Анализ университетских рейтингов
Описание проекта
В своём проекте я решила обратиться к теме университетских рейтингов, потому что она напрямую связана с образованием, будущей карьерой и глобальной конкуренцией между университетами. Рейтинги QS регулярно обсуждаются в медиа, используются абитуриентами при выборе вуза и влияют на репутацию университетов, поэтому мне было интересно разобраться, из чего именно складываются эти позиции и какие факторы играют ключевую роль.
Для анализа я нашла датасет с названием: «QS World University Rankings 2025», размещённый на платформе Kaggle (https://www.kaggle.com/datasets/melissamonfared/qs-world-university-rankings-2025). В наборе данных содержится информация о позициях университетов, их итоговом балле, а также значениях отдельных метрик.
Далее мне захотелось немного выйти за рамки анализа данных и посмотреть, как нейросеть «видит» постройку самого лучшего университета в мире. recraft.ai. promt: The best university building ever.
Как видит самый лучший университет в мире. recraft.ai.
Работа с датасетом позволила поставить ряд аналитических вопросов: насколько стабильны позиции университетов-лидеров, существуют ли выраженные региональные различия в итоговых баллах, чем отличаются профили российских университетов и какие показатели оказывают наибольшее влияние на общий результат. Ответы на эти вопросы были получены с помощью набора визуализаций, отражающих разные аспекты данных. Типы: 1. Slope chart
2. Boxplot
3. Multivariate line chart
4.Horizontal bar chart
Обложка выполнена через recraft.ai promt: Create a modern illustration of university buildings. Clean academic architecture with floating abstract numbers 0.1.2.3 around the buildings, soft light, minimalistic and calm style, light background. no people
Мне стало интересно посмотреть, какие еще варианты генераций обложек предложит recraft.ai.
Варианты генераций обложек
Помимо создания обложки, мне стало интересно посмотреть, как нейросеть интерпретирует мою тему и визуализировала картинку.
Как видит мою тему recraft.ai.
promt: Clean academic architecture with floating abstract numbers around the buildings, soft light, minimalistic and calm style, light background.
Цветовая палитра
При разработке визуального стиля проекта особое внимание уделялось цветовой системе. Для подбора и структурирования оттенков я использовала сервис Adobe Color (https://color.adobe.com/ru/).
Основу палитры составляют нейтральные светлые оттенки фона и тёмные цвета для текста и осей. Акцентные цвета применяются для выделения изменений позиций, различий между университетами и ключевых метрик.
Цвета: #3b67b0 #09203c #c14954 #f1999d #fabf9f #fdfbf7 #09203c #cfd6df
ресурс по визуализации цветовой палитры: https://color.adobe.com/
Единая цветовая система была использована во всех визуализациях. Шрифт к проекту — SourceSans3
График 1: Изменения в топ-15 университетов мира 2024-2025
Как изменился рейтинг топ-15 университетов мира с 2024 года? // код
Этот график демонстрирует изменения позиций университетов, входящих в топ-15 мирового рейтинга QS, в период с 2024 по 2025 год. График показывает, что верхняя часть рейтинга характеризуется высокой устойчивостью: лидеры сохраняют свои места, тогда как изменения происходят в основном внутри группы университетов, расположенных ниже.
Совсем небольшие сдвиги в метриках могут приводить к изменению позиции в условиях жёсткой конкуренции.
График 2: Распределение итогового балла по регионам
Распределение университетов по регионам // код
График отражает распределение итогового балла QS по регионам мира в 2025 году.
Результаты показывают, что Северная Америка и Океания в среднем демонстрируют более высокие показатели, тогда как Европа и Азия характеризуются большей вариативностью. Африканские университеты представлены более узким диапазоном значений и в целом имеют более низкие итоговые баллы, что подчёркивает существующие региональные диспропорции в системе высшего образования.
График 3: Сравнение основных метрик российских университетов
Сравнение основных метрик среди топ-6 российских университетов // код
Третий график посвящён анализу профилей метрик ведущих российских университетов, представленных в рейтинге QS 2025.
Визуализация показывает, что даже среди университетов одной страны наблюдаются заметные различия в структуре показателей: одни вузы сильнее представлены в репутационных метриках, другие — в международных или академических компонентах. Это доказывает отсутствие универсальной формулы успеха и важность комплексного развития.
График 4: Связь отдельных метрик с итоговым баллом
Какие метрики больше всего влияют на итоговый балл? // код
Заключительный график направлен на выявление связи между отдельными метриками и итоговым баллом QS.
Он показывает, что наиболее сильная связь с итоговым баллом наблюдается у академической репутации и репутации среди работодателей. В то же время такие показатели, как интернационализация студентов и соотношение преподавателей и студентов, демонстрируют более умеренную корреляцию, что указывает на их дополнительную, а не определяющую роль.
Вывод
Работа над этим проектом помогла мне лучше понять, как устроен рейтинг QS и почему университеты занимают те или иные позиции. Анализ показал, что лидеры рейтинга в целом сохраняют свои места, однако даже в верхней части списка конкуренция остаётся очень высокой.
Сравнение университетов по регионам позволило увидеть различия между образовательными системами мира, а анализ российских университетов показал, что у каждого из них есть свои сильные стороны и разные подходы к развитию. Отдельно стало понятно, что решающую роль в итоговом балле играют репутационные показатели.
По итогу проект показал, что университетские рейтинги — это сложная система показателей, которая отражает реальные процессы и приоритеты в сфере высшего образования.
Использованные статистические методы
В ходе анализа данных рейтинга QS World University Rankings 2025 были применены методы описательной, сравнительной и корреляционной статистики, а также элементы анализа ранговых изменений:
• Анализ ранговых изменений (Rank change analysis)
Использовался для оценки динамики позиций университетов в топ-15 между 2024 и 2025 годами. Сравнение рангов позволило выявить направления изменений (улучшение, ухудшение или сохранение позиции) и визуально проследить стабильность лидеров рейтинга.
• Сравнительный анализ распределений
Применялся для изучения распределения итогового балла QS (Overall Score) по регионам мира. Это позволило количественно сравнить медианы, разброс значений и неоднородность результатов университетов разных географических зон.
• Анализ распределений с выявлением выбросов
Реализован с помощью диаграмм размаха (boxplot), что позволило оценить межквартильный размах, асимметрию распределений и наличие университетов, существенно отклоняющихся от основной массы региона.
• Многомерный профильный анализ
Использовался для анализа структуры показателей ведущих российских университетов. Одновременное сравнение нескольких метрик (академическая репутация, репутация работодателей, цитируемость, интернационализация и др.) позволило выявить сильные и слабые стороны институциональных профилей.
• Визуальный анализ многомерных траекторий
Применялся для сравнения «формы» и согласованности метрик университетов относительно друг друга, а также для оценки вклада отдельных показателей в итоговый балл.
• Корреляционный анализ
Использовался для количественной оценки силы линейной связи между отдельными метриками QS и итоговым баллом (Overall Score). Расчёт коэффициентов корреляции позволил определить показатели, оказывающие наибольшее влияние на итоговую позицию университета.
• Ранжирование факторов по силе связи
Корреляционные коэффициенты были отсортированы по величине, что дало возможность построить иерархию метрик по степени их значимости для итогового рейтинга.
• Сравнительный анализ ключевых факторов
Выделение метрик с наибольшей корреляцией позволило сфокусировать анализ на ключевых драйверах рейтинга и показать их доминирующую роль по сравнению с вспомогательными показателями.
Описание применения генеративной модели и вспомогательных инструментов
1. Kaggle — Платформа была использована для поиска и загрузки датасета.
2. Google Colab — Весь процесс работы: обработка данных и визуализация.
3. Библиотеки Python kagglehub — для автоматического скачивания датасета matplotlib.font_manager — для подключения кастомного шрифта pandas — использовалась для загрузки датасета, очистки, преобразования и анализа табличных данных. matplotlib — основной инструмент для построения визуализаций в проекте.
4. Цветовая палитра (Adobe Color)
5. recraft.ai — Использовала для генерации обложки и иллюстраций.
6. ChatGPT — Нейросеть применялась для генерации и оптимизации кода, настройки визуального стиля графиков и корректировки функций анализа.
