ГОСТ Р 72394-2025. Национальный стандарт Российской Федерации. Технологии искусственного интеллекта в образовании. Функциональная подсистема формирования контингента абитуриентов по программам подготовки научных и научно-педагогических кадров в аспирантуре. Общие положения и методика испытаний
(утв. и введен в действие Приказом Росстандарта от 20.11.2025 № 1436-ст)
Примечание
Документ введен в действие с 01.01.2026.
Утвержден и введен в действие Приказом Федерального агентства
по техническому регулированию
и метрологии
от 20 ноября 2025 г. № 1436-ст
ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ОБРАЗОВАНИИ
ФУНКЦИОНАЛЬНАЯ ПОДСИСТЕМА ФОРМИРОВАНИЯ КОНТИНГЕНТА
АБИТУРИЕНТОВ ПО ПРОГРАММАМ ПОДГОТОВКИ НАУЧНЫХ
И НАУЧНО-ПЕДАГОГИЧЕСКИХ КАДРОВ В АСПИРАНТУРЕ
ОБЩИЕ ПОЛОЖЕНИЯ И МЕТОДИКА ИСПЫТАНИЙ
Artificial intelligence technologies in education.
Functional subsystem for forming a contingent of applicants
for training programs of scientific and pedagogical
personnel in postgraduate studies. General provisions
and test procedure
Предисловие
1 РАЗРАБОТАН Федеральным государственным автономным образовательным учреждением высшего образования «Волгоградский государственный университет» (ФГАОУ ВО ВолГУ)
2 ВНЕСЕН Техническим комитетом по стандартизации ТК 164 «Искусственный интеллект»
3 УТВЕРЖДЕН И ВВЕДЕН В ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 20 ноября 2025 г. № 1436-ст
Правила применения настоящего стандарта установлены в статье 26 Федерального закона от 29 июня 2015 г. № 162-ФЗ «О стандартизации в Российской Федерации». Информация об изменениях к настоящему стандарту публикуется в ежегодном (по состоянию на 1 января текущего года) информационном указателе «Национальные стандарты», а официальный текст изменений и поправок — в ежемесячном информационном указателе «Национальные стандарты». В случае пересмотра (замены) или отмены настоящего стандарта соответствующее уведомление будет опубликовано в ближайшем выпуске ежемесячного информационного указателя «Национальные стандарты». Соответствующая информация, уведомление и тексты размещаются также в информационной системе общего пользования — на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.rst.gov.ru)
Введение
Функциональная подсистема формирования контингента абитуриентов по программам подготовки научных и научно-педагогических кадров в аспирантуре входит в систему образования как важная ее часть, обеспечивающая приемную кампанию образовательных организаций по программам подготовки научных и научно-педагогических кадров в аспирантуре.
Подготовка кадров высшей квалификации как уровень профессионального образования опирается на компетенции, полученные на предыдущих уровнях бакалавриата и магистратуры, определяется выраженным акцентом на научно-исследовательскую деятельность обучающихся, получение и углубление научно-исследовательских компетенций.
Подготовка кадров высшей квалификации может осуществляться в разных формах подготовки, например, в форме аспирантуры (гражданские специальности) или адъюнктуры (военные специальности). Положения данного стандарта направлены на аспирантуру, но могут быть применены к другим формам подготовки кадров высшей квалификации при условии учета их специфики.
Функциональная подсистема представляет собой комплекс программных решений, в частности систем искусственного интеллекта, например: интеллектуального анализа данных, рекомендательных, обучающих и т.п. систем — для анализа научно-образовательного контента и вычисления данных, рекомендаций, идентификации состояния и прогнозирования поведения систем в контексте взаимодействия объектов и субъектов приемной кампании.
Настоящий стандарт определяет общие положения и методику испытаний систем искусственного интеллекта (СИИ), используемых при формировании контингента абитуриентов по программам подготовки научных и научно-педагогических кадров в аспирантуре в рамках соответствующей функциональной подсистемы высших учебных заведений, использующей технологии искусственного интеллекта.
Основной задачей применения технологий искусственного интеллекта в рамках рассматриваемой подсистемы является прогнозирование результатов приемной кампании для повышения эффективности принимаемых руководством высшего учебного заведения решений. В связи с этим критически важным является обеспечение должного уровня доверия к используемым технологиям искусственного интеллекта, применяемым для построения СИИ. Для обеспечения единых подходов к испытаниям СИИ разработан настоящий стандарт.
Настоящий стандарт входит в серию стандартов под общим наименованием «Технологии искусственного интеллекта в образовании».
1 Область применения
Настоящий стандарт описывает методику проведения испытаний систем искусственного интеллекта (СИИ), используемых в управлении формированием контингента абитуриентов по программам подготовки научных и научно-педагогических кадров в аспирантуре.
Примечание - Такие испытания может проводить:
- внутренняя испытательная лаборатория организации, разрабатывающей СИИ (оценка соответствия первой стороной);
- внешняя испытательная лаборатория, действующая по поручению организации — заказчика СИИ (оценка соответствия второй стороной);
- орган, осуществляющий независимую оценку соответствия, например в целях сертификации (оценка соответствия третьей стороной).
Настоящий стандарт предназначен для применения организациями, осуществляющими подготовку обучающихся по программам подготовки научных и научно-педагогических кадров в аспирантуре (например, вузы, как государственные, так и негосударственные).
2 Нормативные ссылки
В настоящем стандарте использованы нормативные ссылки на следующие стандарты:
ГОСТ Р 59407 Информационные технологии. Методы и средства обеспечения безопасности. Базовая архитектура защиты персональных данных
ГОСТ Р 59897-2021 Данные для систем искусственного интеллекта в образовании. Требования к сбору, хранению, обработке, передаче и защите данных
ГОСТ Р 70946-2023 Технологии искусственного интеллекта в образовании. Функциональная подсистема управления успеваемостью обучающихся по программам бакалавриата и специалитета. Общие положения и методика испытаний
ГОСТ Р 70948 Технологии искусственного интеллекта в образовании. Функциональная подсистема формирования контингента абитуриентов по программам бакалавриата и специалитета. Общие положения и методика испытаний
Примечание - При пользовании настоящим стандартом целесообразно проверить действие ссылочных стандартов в информационной системе общего пользования — на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет или по ежегодному информационному указателю «Национальные стандарты», который опубликован по состоянию на 1 января текущего года, и по выпускам ежемесячного информационного указателя «Национальные стандарты» за текущий год. Если заменен ссылочный стандарт, на который дана недатированная ссылка, то рекомендуется использовать действующую версию этого стандарта с учетом всех внесенных в данную версию изменений. Если заменен ссылочный стандарт, на который дана датированная ссылка, то рекомендуется использовать версию этого стандарта с указанным выше годом утверждения (принятия). Если после утверждения настоящего стандарта в ссылочный стандарт, на который дана датированная ссылка, внесено изменение, затрагивающее положение, на которое дана ссылка, то это положение рекомендуется применять без учета данного изменения. Если ссылочный стандарт отменен без замены, то положение, в котором дана ссылка на него, рекомендуется применять в части, не затрагивающей эту ссылку.
3 Термины и определения
В настоящем стандарте применены термины по ГОСТ Р 70948, а также следующие термины с соответствующими определениями:
| аспирантура: Форма реализации уровня профессионального образования, ориентированная на подготовку кадров высшей квалификации. [ГОСТ Р 70950-2023, пункт 3.2] |
|---|
| естественный язык: Язык, словарь и грамматические правила которого обусловлены практикой применения и не всегда формально зафиксированы. [ГОСТ 33707-2016, статья 4.336] |
|---|
3.3 компьютерное зрение (искусственное зрение): Способность функционального блока принимать, обрабатывать и интерпретировать визуальные данные.
1 Компьютерное зрение включает применение зрительных чувствительных элементов для создания электронного или цифрового изображения зрительной сцены.
2 Не допускается применение термина «машинное зрение» в качестве синонима.
3.4 научно-исследовательская (научная) деятельность; НИД: Деятельность, направленная на получение и применение новых знаний.
Примечание — См. [1], статья 2.
4 Общие положения
Функциональная подсистема формирования контингента абитуриентов по программам подготовки научных и научно-педагогических кадров в аспирантуре является системно связанной совокупностью программных решений, в том числе реализующих технологии искусственного интеллекта (ИИ), и направлена на содействие в достижении цели обеспечения результативной приемной кампании.
Ключевой задачей данной функциональной системы является повышение результативности:
- при выполнении образовательной организацией контрольных цифр приема;
- усилении научно-педагогического потенциала образовательной организации;
- увеличении показателей НИД;
- реализации непрерывного образования в условиях системы профессионального образования с перспективой продолжения научно-преподавательской деятельности и получения степени кандидата наук по научной специальности;
- обеспечении результативного и рационально распределенного по направлениям подготовки набора на платную форму обучения.
В рамках рассматриваемой функциональной подсистемы результативность целого ряда функций может быть повышена посредством применения СИИ. Среди данных СИИ можно выделить такие классы, как:
- системы интеллектуального анализа данных, построенные с использованием методов машинного обучения, применяемые для прогнозирования результатов приемной кампании (количество абитуриентов, подавших документы на ту или иную образовательную программу подготовки научных и научно-педагогических кадров в аспирантуре, или распределение приоритетов по направлениям подготовки абитуриентов) в зависимости от данных об абитуриентах (например, результаты вступительных испытаний, наличие научных публикаций и т.д.);
- системы интеллектуального анализа данных, построенные с использованием методов машинного обучения, применяемые для рекомендации абитуриенту образовательной программы подготовки научных и научно-педагогических кадров в аспирантуре;
- СИИ, построенные с использованием методов обработки естественного языка, применяемые для автоматизации консультирования абитуриентов;
- СИИ, построенные с использованием методов обработки естественного языка, применяемые для автоматизации выбора потенциальных кандидатур как среди абитуриентов, так и среди возможных научных руководителей;
- СИИ, построенные с использованием методов компьютерного зрения и обработки звука, применяемые при создании голосовых помощников для абитуриентов.
Конкретные примеры таких СИИ представлены в разделе 6.
Технологии ИИ следует применять в том случае, когда для решения задачи не известна математическая модель, обеспечивающая результат с приемлемой точностью. При этом методы ИИ используются для того, чтобы по имеющейся информационной модели построить математическую модель и уже ее использовать для решения задачи.
Реализация функции прогнозирования результатов приемной кампании посредством применения СИИ может оказать существенное положительное влияние как на эффективное использование бюджетных средств, в частности это позволяет влиять как на контрольные цифры приема, так и на увеличение объема внебюджетных поступлений.
Для обеспечения доверия к СИИ, применяемым для реализации функции прогнозирования результатов приемной кампании, следует применять методику испытаний, изложенную в настоящем стандарте. Для реализации остальных функций, возникающих в рамках рассматриваемой функциональной подсистемы, в том числе перечисленных выше, методика испытаний, изложенная в настоящем стандарте, также применима при условии ее трансформации с учетом особенностей применяемых систем ИИ.
При использовании СИИ в рамках формирования контингента абитуриентов по программам подготовки научных и научно-педагогических кадров в аспирантуре следует учитывать общие этические принципы <1>.
<1> Документом, устанавливающим общие этические принципы и стандарты поведения, которым следует руководствоваться при использовании искусственного интеллекта, является Кодекс этики в сфере искусственного интеллекта.
5 Методика испытаний
Порядок взаимодействия участников испытаний, требования к испытательным лабораториям и условиям проведения испытаний описаны в ГОСТ Р 70946.
5.1 Применяют положения ГОСТ Р 70946-2023 (подраздел 5.1).
5.2 Применяют положения ГОСТ Р 70946-2023 (подраздел 5.2).
5.3 Применяют положения ГОСТ Р 70946-2023 (подраздел 5.3).
5.4 Применяют положения ГОСТ Р 70946-2023 (подраздел 5.4).
5.5 Существенные условия эксплуатации
5.5.1 Применяют положения ГОСТ Р 70946-2023 (пункт 5.5.1).
5.5.2 Существенными условиями эксплуатации для формирования контингента абитуриентов по программам подготовки научных и научно-педагогических кадров в аспирантуре могут являться данные:
- о статусе образовательной организации, выдавшей документы о предыдущем уровне образования (например, опорный университет, национальный исследовательский университет, федеральный университет и т.д.);
- приеме на направления подготовки научных и научно-педагогических кадров в аспирантуре за прошлые годы;
- перечне и количестве вступительных испытаний (структура, состав);
- пороговых значениях баллов вступительных испытаний для возможности участия в конкурсе на поступление на программу подготовки научных и научно-педагогических кадров в аспирантуре;
- наличии у направления профессионально-общественной аккредитации;
- наличии у направления международной аккредитации;
- месте образовательной организации в международных и национальных рейтингах (например, Round University Rankings, RankPro, Webometrics Ranking of World Universities, Top Universities by Citations in Top Google Scholar profiles, UI GreenMetric, RAEX, Интерфакс, «Три миссии университета»);
- типе организации (научная, образовательная), осуществляющей подготовку научных и научно-педагогических кадров в аспирантуре;
- целевом наборе;
- предполагаемых заказчиках целевого обучения;
- стоимости, наличии и размере скидок на оплату обучения по договору;
- наличии поощрений для поступивших абитуриентов на направления подготовки аспирантуры и имеющих дополнительные достижения, дающие особые права при зачислении;
- трудоустройстве (стаж работы, работа по специальности);
- наличии результатов НИД (научные интересы, публикации, участие в научных мероприятиях, патенты и т.п.);
- наличии действующего диссертационного совета по научной специальности в образовательной организации;
- наличии действующего диссертационного совета по научной специальности в регионе образовательной организации;
- наличии научной школы в образовательной организации;
- наличии научной лаборатории в образовательной организации;
- количестве завершенных и действующих научных грантов различного уровня (вузовский, региональный, федеральный, иностранный);
- доле аспирантов, защитивших диссертацию в установленный срок;
- количестве организаций, с которыми заключены действующие договора о сотрудничестве в НИД;
- доле аспирантов, обучающихся в образовательной организации и имеющих высшее образование, полученное в иных образовательных организациях;
- количестве возможных научных руководителей по направлению аспирантуры;
- об общежитии (его наличие, количество мест, стоимость и другие условия проживания).
5.5.3 Применяют положения ГОСТ Р 70946-2023 (пункт 5.5.3).
5.6 Формирование тестового набора данных
5.6.1 Применяют положения ГОСТ Р 70946-2023 (пункт 5.6.1).
5.6.2 Базовый демонстрационный набор данных изложен в 5.6.2.1, 5.6.2.2.
Примечание - Базовый демонстрационный набор данных прилагается на диске к настоящему стандарту.
5.6.2.1 Применяют положения ГОСТ Р 70946-2023 (подпункт 5.6.2.1).
5.6.2.2 Базовый демонстрационный набор данных содержит данные об абитуриентах аспирантуры и о программах подготовки:
- идентификатор абитуриента, зашифрован;
- преимущественное право абитуриента. Принимается пустое значение, если у абитуриента нет преимущественных прав, «Без вступительных испытаний» в ином случае;
- суммарное число баллов за предметы по результатам вступительных испытаний и индивидуальные достижения;
- оценка по пятибалльной шкале за первый предмет по результатам вступительных испытаний. Принимает значения: «Неявка», «Неудовлетворительно», «Удовлетворительно», «Хорошо» или «Отлично»;
- оценка по пятибалльной шкале за второй предмет по результатам вступительных испытаний. Принимает значения: «Неявка», «Неудовлетворительно», «Удовлетворительно», «Хорошо» или «Отлично»;
- число баллов за индивидуальные достижения (публикации и т.п.);
- вид документа об образовании (два значения: «Копия», «Оригинал»);
- тип документа об образовании (три значения: «Диплом магистра», «Диплом специалиста», «Диплом дипломированного специалиста»);
- основание поступления (три значения: «Бюджетная основа», «Целевой прием» или «Договорная основа»);
- на какую форму обучения поданы документы для участия в конкурсе (два значения: «Очное» и «Заочное»);
- код наименования направления подготовки, на которое подаются документы абитуриентом;
- текущее состояние участия в конкурсе: «Зачислен», «Подано»;
- план приема (количество мест на выбранное направление подготовки).
Подробное описание данных базового демонстрационного набора содержится в таблице 1.
5.6.3 Применяют положения ГОСТ Р 70946-2023 (пункт 5.6.3).
5.6.4 Применяют положения ГОСТ Р 70946-2023 (пункт 5.6.4).
5.6.5 Применяют положения ГОСТ Р 70946-2023 (пункт 5.6.5).
5.6.6 Испытательная лаборатория, с учетом положений 5.2 - 5.6 и раздела 6, должна, по согласованию с заказчиком, определить целевую функцию или совокупность целевых функций, которые должны быть использованы в 5.7 и приведены в протоколе испытаний (см. 5.8) совместно с описанием тестового набора данных.
5.7 Применяют положения ГОСТ Р 70946-2023 (подраздел 5.7).
5.8 Применяют положения ГОСТ Р 70946-2023 (подраздел 5.8).
6 Примеры задач и систем искусственного интеллекта для формирования контингента обучающихся по направлениям подготовки научных и научно-педагогических кадров в аспирантуре
6.1 Системы, с помощью которых могут быть решены задачи с использованием базового демонстрационного набора данных:
а) система, прогнозирующая решения абитуриента о согласии на зачисление (функционирующая в интересах образовательной организации) на основе его баллов вступительных испытаний, баллов за индивидуальные достижения и других данных, представленных в тестовом наборе.
Значениями целевой функции в такой системе могут служить значения «Согласие на зачисление» <1>, вычисляемые по полям «Вид документа об образовании», «Основание поступления» и «Состояние» базового демонстрационного набора данных;
<1> Согласием на зачисление для лиц, поступающих в рамках контрольных цифр приема, является факт представления оригиналов документов об образовании, а для лиц, поступающих за счет средств физических или юридических лиц, является факт заключения договора об оказании платных образовательных услуг.
б) система, предсказывающая зачисления абитуриента на программу подготовки по результатам приемной кампании (функционирующая в интересах абитуриента) на основе количества мест на программы подготовки, баллов за индивидуальные достижения и других данных, представленных в тестовом наборе.
Значением целевой функции в такой системе будет служить значение поля «Состояние» базового демонстрационного набора данных.
6.2 Система, с помощью которой может быть решена задача с использованием базового демонстрационного набора данных со значениями целевой функции, вычисляемыми на основе полей базового демонстрационного набора данных. Данная система является рекомендательной системой (функционирующей в интересах абитуриента) выбора направления подготовки, на которое рекомендуется дать согласие на зачисление, на основе его баллов за индивидуальные достижения, количества мест на направление подготовки. Значениями целевой функции в такой системе будет служить значение, вычисляемое на основе полей «Состояние», «Вид документа об образовании» базового демонстрационного набора данных.
6.3 Системы, с помощью которых могут быть решены задачи с использованием базового демонстрационного набора данных и дополнительных данных:
а) комплекс рекомендательных и обучающих систем, индивидуальным способом подбирающих образовательный контент и адаптивное сопровождение самоподготовки абитуриентов к поступлению и дальнейшему обучению на выбранных образовательных программах с целью предварительной профориентации и создания предпосылок для успешного дальнейшего обучения;
б) СИИ, построенная с использованием методов обработки естественного языка, с помощью которой может быть решена задача автоматизации выбора потенциальных кандидатов среди возможных научных руководителей;
в) СИИ, построенная с использованием методов обработки естественного языка, с помощью которой может быть решена задача формирования рекомендаций по кандидатурам научных руководителей потенциальных аспирантов;
г) СИИ, построенные с использованием методов обработки естественного языка, выявляющие потенциальных кандидатов на научно-педагогическую работу;
д) СИИ, построенные с использованием методов обработки естественного языка, прогнозирующие количество баллов на экзамене по специальности на основе информации о направлении подготовки по диплому о базовом образовании абитуриента;
е) СИИ, построенные с использованием методов обработки естественного языка, рекомендующие выбор возможной темы научного исследования на основе анализа научных публикаций.
7 Описание базового демонстрационного набора данных
Описание полей набора данных, сформированного на основе данных приемных кампаний по образовательным программам подготовки научных и научно-педагогических кадров в аспирантуре, представлено в таблице 1.
В базовом демонстрационном наборе данных каждый кортеж соответствует факту подачи абитуриентом заявления на поступление на образовательную программу. Если абитуриент подает заявления на несколько образовательных программ или подает заявление в разные годы, то каждому из таких заявлений соответствует свой кортеж в базовом демонстрационном наборе данных. Поэтому в базовом демонстрационном наборе данных одному абитуриенту может соответствовать несколько кортежей.
8 Требования к защите данных, содержащихся в функциональной подсистеме решения задач искусственного интеллекта
8.1 К защите данных, содержащихся в функциональной подсистеме управления успеваемостью обучающихся, следует применять требования ГОСТ Р 59897-2021 (раздел 12).
8.2 Общий подход по установлению требований по защите сведений, подлежащих защите в соответствии с действующим законодательством Российской Федерации, используемых в функциональных подсистемах решения задач ИИ, должен соответствовать требованиям ГОСТ Р 59407. При необходимости защиты персональных данных, используемых в функциональных подсистемах решения задач ИИ, требования должны быть установлены в соответствии с положениями [2] - [5].