. Dimensions Driving Business Student Satisfaction in
Higher Education // Quality Assurance in Education. 2015. Vol. 23, Issue 1. Pp. 86–104. DOI: 10.1108/
QAE-08-2013-0035
12. Jehn K. A. A Multimethod Examination of the Benefits and Determinants of Intragroup Conflict //
Administrative Science Quarterly. 1995. Vol. 40, No. 2. Pp. 256–282. DOI: 10.2307/2393638
13. Mulaik S.A. The Foundation of Factor Analysis. N.Y.: McGraw Hill, 1972. 452 p.
14. Давыдов А. А. Математическая социология: обзор зарубежного опыта // Социологические
исследования. 2008. № 4. С. 105–111. URL: http://ecsocman.hse.ru/data/898/067/1217/016_davydov.pdf
(дата обращения: 27.04.2019).
15. Бессокирная Г. П. Факторный анализ: традиции использования и новые возможности // Со-
циология: 4М. 2000. № 12. С. 142–153. URL: http://jour.isras.ru/index.php/soc4m/article/view/3943/3679
(дата обращения: 25.04.2019).
16. Мальцева А. В., Шилкина Н. Е., Махныткина О. В. Data mining в социологии: опыт и перспек-
тивы проведения исследований // Социологические исследования. 2016. № 3. С. 35–44. URL: http://
socis.isras.ru/en/article/6098 (дата обращения: 25.04.2019).
17. Толстова Ю. Н., Воронина Н. Д. О необходимости расширения понятия социологическо-
го измерения // Социологические исследования. 2012. № 7. С. 67–77. URL: http://ecsocman.hse.ru/
data/2012/11/12/1251376230/Tolstova.pdf (дата обращения: 25.04.2019).
18. Орлов А. И. Теория измерений как часть методов анализа данных: размышления над переводом
статьи П. Ф. Веллемана и Л. Уилкинсона // Социология: 4М. 2012. № 35. С. 155–174. URL: http://jour.
isras.ru/index.php/soc4m/article/view/3740/3501 (дата обращения: 25.04.2019).
19. Веллеман П. Ф., Уилкинсон Л. Типологии номинальных, ординальных, интервальных и отно-
сительных шкал вводят в заблуждение // Социология: 4М. 2011. № 33. С. 166–193. URL: http://jour.
isras.ru/index.php/soc4m/article/view/3725 (дата обращения: 25.04.2019).
20. Stevens S. S. On the Theory of Scales of Measurement // Science. 1946. Vol. 103, No. 2684.
Pp. 677–680. URL: http://psychology.okstate.edu/faculty/jgrice/psyc3214/Stevens_FourScales_1946.pdf
(дата обращения: 25.04.2019).
21. Tukey J. W. The Collected Works. Belmont, CA: Wadsworth, 1961. Vol. 3. Pp. 187–389. URL:
https://link.springer.com/chapter/10.1007/978-1-4612-4380-9_31 (дата обращения: 25.04.2019).
22. Ильясов Ф. Н. Шкалы и специфика социологического измерения // Мониторинг общественного
мнения. 2014. № 1 (119). С. 3–16. URL: https://wciom.ru/fileadmin/file/monitoring/2014/119/2014_119_1_
Iliassov.pdf (дата обращения: 25.04.2019).
СОЦИАЛЬНАЯ СТРУКТУРА, СОЦИАЛЬНЫЕ ИНСТИТУТЫ И ПРОЦЕССЫ
300
ИНТЕГРАЦИЯ ОБРАЗОВАНИЯ. Т. 23, № 2. 2019
23. Ванисова И. В. Региональная система мониторинга качества образования в республике Мор-
довия // Интеграция образования. 2010. № 2. C. 19–25. URL: http://edumag.mrsu.ru/content/pdf/10-2.pdf
(дата обращения: 28.06.2018).
24. Шуметов В. Г., Лясковская О. В. О применении количественных методов анализа в прикладных
социологических исследованиях: проблемы и пути их решения // Среднерусский вестник общественных
наук. 2014. № 2. С. 74–84. URL: https://elibrary.ru/item.asp?id=21642753 (дата обращения: 25.04.2019).
25. Kriesberg L. Social Conflicts. N.Y.: Syracuse University Press, 1982. 180 p.
26. Lawley D. N., Maxwell A. E. Factor Analysis as a Statistical Method. 2nd ed. London: Butterworths, 1971.
117 p. URL: https://trove.nla.gov.au/work/10480501?q&versionId=45448769 (дата обращения: 25.04.2019).
27. TenHouten W. D. Dimensional Structures of Human Societies: An Alternative Interpretation of
Agorametrie-Type Survey Results // Sociology Mind. 2018. Vol. 8, No. 2. Pp. 154–167. DOI: 10.4236/
sm.2018.82013
28. van Meter K. M. Studying Survey Interviewers: A Call for Research and an Overview // Bulletin de
méthodologie sociologique. 2005. No. 88. Pp. 51–71. URL: https://journals.openedition.org/bms/810 (дата
обращения: 25.04.2019).
29. Пажес Ж.-П. Конфликты и общественное мнение. Новая попытка объединить социологов
и математиков // Социологические исследования. 1991. № 7. С. 107–115. URL: http://ecsocman.hse.ru/
rubezh/msg/18797587.html (дата обращения: 25.04.2019).
Поступила 14.11.2018; принята к публикации 20.02.2019; опубликована онлайн 28.06.2019.
Об авторах:
Гуляева Татьяна Ивановна, ректор ФГБОУ ВО «Орловский государственный аграрный универ-
ситет» (302019, Россия, г. Орел, ул. Генерала Родина, д. 69), доктор экономических наук, профессор,
ORCID: https://orcid.org/0000-0001-6046-0242, rector@orelsau.ru
Коломейченко Алла Сергеевна, заведующий кафедрой информационных технологий и мате-
матики ФГБОУ ВО «Орловский государственный аграрный университет» (302019, Россия, г. Орел,
ул. Генерала Родина, д. 69), кандидат экономических наук, доцент, ORCID: https://orcid.org/
0000-0001-7200-8819, alla.kolomeychenko@mail.ru
Польшакова Наталья Викторовна, доцент кафедры информационных технологий и математики
ФГБОУ ВО «Орловский государственный аграрный университет» (302019, Россия, г. Орел, ул. Гене-
рала Родина, д. 69), кандидат экономических наук, ORCID: https://orcid.org/0000-0003-3057-063X,
polshakovanv@yandex.ru
Шуметов Вадим Георгиевич, профессор кафедры информационных технологий и математики
ФГБОУ ВО «Орловский государственный аграрный университет» (302019, Россия, г. Орел, ул. Ге-
нерала Родина, д. 69), доктор экономических наук, ORCID: https://orcid.org/0000-0003-1131-2950,
shumetov@list.ru
Яковлев Александр Сергеевич, доцент кафедры информационных технологий и математики
ФГБОУ ВО «Орловский государственный аграрный университет» (302019, Россия, г. Орел, ул. Гене-
рала Родина, д. 69), кандидат экономических наук, ORCID: https://orcid.org/0000-0003-0057-5288,
as290186@yandex.ru
Заявленный вклад авторов:
Гуляева Татьяна Ивановна – общее научное руководство; обеспечение ресурсной базой исследо-
вания; критический анализ текста.
Коломейченко Алла Сергеевна – курирование эксперимента; решение организационных и техни-
ческих вопросов; сбор данных и доказательств; анализ литературных данных.
Польшакова Наталья Викторовна – сбор данных и доказательств; анализ литературных данных;
финальная доработка текста.
Шуметов Вадим Георгиевич – научное руководство исследованием; формирование методологи-
ческой основы исследования и концепции статьи; постановка цели и задач; теоретический анализ
научных подходов; подготовка первоначального варианта текста; анализ литературных данных.
Яковлев Александр Сергеевич – разработка автоматизированной системы анкетирования; сбор
данных и доказательств; проведение эксперимента; формализованный анализ данных.
Все авторы прочитали и одобрили окончательный вариант рукописи.
SOCIAL STRUCTURE, SOCIAL INSTITUTIONS AND PROCESSES 301
INTEGRATION OF EDUCATION. Vol. 23, No. 2. 2019
REFERENCES
1. Shamionov R.M. Criteria of Subjective Personal Well-Being: Socio-Cultural Determinancy. Izvestiya
Saratovskogo universiteta. Ser.: Akmeologiya obrazovaniya. Psikhologiya razvitiya = Saratov University
Newsletter. Ser.: Acmeology of Education. Developmental Psychology. 2015; 4(3):213-218. (In Russ.,
abstract in Eng.) DOI: 10.18500/2304-9790-2015-4-3-213-218
2. Huang Z., Qiu R. G. A Quantitative and Model-Driven Approach to Assessing Higher Education.
Quality in Higher Education. 2016; 22(1):78-95. (In Eng.) DOI: 10.1080/13538322.2016.1147215
3. Lodge J.M., Bonsanquet A. Evaluating Quality in Higher Education: Re-examining the Evidence. Qual-
ity in Higher Education. 2014; 20(1):3-23. (In Eng.) DOI: 10.1080/13538322.2013.849787
4. Fomina E.E. The Review of Software Used in Sociological Research. Sotsiosfera = Sociosphere.
2016; (2):99-102. Available at: http://oaji.net/articles/2016/1834-1467117845.pdf (accessed 27.04.2019).
(In Russ., abstract in Eng.)
5. Fomina E.E. Application of Factor Analysis for Processing the Survey Results. Sotsiosfera = So-
ciosphere. 2016; (3):122-127. Available at: http://oaji.net/articles/2016/1834-1481805159.pdf (accessed
27.04.2019). (In Russ., abstract in Eng.)
6. Fomina E.E. Factor Analysis and Categorial Principal Component Analysis: Comparative Analysis and
Practical Application for Processing of Questionnaire Survey Results. Gumanitarnyy vestnik = Humanitarian
Bulletin. 2017; 10. (In Russ., abstract in Eng.) DOI: 10.18698/2306-8477-10-473
7. Fomina E.E., Zhiganov N.K. Methodology of Survey Results Processing with the Use of Multivariate
and Parametric Statistics. Vestnik Permskogo natsionalnogo issledovatelskogo politekhnicheskogo univer-
siteta. Sotsialno-ekonomicheskie nauki = Perm National Research Polytechnic University Bulletin. Socio-
Economic Sciences. 2017; (1):106-115. (In Russ., abstract in Eng.) DOI: 10.15593/2224-9354/2017.1.9
8. Baranov V.V., Belonovskaya I.D., Chepasov V.I. [Factor Analysis as a Toolkit of Pedagogical Knowl-
edge About the Self-Development of a Student at the University Complex]. Vestnik OGU = OGU Bulletin.
2012; (2):21-27. Available at: http://vestnik.osu.ru/2012_2/4.pdf (accessed 27.04.2019). (In Russ.)
9. Baranov V.V. Competitive Resource of a University Complex as Factor of the Student Self-Develop-
ment]. Sovremennye problemy nauki i obrazovaniya = Modern Problems of Science and Education. 2012;
(5). Available at: http://www.science-education.ru/ru/article/view?id=6953 (accessed 27.04.2019). (In Russ.)
10. Demchenko S.G., Yusupova G.R. The Use of Method of Component Analysis for Showing up the
Peculiarities of Image of Ideal University. Universitetskoye upravleniye: Praktika i analiz = University Man-
agement: Practice and Analysis. 2009; (1):84-91. Available at: https://www.umj.ru/jour/article/view/758/759
(accessed 27.04.2019). (In Russ., abstract in Eng.)
11. Yusoff M., Mcleay F., Woodruffe-Burton H. Dimensions Driving Business Student Satisfaction in Higher
Education. Quality Assurance in Education. 2015; 23(1):86-104. (In Eng.) DOI: 10.1108/QAE-08-2013-0035
12. Jehn K.A. A Multimethod Examination of the Benefits and Determinants of Intragroup Conflict.
Administrative Science Quarterly. 1995; 40(2):256-282. (In Eng.) DOI: 10.2307/2393638
13. Mulaik S.A. The Foundation of Factor Analysis. NY: McGraw Hill; 1972. (In Eng.)
14. Davydov A.А. [Mathematical Sociology: A Review of Foreign Experience]. Sotsiologiches-
kiye issledovaniya = Sociological Studies. 2008; (4):105-111. Available at: http://ecsocman.hse.ru/
data/898/067/1217/016_davydov.pdf (accessed 27.04.2019). (In Russ.)
15. Bessokirnaya G.P. [Factor Analysis: Traditions of Use and New Opportunities] Sotsiologiya:
4M = Sociology: 4M. 2000; (12):142-153. Available at: http://jour.isras.ru/index.php/soc4m/article/
view/3943/3679 (accessed 25.04.2019). (In Russ.)
16. Maltseva A.V., Shilkina N.Ye., Makhnytkina O.V. Data Mining Sociology: Experience and Outlook
for Research. Sotsiologicheskiye issledovaniya = Sociological Studies. 2016; (3):35-44. Available at: http://
socis.isras.ru/en/article/6098 (accessed 25.04.2019). (In Russ., abstract in Eng.)
17. Tolstova Yu.N., Voronina N.D. [On the Need to Expand the Concept of a Sociological Dimen-
sion]. Sotsiologicheskiye issledovaniya = Sociological Studies. 2012; (7):67-77. Available at: http://ecsocman.
hse.ru/data/2012/11/12/1251376230/Tolstova.pdf (accessed 25.04.2019). (In Russ.)
18. Orlov A.I. [The Theory of Measurement as Part of Data Analysis Methods: Reflections on the Transla-
tion of an Article by P.F. Velleman and L. Wilkinson]. Sotsiologiya: 4M = Sociology: 4M. 2012; (35):155-174.
Available at: http://jour.isras.ru/index.php/soc4m/article/view/3740/3501 (accessed 25.04.2019). (In Russ.)
19. Velleman P.F., Wilkinson L. [Typologies of Nominal, Ordinal, Interval, and Relative Scales Are
Misleading]. Sotsiologiya: 4M = Sociology: 4M. 2011; (33):166-193. Available at: http://jour.isras.ru/index.
php/soc4m/article/view/3725 (accessed 25.04.2019). (In Russ.)
СОЦИАЛЬНАЯ СТРУКТУРА, СОЦИАЛЬНЫЕ ИНСТИТУТЫ И ПРОЦЕССЫ
302
ИНТЕГРАЦИЯ ОБРАЗОВАНИЯ. Т. 23, № 2. 2019
20. Stevens S.S. On the Theory of Scales of Measurement. Science. 1946; 103(2684):677-680. Available at:
http://psychology.okstate.edu/faculty/jgrice/psyc3214/Stevens_FourScales_1946.pdf (accessed 25.04.2019).
(In Eng.)
21. Tukey J.W. The Collected Works. Belmont: Wadsworth; 1961. Vol. 3. P. 187-389. Available at: https://
link.springer.com/chapter/10.1007/978-1-4612-4380-9_31 (accessed 25.04.2019). (In Eng.)
22. Ilyasov F.N. Scales and Specific Sociological Measurement. Monitoring obshchestven-
nogo mneniya = Monitoring of Public Opinion. 2014; (1):3-16. Available at: https://wciom.ru/
leadmin/le/monitoring/2014/119/2014_119_1_Iliassov.pdf (accessed 25.04.2019). (In Russ., abstract in Eng.)
23. Vanisova I.V. [Regional System for Monitoring the Quality of Education in the Republic of Mor-
dovia]. Integratsiya obrazovaniya = Integration of Education. 2010; (2):19-25. Available at: http://edumag.
mrsu.ru/content/pdf/10-2.pdf (accessed 28.06.2018). (In Russ.)
24. Shumetov V. G., Lyaskovskaya O. V. Application of Quantitative Analysis Methods in Applied Social
Research: Challenges and Solutions. Srednerusskiy vestnik obshchestvennykh nauk = Central Russian Bul-
letin of Social Sciences. 2014; (2):74-84. Available at: https://elibrary.ru/item.asp?id=21642753 (accessed
25.04.2019). (In Russ., abstract in Eng.)
25. Kriesberg L. Social Conflicts. N.Y.: Syracusae University Press; 1982. (In Eng.)
26. Lawley D.N., Maxwell A.E. Factor Analysis as a Statistical Method. 2nd ed. London: Butterworths; 1971.
Available at: https://trove.nla.gov.au/work/10480501?q&versionId=45448769 (accessed 25.04.2019). (In Eng.)
27. TenHouten W.D. Dimensional Structures of Human Societies: An Alternative Interpretation of Ago-
rametrie-Type Survey Results. Sociology Mind. 2018; 8(2):154-167. (In Eng.) DOI: 10.4236/sm.2018.82013
28. van Meter K.M. . Studying Survey Interviewers: A Call for Research and an Qverviev. A Bulletin
de méthodologie sociologique. 2005; (88):51-71. Available at: https://journals.openedition.org/bms/810 (ac-
cessed 25.04.2019). (In Eng.)
29. Pazhes J.-P. [Conflicts and Public Opinion. New Attempt to Unite Sociologists and Mathemati-
cians]. Sotsiologicheskiye issledovaniya = Sociological Studies. 1991; (7):107-115. Available at: http://
ecsocman.hse.ru/rubezh/msg/18797587.html (accessed 25.04.2019). (In Russ.)
Submitted 14.11.2018; revised 20.02.2019; published online 28.06.2019.
About the authors:
Tatyana I. Gulyaeva, Rector of Orel State Agrarian University (69 General Rodin St., Orel 302019,
Russia), Dr.Sci. (Economics), Professor, ORCID: https://orcid.org/0000-0001-6046-0242, rector@orelsau.ru
Alla S. Kolomeychenko, Head of Chair of Information Technologies and Mathematics, Orel State
Agrarian University (69 General Rodin St., Orel 302019, Russia), Ph.D. (Economics), Associate Professor,
ORCID: https://orcid.org/0000-0001-7200-8819, alla.kolomeychenko@mail.ru
Natalya V. Polshakova, Associate Professor of Chair of Information Technologies and Mathematics,
Orel State Agrarian University (69 General Rodin St., Orel 302019, Russia), Ph.D. (Economics), ORCID:
https://orcid.org/0000-0003-3057-063X, polshakovanv@yandex.ru
Vadim G. Shumetov, Professor of Chair of Information Technologies and Mathematics Orel State
Agrarian University (69 General Rodin St., Orel 302019, Russia), Dr.Sci. (Economics), ORCID: https://
orcid.org/0000-0003-1131-2950, shumetov@list.ru
Aleksandr S. Yakovlev, Associate Professor of Chair of Information Technologies and Mathematics,
Orel State Agrarian University (69 General Rodin St., Orel 302019, Russia), Ph.D. (Economics), ORCID:
https://orcid.org/0000-0003-0057-5288, as290186@yandex.ru
Contribution of the authors:
Tatyana I. Gulyaeva – general supervision; providing the resource base for research; text analysis.
Alla S. Kolomeychenko – supervising the experiment; solving organizational and technical issues; data
collection and evidence; literary data analysis.
Natalya V. Polshakova – collection of data and evidence; analysis of literature data; nal revision of the text.
Vadim G. Shumetov – scientific management of research; formation of the methodological basis of the
research and the concept of the article; formulation of goals and objectives; theoretical analysis of scientific
approaches; writing the draft; literary data analysis.
Aleksandr S. Yakovlev – development of the automated questionnaire system; collection of data and
evidence; conducting an experiment; formalized data analysis.
All authors have read and approved the final manuscript.
