Анализ некоторых аспектов цифровизации в области оказания образовательных услуг населению методами статистического анализа и машинного обучения

Цифровая трансформация во всех сферах жизни значительно ускорилась после COVID-19. Во всем мире и в России, в частности, в последние пять лет наблюдается существенный прогресс в области профессиональных навыков в цифровых технологиях. Это одновременно вызов и возможности, когда вопросы интеграции и роста пересекаются. В нашей стране цифровизация в сфере государственных услуг населению развивается опережающими темпами. России необходимы образовательные системы, соответствующие цифровому веку, а также дополнительные программы для обучения и переподготовки той части взрослого населения, которая давно прекратила учебу. Это двусторонняя задача, касающаяся как базовых цифровых навыков, так и современного понимания грамотности. Цель развития цифровых образовательных услуг населению — формирование доступной и эффективной системы обучения для всех категорий граждан. Задача исследования — выявить объективными методами математического анализа данных (без какого-либо использования субъективных оценок) наличие или отсутствие взаимосвязи между социально экономическими параметрами развития региона Российской Федерации и платными образовательными услугами населению. В работе использованы методы кластеризации и классификации однородных объектов по широкому набору социально-экономических и финансовых показателей, важных для исследования развития цифровизации в сфере услуг для населения. Получено четкое разделение регионов на две большие, практически равные группы по этому набору показателей. Представлен сравнительный анализ методов иерархической кластеризации и классической кластеризации с использованием метода K-средних. Отдано предпочтение в пользу иерархической кластеризации. Получены непротиворечивые результаты с использованием обоих методов. Сделан вывод о важности географического фактора и однородности в экономическом развитии регионов, сгруппированных в кластеры. Москва выделяется по уровню развития цифровизации по сравнению с другими регионами, что подтверждают оба метода кластеризации. Использование методов машинного обучения позволило сделать вывод о большей значимости абсолютных показателей по сравнению с относительными для классификации регионов по уровню развития цифровых образовательных услуг населению.

1. Сафонов С.А., Зандер Е.В. Оценка цифровой трансформации социальной сферы и региональные особенности цифровизации социальных услуг. Цифровая экономика. 2022;(4):53-62. URL: https://doi.org/10.34706/DE-2022-04-07

2. Кучумов И.В. Теоретические основы методов кластеризации данных в интеллектуальном анализе. Цифровая экономика. 2024;(1):69-77. URL: https://doi.org/10.34706/DE-2024-01-08.

3. Афян А. И., Полозова Д. В., Гордеева А. А. Цифровая трансформация государственной системы здравоохранения России: возможности и противоречия. Цифровое право. 2021;2(4):20-39. URL: https://doi.org/10.38044/2686-9136-2021-2-4-20-39

4. Нырков А. С. Влияние цифровизации на доступность и качество социальных услуг в Российской Федерации. Молодой ученый. 2025;20(571):522-524. URL: https://www.elibrary.ru/xsfosr

5. Назаров В. Л., Жердев Д. В., Буйначева А. В. Актуальные проблемы цифровой трансформации среднего образования. Образование и наука. 2023;25(4):109-166. URL: https://doi.org/10.17853/1994-5639-2023-4-109-166

6. Тищенко А. С., Токарева Г. С. Цифровая трансформация общего образования: анализ изменений. Вестник Российского университета дружбы народов. Серия: Информатизация образования. 2026;23(1):105-119. URL: http://doi.org/10.22363/2312-8631-2026-23-1-105-119

7. Сенько О. В., Кузнецова А. В., Воронин Е. М., Кравцова О.А., Борисова Л. Р., Кирилюк И. Л., и др. Методы интеллектуального анализа данных в исследованиях эпидемии COVID-19. Журнал Белорусского государственного университета. Математика. Информатика. 2022;1:83-96. URL: https://doi.org/10.33581/2520-6508-2022-1-83-96

8. Кузнецова Ю. О., Борисова Л. Р., Кузнецова А. В., Сенько О. В. Прозрачный интерфейс для прогноза в машинном обучении. В кн.: Аналитика и управление данными в областях с интенсивным использованием данных. М.: Федеральный исследовательский центр «Информатика и управление» Российской академии наук; 2017:493-495. URL: https://elibrary.ru/ougrxt

9. Кузнецова А. В., Борисова Л. Р., Демина И.А. Методы машинного обучения для прогнозирования течения заболевания на примере развития тяжелой степени пневмонии. Цифровые решения и технологии искусственного интеллекта. 2025;1(1):6-19. URL: https://www.elibrary.ru/rzxxyo

10. Матвиевский С. С., Борисова Л. Р. Кластеризация стран Азиатско-Тихоокеанского региона по значениям инклюзивного экономического роста. Вестник университета. 2023;1:112-121. URL: https://doi.org/10.26425/1816-4277-2024-1-112-121

11. Борисова Л. Р. Сравнительный анализ регионов Российской Федерации методами машинного обучения по набору показателей электронных услуг и сервисов. Цифровая социология. 2024;7(40):33-43. URL: https://doi.org/10.26425/2658-347X-2024-7-4-33-43

12. Репина С. И. Проверка качества кластеров с помощью силуэтного анализа. Экономика и социум. 2024:9(124):958-975. URL: https://doi.org/10.5281/zenodo.13918451

13. Rousseeuw P. J. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics. 1987;20(1):53-65. URL: https://doi.org/10.1016/0377-0427(87)90125-7

14. Romanello M. et al. The 2022 report of the Lancet Countdown on health and climate change: health at the mercy of fossil fuels. The Lancet 400 (suppl). 2022. URL: https://doi.org/10.1016/S0140-6736(22)01540-9

15. Кисляков А. Н., Поляков С. В. Иерархические методы кластеризации в задаче поиска аномальных наблюдений на основе групп с нарушенной симметрией. Управленческое консультирование. 2020;5:116-127. URL: https://doi.org/10.22394/1726-1139-2020-5-116-127