1

Пронин Александр Сергеевич, старший преподаватель кафедры менеджмента НИУ ВШЭ – Санкт-Петербург, aspronin@hse.ru Веретённик Елена Вадимовна, преподаватель и аспирант кафедры менеджмента НИУ ВШЭ – Санкт-Петербург, veretennik@hse.ru Семенов Александр Владимирович, (Social | Network | Data) Analyst, semenoffalex@gmail.com

ФОРМИРОВАНИЕ УЧЕБНЫХ ГРУПП В УНИВЕРСИТЕТЕ С

ПОМОЩЬЮ АНАЛИЗА СОЦИАЛЬНЫХ СЕТЕЙ

Работа на конкурс научных работ молодых ученых

В данной работе представлен и протестирован алгоритм реорганизации структуры

студенческих учебных групп за счет использования методологии анализа социальных сетей

(social network analysis), в частности – алгоритма кластеризации Ньюмана. В отличии от

стандартных для учебных частей и преподавателей процедур формирования групп - псевдо-

случайной группировки по признакам географической, гендерной или «последовательной»

принадлежности, на базе одного из факультетов НИУ ВШЭ был проведен эксперимент по

включению в основания деления на группы нового критерия – сложившихся за время

обучения дружеских и деловых связей (в данном случае речь идет исключительно о связях

по учебным вопросам). Сравнение полученных за последующие 1,5 года рейтинговых

оценок успеваемости студентов экспериментальной и контрольной групп показывают

существенный рост среднего балла для участников групп, сформированных с учетом

межличностных оценок и взаимодействия. Таким образом, предлагаемый метод группировки

может выступать решением для проблемы группировки в ситуациях естественного убывания

студентов в результате отчисления или перевода, в проектных командах (в рамках

исследовательских курсов или научных лабораторий) с перспективой повышения среднего

уровня усвоения материала и учебной мотивации.

2

Постановка проблемы исследования

Необходимость реформировать студенческие учебные группы, с которой

сталкиваются администрации факультетов и профессорско-преподавательский состав,

является вполне закономерной и может быть обусловлена следующими причинами:

● естественным «убыванием» студентов в результате отчисления или перевода;

● техническими требованиями (вступление в силу нового положения,

устанавливающего минимальный размер группы);

● форматом образовательной технологии (актуально для курсов -

исследовательских проектов, в рамках которых студенты работают в рабочих

командах).

Традиционным организационным решением в подобных ситуациях была псевдо-

случайная группировка студентов по признакам географической (“иногородний/местный” -

на макроуровне, вид и наименование учебного заведения среднего образования - на

микроуровне), гендерной (“равное количество девочек/мальчиков”), «последовательной» (в

соответствии с порядковым номером студента в рабочей ведомости) принадлежности. В

данной работе представлен результат эксперимента по включению в основания деления на

группы нового критерия – сложившихся за время обучения дружеских и деловых связей (в

данном случае речь идет исключительно о связях по учебным вопросам).

Основываясь на положениях т.н. “закона Хоманса”, мы предполагаем, что за период

обучения у студентов складываются деловые и дружеские связи, представляющие собой

доверительные отношения и сети регулярных обменов: “...если собрать вместе группу людей

и заставить их взаимодействовать, например, заниматься одной и той же работой в одном

месте или жить в одной и той же деревне или на одной улице, то она станет согласованной

группой. Они (индивиды примечание авторов) разовьют групповую культуру, которой не

было до этого, и ее стандарты поведения закрепятся во взаимодействии людей”[1, c. 146].

Значимость дружественной (социально комфортной) обстановки для группового обучения (в

особенности - его результативности) неоднократно подчеркивалась - как для

профессионального образования[8; 9; 21], так и для более ранних форм обучения (школа,

университет). С теоретической точки зрения, группы с более крепкими дружескими связями

обладают определенными преимуществами: повышенный потенциал к кооперации,

сосредоточенности на групповых задачах, быстрое распространение информации [3; 9].

Следовательно, ключевым критерием качества при перераспределении студентов в новые

группы должно выступать сохранение социальной структуры отношений, которая сложилась

за прошедшие годы. Мы склонны полагать, что использование методологии анализа

3

социальных сетей (social network analysis, SNA) является оптимальным решением для данной

проблемы.

Анализ социальных сетей успешно использовался для решения целого спектра задач

по изучению социального взаимодействия в политических и социальных науках,

компьютерных технологиях, образовании. Возможности использования SNA в

образовательном контексте подтверждаются различными независимыми исследованиями

[11; 15; 22]. Одним из прикладных аспектов SNA является формирование или

перераспределение малых групп в университетах, равно как и в любых других организациях,

где руководство сталкивается с необходимостью соблюдения не просто технических условий

(будь то равное количество человек в группах или же их простое однообразие, например,

гендерное или возрастное), но и социальных, связанных со структурой и условиями

взаимодействия в рамках достижения индивидуальных результатов.

Традиционным организационным решением в подобных ситуациях была псевдо-

случайная группировка студентов по признакам географической (“иногородний/местный” -

на макроуровне, вид и наименование учебного заведения среднего образования - на

микроуровне) и гендерной (“равное количество девочек/мальчиков”) принадлежности. В

качестве эксперимента в данном исследовании было предложено включить в основания

деления на группы сложившиеся у студентов за 2 года обучения дружеские и деловые связи

(в данном случае речь идет исключительно о связях по учебным вопросам) для сохранения

комфортных условий дальнейшего обучения. Замечание о важности “дружественного”

фактора в учебных группах не является случайным [14; 23]. К примеру, обращаясь к

оригинальному образовательному стандарту высшего профессионального образования по

направлению подготовки бакалавра 080200.62 “Менеджмент”, мы можем отметить

требование к обязательному развитию компетенций, связанных с коммуникативными

навыками и умением работать в команде1. Ньюкомб (Newcomb) и Бэгвелл (Bagwell) считают

[17] наличие друзей в учебной группе основанием для больших возможностей приобретения

и развития навыков, связанных с социальным, эмоциональным и умственным развитием.

Лэдд (Ladd) отмечает [13], что дружественная обстановка в группе выступает в качестве

важного источника партнерских отношений и взаимовыручки, которые помогают студентам

справляться с вызовами окружающей учебной среды. Установление дружеских отношений

между участниками учебной группы также является и признаком социальной включенности

(social participation). Фармер (1996) и Шапиро (2001) отмечают, что сплоченные учебные

1

ОК-13 “Способен налаживать и поддерживать социальные взаимоотношения в мультикультурной среде современного общества”; ПК-5 “Способен использовать знания о работе с коллективами людей и отдельными работниками в управленческой деятельности”; ПК-11 “Способен к анализу и проектированию межличностных, групповых и организационных коммуникаций” [27]

4

коллективы становятся существенной площадкой для успешной социализации и

индивидуального развития. Доказанные положительные эффекты дружественности учебных

коллективов (и наличие негативных эффектов отсутствия сплоченности в группе) позволяют

нам предложить, что включение критерия “дружественности” в качестве ключевого

критерия разделения студентов по группам является обоснованным.

В этой статье мы опишем наш подход к решению задачи по переформированию

студенческих учебных групп в ситуации уменьшения их количества, на основе результатов

исследования, проведенного в мае - сентябре 2012 года для Факультета менеджмента НИУ

ВШЭ - Санкт-Петербург (далее Факультет). В конце очередного учебного года

администрация Факультета столкнулась с подобной задачей, а именно: на втором курсе

бакалавриата количество студентов в каждой из четырех учебных групп (направление

080200.62 “Менеджмент”) приближалось к критически малому значению, при котором

существование каждой из группы было бы проблематичным (в данном случае мы

рассматриваем исключительно организационно-административный аспект). Факторами,

которые обусловили необходимость уменьшения количества студенческих учебных групп на

факультете, выступили:

● снижение численности обучающихся на одном из курсов бакалавриата к концу

второго года обучения на почти 20% (с 96 до 78 студентов);

● вступление в силу внутриуниверситетского положения, устанавливающего

минимальный размер учебной группы - 25 человек.

Таким образом, задача исследования, сформулированная администрацией Факультета,

состояла в следующем: сформировать на основе имеющихся четырех учебных групп второго

курса бакалавриата (группы A-D) новые 3 группы (см. Рис. 1). Главным условием для

осуществление перегруппировки выступало сохранение сложившихся дружеских и деловых

отношений между студентами. Также, технические требования к результатам исследования

касались равного по количеству размера новых групп (N=26 студентов) и эквивалентного

уровня академической успеваемости (измерялась по среднему баллу рейтинга успеваемости

5

студентов за семестр - S).

Рисунок 1 - Визуализация задачи переформирования учебных групп факультета

менеджмента

Ожидаемым результатом исследования должны были стать несколько вариантов

списков трех обновленных студенческих учебных групп. Требование относительно

вариативности финального решения появилось неслучайно. Использование стратегии

“выигрыш-выигрыш” при учете интересов и пожеланий относительно партнеров по учебной

группе для всех студентов практически невозможно. Это связано как с многомерностью

социальных параметров, которые должны учитываться при решении подобных задач, так и с

ограничениями используемых методов. В связи с этим, возникает сложность в

предоставлении однозначного и устраивающего всех студентов решения. А это, в свою

очередь, означает, что наиболее достоверным и репрезентативным будет являться набор

разных списков новых учебных групп, полученных с использованием методологии анализа

социальных сетей.

Следует обратить внимание на немаловажную особенность SNA в отношении

объектов исследования: для студентов невозможность учесть всё многообразие их

предпочтений при формировании новых групп частично компенсируется непосредственным

участием в тех изменениях, которые неизбежно сопутствуют процессу перегруппировки. За

счет прозрачности процедуры исследования, последующей открытой презентация

результатов и обоснованного выбора администрацией Факультета для решения

организационных задач (в качестве основания для перегруппировок) анализа реальных

6

многомерных социальных связей студентов позволили свести к минимуму возможные

негативные последствия сокращения числа учебных групп.

2 Методология исследования

2.1 Характеристика объекта исследования

Объектом перегруппировки выступают 4 студенческие группы 2 курса направления

подготовки бакалавров “Менеджмент”. Минимальный размер группы составил 18 человек, а

максимальный - 22. Итоговый объем выборки составил 67 человек (85% от общего

количества студентов, обучавшихся на этом курсе). Все респонденты были

проинформированы о целях проведения исследования и дали свое согласие на публикацию

результатов.

2.2 Сбор первичных данных

Для сбора первичных данных и для последующего сетевого анализа был использован

один из наиболее известных и популярных методов [10]- “взаимной номинации” (reciprocal

nomination method). В соответствии с целями исследования, использовались вопросы,

косвенно характеризующие связи (привязанности) между студентами курса. Ответы на такие

вопросы показывают студенческие оценки дружественных взаимосвязей и существующие

субгруппы студентов [7, 25].

Социометрическая анкета, использованная для данного исследования включал

косвенные вопросы для определения 5 индикаторов различного типа отношений/выборов как

между членами конкретной учебной группы, так и на курсе в целом (cм. рисунок 2). В

качестве ответов на вопросы респонденты могли указывать всех студентов своего курса (не

только тех, кто присутствовал в момент сбора данных). Предполагалось, что подобное

условие позволит получить более полную картину о дисперсии различных

отношений/выборов между студентами. Количество возможных ответов было ограничено 5

[24]. Все оценки сетевых статистик производились в программе ORA (версия 2.2.8).

Распределение индикаторов по типу агентов и структуре отношений между ними

(внутри группы или между группами) производилось следующим образом:

● Вопросы 1 и 2 — оценка сплоченности (cohesion) и характеристик доверия внутри

каждой конкретной группы. Под сплоченностью в данном случае понимается

стремление группы совместно осуществлять реализацию определенной цели или

эмоционально поддерживать своих участников.

● Вопросы 3, 4 и 5 — оценка межличностных отношений в рамках учебных практик на

курсе в целом. Данные по этим вопросам могут использованы для определения

учебных “кластеров” на курсе, которые сформировались за время совместного

7

обучения. Для измерения “качества” учебных кластеров, образованных за счет

используется коэффициент модулярности (modularity index), который показывает

процент связей участников группы, находящихся "внутри" этого кластера [2; 18]. Чем

выше значение коэффициента модулярности, тем ярче выражен уровень

кластеризации сообщества.

Рисунок 2 - Социометрическая анкета

2.3 Алгоритм формирования новых учебных групп: тестирование стратегии “слабого

звена”

8

Рисунок 3 - Алгоритм проведения процедуры реорганизации студенческих учебных групп на

примере одного из факультетов НИУ ВШЭ

9

На рисунке 3 представлен алгоритм проведения процедуры реорганизации учебных

групп, который использовался в процессе построения нового набора групп. Для решения

поставленной задачи предполагалось использовать стратегию “слабого звена”. Ключевая

идея такой стратегии - осуществить выбор наименее целостной, четко разделенной на

автономные, плохо связанные друг с другом кластеры (подгруппы), учебной группы и

дополнить выделенными кластерами существующие 3 учебные группы.

Поиск наименее “дружной” группы осуществляется по двум условиям:

● графическому анализу визуализации сетевых взаимодействий (графов): оценка

внутренней (in-degree centrality) и внешней центральности (out-degree centrality).

Внутренний коэффициент показывает количество выборов, которые направлены на

определенного участника группы (сети), а внешний - количество выборов, которые

осуществляет сам участник.

● расчету и поиску минимального из значений коэффициента реципрокности

(взаимности) связей сети, который характеризует процент взаимных связей в учебной

группе (взаимных выборов). Одной из наиболее часто используемых формул расчета

коэффициента взаимности является следующая:

r = e ⇔/E

где e ⇔ - количество двусторонних (взаимных) выборов (ребер в графе-сети), Е - общее

количество выборов в данной сети (в нашем примере - учебной группе) [19].

Коэффициент реципрокности принимает значение 0 ≤ r ≤ 1, при этом минимальному

уровню соответствует группа, в которой отсутствуют взаимные выборы, т.е. наименее

“дружная” (сплоченная) учебная группа;

● расчету и поиску минимального из значений коэффициента кластеризации, который

показывает тенденцию графа быть разделённым на группы (кластеры). Кластер –

подмножество вершин (участников сети - студентов), которое содержит множество

ребер, соединяющих эти вершины друг с другом (взаимные/невзаимные выборы,

характеристика отношений). Коэффициент кластеризации в сети (графе) равен

,

где N = является количеством вершин, i – вершина со степенью deg(i) = k, е - количество

ребер между k соседей вершины i [12].

Коэффициент кластеризации принимает значения 0 ≤ Ci ≤ 1. Чем ближе значение

коэффициента кластеризации к 1, тем более вероятно, что данная сеть стремится стать

10

“кликой” (clique) (т.е. все участники - вершины связаны ребрами, или максимально

взаимодействуют друг с другом). В общем виде, коэффициент кластеризации показывает

вероятность, с которой два студента, которые активно взаимодействуют с третьим, будут

также взаимодействовать между собой. Соответственно, чем ближе значение коэффициента

к 0, тем более вероятно, что в существующей сети нет кластеров и вершины практически не

связаны (отсутствует взаимодействие, группа не является “сплоченной”).

Расчет соответствующих коэффициентов осуществляется по данным,

соответствующим вопросам на групповое взаимодействие и сплоченность - вопросы 1 и 2.

Учебная группа, которая соответствует обоим указанным условиям, признается “слабым

звеном” и используется в качестве основания для дополнения оставшихся 3 групп до

установленного размера. Используя оценки межличностных отношений на курсе в целом

(вопросы 3-5), мы присоединяем обособленные кластеры группы - “слабого звена” к группе,

с которой у студентов каждого кластера наблюдается максимальное количество и

взаимность выборов. Таким образом, формируем несколько вариантов дополнения исходных

3 учебные группы до установленного размера - 26 человек.

Отметим, что сохранение целостности максимального количества групп выступает в

качестве одного из ключевых достоинств стратегии “слабого звена”. Такую стратегию

возможно использовать не только для задачи формирования учебных групп на уровне

факультета из-за естественного убывания студентов, но и для реорганизации групп для

посещения факультативных занятий или занятий, требующих обязательного разделения на

подгруппы (иностранные языки, компьютерные технологии и т.п.). В тоже время такое

разделение оставляет за собой риск сохранения автономии выделенных кластеров после

присоединения к другим группам, что, в конечном итоге, может снизить уровень

сплоченности учебного коллектива. Способствовать последнему также может и основная

идея стратегии - дискриминация (уничтожение) одной из групп, которая при отсутствии

должного информационного сопровождения (поддержки, разъяснения) может привести к

возникновению недопонимания и конфликтов между администрацией факультета и

студентами расформированной группы.

В поставленной задаче использование стратегии “слабого звена” по установленным

критериям оказалось несообразным. Прежде всего, за счет функций ORA были построены

графические отображения каждой из 4 начальных групп: каждому узлу (вершине)

соответствует один из студентов группы, каждой взаимосвязи (ребру) - выбор студента в

отношении коллег (ответы на вопрос 1 и 2). Полученные структуры группы, с цветовой

дифференциацией отдельных кластеров внутри каждой группы, представлены в таблице 1.

11

Группа 1 Группа 2 Группа 3 Группа 4

Таблица 1 - Графическое отображение групповой структуры первоначальных групп

Изображения структуры отношений наглядно демонстрируют уровень сплоченности

учебных групп: во всех группах присутствует от 3 до 4 кластеров (подгрупп) разной степени

внутренней центральности, в двух группах также присутствуют и полностью изолированные

узлы (студенты). Можно отметить, что в группе 1, в отличие от остальных, присутствовал

изолированный от остальной части учебного коллектива кластер студентов. Данное

наблюдение позволяет предположить, что именно эта группа может являться “слабым

звеном”, которое будет расформировано для дополнения групп 2, 3 и 4. Для подтверждения

этой гипотезы необходимо провести в ORA расчет коэффициентов реципрокности

(взаимности) и кластеризации для каждой из 4 групп (таблица 2) по вопросам 1 и 2 (столбцы

в таблице закодированы соответственно номеру вопроса Х_1 или Х_2, где Х - номер

группы).

Коэффициенты 221_1 221_2 222_1 222_2 223_1 223_2 224_1 224_2

Количество выборов (ребер) 63.000 48.000 60.000 46.000 74.000 58.000 58.000 49.000

Плотности сети (density) 0.206 0.157 0.175 0.135 0.160 0.126 0.170 0.143

Коэффициент реципрокности

0.575 0.333 0.500 0.533 0.423 0.349 0.611 0.531

Коэффициент кластеризации

0.637 0.348 0.485 0.296 0.454 0.351 0.519 0.391

Таблица 2 - Сетевая статистика (расчет коэффициентов взаимности и кластеризации)

Расчет показателей, тем не менее, не позволяет дать однозначного ответа

относительно наличия единственного “слабого звена” среди групп. Группа 1, при том, что

содержит обособленный кластер, демонстрирует одно из самых высоких значений

коэффициента взаимности по данным вопроса № 1 - 0,575, а, значит, 57,5% всех выборов в

этой группе являются взаимными и группу можно считать более “сплоченной”, чем,

например, группу 3, у которой процент взаимности равен 42%. Максимальное значение

12

коэффициент реципрокности достигает у группы 4 (61,1%). Для вопроса № 2 (доверие в

группе) значение коэффициента по всем группам меньше значения для вопроса № 1, и,

соответственно, уровень взаимного доверия в группах ниже уровня активности (учебных

взаимодействий). Схожая ситуация наблюдается и при анализе значений коэффициента

кластеризации - для первой группы он принимает максимальное значение среди

первоначальных групп курса - 0,637, что говорит о наличии тенденции к созданию клики,

т.е. высокому уровню внутригруппового взаимодействия. Минимальное значение

коэффициент кластеризации принимает для группы 2 в вопросе на оценку внутригруппового

уровня доверия (вопрос №2). Таким образом, в отсутствие единственного выбора группы -

“слабого звена” стратегия оказывается несостоятельной для данного случаю, в связи с чем

возникает необходимость разработать и протестировать иной подход, обратный описанному

выше.

2.4 Стратегия “плавильного котла”: описание и тестирование

В отличие от первого варианта решения, стратегия “плавильного котла” предполагает

действие от общего у частному - реформирование всех четырех групп курса (т.е. всего

потока студентов 2 курса) в абсолютно новые кластеры на основании их оценок учебного

взаимодействия (вопросы № 3-5 анкеты). Для определения структуры отношений в

некотором сообществе используется множество вариаций метода кластеризации. Одним из

наиболее часто употребимых [18, c. 7821] вариантов является иерархическая кластеризация.

Суть этого метода состоит в упорядочивании участников сети, в роли которой может

выступать и учебное сообщество, на отдельные кластеры на основании значения показателя

прочности взаимосвязи между отдельными парами участников (узлов). Стратегия

“плавильного котла” предполагает, что вместо того, чтобы выбирать узлы с наибольшей

промежуточной центральностью (betweenness centrality) и уже на их основе строить

кластеры, нам необходимо сделать опрос для студентов всех групп, таким образом

используются углы с минимальной центральностью, т.е. те, что находятся в самой середине

между различными кластерами. В общем виде алгоритм Ньюмана выглядит следующим

образом:

1. Расчет значения показателя срединной центральности для всех участников сети

(учебного курса). Коэффициент центральности оценивает влиятельность (значимость)

узлов сети (студентов или преподавателей) и рассчитывается как длина самого

короткого пути между другими узлами, который проходит через первый узел. Этот

показатель показывает силу воздействия узлов (студентов) на различные

13

информационные потоки В данной работе расчеты значений проводились по

обработанным данным в программе ORA.

2. Удаление ребра (связи) с самым высоким значением показателя центральности;

3. Перерасчет показателя центральности для всех ребер, которые были связаны с

удаленным;

4. Повторить пункт 2 до тех пор, пока не останется ли 1 ребра (взаимосвязи).

Для второй стратегии мы использовали данные по вопросам 3 и 4 поскольку между ними

был наиболее высокий коэффициент сетевой корреляции [28] (QAP correlation) = 0,618.

В процессе кластеризации требуется единственный набор данных, в связи с чем актуальным

становится выбор наиболее значимого вопроса. Критерием значимости в данном случае

выступает значение коэффициента модулярности (modularity). Коэффициент модулярности в

последние годы все активнее [см. подробнее 4;5;6;16;26] используют в рамках процесса

решения задачи разделения сети на несколько сообществ (кластеризации графов) для

определения качества итогового деления. В сетях с высокой модулярностью сильны

взаимосвязи между узлами (участниками) внутри кластера, но существенно ослаблены

между узлами разных кластеров. Для ситуации с учебными группами высокая модулярность

свидетельствует о правильном соблюдении основного условия задачи перегруппировки -

максимального уровня внутригруппового взаимодействия. Подсчитанной с помощью

программного пакета ORA значение M4>M3 (0,521>0,451), а это значит, что кластеры (новые

учебные группы), образованные с использованием алгоритма Ньюмана по данным вопроса 4,

представляют собой более “сплоченные” коллективы, чем аналогичные, созданные по

данным вопроса 3. Таким образом, в качестве основы для следующего этапа формирования

групп выбираются кластеры по вопросу 4.

В результате кластеризации, из имеющихся 4 групп (A (18), B (19), C (22), D (19))

были получены новые 3 группы-кластеры (G1 (32), G2 (24), G3 (17)). Поскольку алгоритм не

позволяет контролировать размер получаемых групп, итоговая численность групп была

вручную выровнена с учетом данных о межличностном взаимодействии (вопросы 1 и 2).

Итоговые значения размеров групп соответствуют заданным условиям: G1=G2=G3 = 26,

Графическое изображение процесса формирования новых групп в рамках алгоритма

Ньюмана представлено на рисунке 4.

14

Рисунок 4 - Преобразование полученных по алгоритму Ньюмана кластеров в учебные

группы с предустановленными характеристиками численности

В качестве достоинств данной стратегии отмечена возможность максимально учесть

выборы/пожелания членов всех групп, за счет чего нивелируются недостатки

предшествующего административного деления на группы. При этом, из-за допущенных

упущений в процессе составления анкеты и проведении социометрического теста

невозможно было учесть в полной мере пожелания студентов по всему курсу. Так, выборы

студентов в отношении группы 5, другого направления обучения, но принадлежащей к этому

же набору (курсу), были исключены из анализа, хотя и присутствовали в начальном массиве

данных, что было связано с тем, что группа 5 в реорганизации не участвовала. Вторым

“узким” положением стратегии является безусловно и тот факт, что происходит

существенное изменение состава групп, последствия которого слабо предсказуемы для

образовательного процесса.

3. Оценка эффектов перегруппировки

Эффективность проведенной кластеризации и перегруппировки можно оценить в том

числе при помощи сравнения средних оценок студентов (данные рейтингов академической

успеваемости до и после перегруппировки) в «новых» и «контрольных» группах. Под

“новыми” мы понимаем группы, которые были получены благодаря использованию SNA на

2 курсе факультета менеджмента. В качестве “контрольных” групп мы рассматриваем

учебные группы по сходному направлению и уровню обучения, которые в аналогичный

15

период были переформированы без использования SNA (группы второго курса бакалавриата

другого факультета НИУ ВШЭ - СПб).

Изменение социальной структуры (как состава, так и размера) учебных групп при

условии, что последнее является одним из факторов продуктивной работы студентов, может

приводить к негативным последствиям. Мы полагаем, что в качестве позитивного результата

может рассматриваться как сохранение прежнего уровня успеваемости, так и его повышение.

Поэтому мы использовали различные параметры “новых” и “контрольных” групп,

включающие не только успеваемость, но и изменение позиции в рейтинге. Отметим, что при

сравнении использовались как текущий, так и кумулятивный рейтинги. Отличие первого от

второго заключается в использовании итоговых оценок, которые получены после

дополнительной сессии, а также с учетом факультативных курсов.

Прежде всего, мы можем наблюдать положительную стабильную динамику

количества студентов, повысивших свой средний балл по кумулятивному рейтингу (по

итогам 2 и 3 годов обучения). Более того – если для контрольной группы рост среднего балла

в течение 2 и 3 годов обучения является несущественным (колебание от 0,44 до 0,49), то для

групп, сформированных за счет сетевого анализа, мы можем зафиксировать более чем

трехкратный рост среднего балла (от 0.24 до 1) за следующий после группировки год

обучения (см. таблицы 3 и 4).

Спустя 1 семестр

после перегруппировки

Спустя 2 семестра после перегруппировки

Спустя 1 учебный год после перегруппировки (включая

период дополнительной сессии)

% студентов, демонстрировавших рост средней оценки по кумулятивному

рейтингу

57% 37% 42%

% студентов, демонстрировавших

рост позиции в кумулятивном

рейтинге

35% 68% 52%

Таблица 3 - Динамика роста среднего балла и позиции в рейтинге для

реорганизованных групп

Тип группировки Спустя 1 семестр после перегруппировки

Спустя 2 семестра после

перегруппировки

Спустя 1 учебный год после перегруппировки

(включая период дополнительной

сессии)

% студентов, демонстрировавших рост средней оценки по кумулятивному

рейтингу

Значение прироста оценки,

балл

% студентов, демонстрировавших рост средней оценки по кумулятивному

рейтингу

Значение прироста оценки,

балл

% студентов, демонстрировавших рост средней оценки по кумулятивному

рейтингу

Значение прироста оценки,

балл

16

Анализ социальных сетей 48% 0,24 48% 0,84 48% 1

Традиционный 35% 0,49 68% 0,44 52% 0,45

Косвенно об эффективности работы алгоритма и нивелировании проблемы учета всех

пожеланий студентов, может свидетельствовать и небольшое количество заявлений, которые

поступили от студентов с просьбой о переводе в другую группу (5 на курс).

Заключение

Предлагаемый метод также может выступать решением для проблемы группировки

проектных команд в учебных курсах, предполагающих подготовку и реализацию

полноценного исследовательского проекта. Полученные оценки эффективности проведенной

группировки дают нам возможность предположить перспективу повышения среднего уровня

усвоения материала (приобретения компетенций по стандарту) при повышении среднего

балла (успеваемости) при осуществлении группировки по заданному алгоритму.

При этом надо отметить и возможные ограничения анализ социальных связей в

качестве основания для группировки: невозможность учесть все пожелания (выборы),

трансакционные затраты, связанные с полной перестройкой структуры групп (для случая с

алгоритмом Ньюмана, стратегия “плавильного котла”), а также риск сохранения кластеров

первоначальных групп для стратегии “слабого звена”. Ввиду того, что часть инструментария

в эксперименте содержит требования к минимальному объему выборки, предел такого

объема также требует отдельного изучения.

Интересным для дальнейшего исследования является вопрос о том, насколько более

организованными и сплоченными будут перераспределенные группы выпускников

относительно контрольной группы, которая была сформирована традиционным

административным методом деления. Известно, что сообщества выпускников могут

выступать в качестве одного из основных источников положительной динамики социального

капитала университета в целом и факультета в частности, поскольку обладают

возможностью непосредственно формировать общественное мнение о качестве

образовательных услуг, предоставляемых высшим учебным заведением (например, для

своих работодателей и коллег). Вопрос, который приобретает актуальность для отделов по

взаимодействию с выпускниками: будут ли значения метрик отношений с выпускниками (%

трудоустройства в первый год окончания обучения; % участия в научных и культурных

мероприятиях университета и др.) выше за счет установившихся за 3 года обучения

дружественных взаимоотношений (учтенных при сетевом распределении групп)?

17

Список использованных источников

1. Коллинз Р. Четыре социологические традиции. М.: Издательский дом «Территория

будущего», 2009. - 318 c.

2. Brandes U., Delling D. On Modularity Clustering // Graph-Theoretic Concepts in

Computer Science // Springer Science & Business Media B.V., 2007. pp. 121-132.

3. Dirks K., Shah P., Chervany, N. (2006). The multiple pathways of high performing groups:

the interaction of social networks and group processes // Joumal of Organizational Behavior. 2006.

27. pp. 299-317.

4. Fine P., Paolo E. Spatially Constrained Networks and the Evolution of Modular Control

Systems // in 9th Intl. Conference on the Simulation of Adaptive Behavior (SAB). 2006.

5. Fortunato S., Barthelemy M. (2007) Resolution Limit in Community Detection //

Proceedings of the National Academy of Sciences. 2007. V. 104. №1. Pp. 36–41.

6. Gaertler M., Gorke R., Wagner D. Significance-Driven Graph Clustering // in Proceedings

of the 3rd International Conference on Algorithmic Aspects in Information and Management

(AAIM’07), ser. Lecture Notes in Computer Science. Springer-Verlag, 2007. pp. 11–26.

7. Hymel S., Vaillancourt T., McDougal P. (2002). Peer acceptance and rejection in childhood.

// Blackwell handbook of childhood social development //Malden, Oxford, Carlton: Blackwell

Publishing. - Pp. 265–284).

8. Jehn K., Shah P. (1997). Interpersonal relationships and task performance: an examination

of mediating processes in friendship and acquaintance groups //Journal of Personality and Social

Psychology. 1997. V. 72. Iss. 4. pp. 775-790.

9. Jehn K., Shah P. (1993). Do friends perform better than acquaintances? the interaction of

friendship, conflict, and task // Group Decision and Negotiation. 1993. V. 2. Iss. 2. pp. 149-165.

10. Jiang X., Cillessen, A. (2005). Stability of continuous measures of sociometric status: A

meta-analysis // Developmental Review. 2005. № 25. pp. 1–25.

11. Jimoyiannis A., Tsiotakis P., Roussinos D. (2013). Social network analysis of students’

participation and presence in a community of educational blogging // Interactive Technology and

Smart Education. 2013. V. 10. № 1. pp. 15-30.

12. Kemper, A. (2009). Valuation of Network Effects in Software Markets: A Complex

Networks Approach. Springer, 2009.

13. Ladd, G. W. (1990). Having friends, keeping friends, making friends, and being liked by

peers in the classroom: Predictors of children’s early school adjustment // Child Development.

1990. № 61. pp. 1081–1100.

18

14. Male, D. B. (2007). The friendships and peer relationships of children and young people

who experience difficulties in learning // The SAGE handbook of special education. London: SAGE

Publications, 2007. pp. 460–474.

15. Martınez A., Dimitriadis Y., Rubia B. (2003). Combining qualitative evaluation and social

network analysis for the study of classroom social interactions // Computers and Education. 2003.

V. 41. № 4. pp. 353-368.

16. Muff S., Rao F. Local Modularity Measure for Network Clusterizations // Physical Review

E. 2005. V. 72. №. 056107.

17. Newcomb A. , Bagwell C. (1996). The developmental significance of children’s friendship

relations // The company they keep: Friendship in childhood and adolescence. Cambridge:

Cambridge University Press, 1996. pp. 289–321.

18. Newman M. Modularity and community structure in networks // Proceedings of the

National Academy of Sciences of the United States. 2006. V. 103. Iss. 23. Pp. 8577-8582

19. Newman, M.,, Forrest (2002) Email networks and the spread of computer viruses // Phys.

Rev. 2002. № 66 (035101).

20. Newman, M., Girvan M. Community structure in social and biological networks // PNAS.

2002. V.99. №12, pp. 7821-7826

21. Shea G.., Guzzo R. (1987). Group Effectiveness: What Really Matters? // Sloan

Management Review. 1987. V. 28. Iss.3. pp. 25-31.

22. Shea P., Hayes S. (2010). A re-examination of the community of inquiry framework: social

network and content analysis // The Internet and Higher Education. 2010. V. 13. № 1. pp. 10-21.

23. Sip J., Pijl M., Koster A. (2011). Friends in the classroom: a comparison between two

methods for the assessment of students’ friendship networks // Social Psychology of Education: An

International Journal. 2011. № 14. pp. 475–488;

24. Pijl S. J., Frostad P., Flem A. (2008). The social position of pupils with special needs in

regular schools // Scandinavian Journal of Educational Research. 2008. № 52 (5). pp. 387–405.

25. Yugar, J. M., & Shapiro, E. S. (2001). Elementary children’s school friendships: A

comparison of peer assessment methodologies. School Psychology Review, 30 , 568–585.

26. Ziv E., Middendorf M. Information-Theoretic Approach to Network Modularity // Physical

Review. 2005. V. 71. №. 046117.

27. ОБРАЗОВАТЕЛЬНЫЙ СТАНДАРТ ГОСУДАРСТВЕННОГО ОБРАЗОВАТЕЛЬНОГО

БЮДЖЕТНОГО УЧРЕЖДЕНИЯ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ - ВЫСШАЯ ШКОЛА ЭКОНОМИКИ», в

отношении которого установлена категория «национальный исследовательский

19

университет» по направлению подготовки 080200.62 «Менеджмент», Уровень подготовки:

Бакалавр http://spb.hse.ru/umuspb/structure%20standards-hse

28. Krackhardt D. (1987). QAP partialling as a test for spuriousness // Social Networks. 1987.

№ 9(2). pp. 171–186.