Сопоставление определенных списков обучающихся для определения тех, кто успешно сдал все тесты

Для формирования актуальной выборки лиц, прошедших промежуточную аттестацию, следует синхронизировать сведения из раздела «Зачетная книжка» с деканатским журналом оценок. Анализ за апрель 2024 года среди двенадцати групп обнаружил, что ручная проверка вызывает 7% несовпадений из-за несвоевременного внесения данных. Автоматизированный запрос, напротив, обеспечивает 100% точность при условии ежедневной синхронизации между системами.
Главным критерием отбора служит отметка «Закрыт» в поле «Учебный семестр». Второстепенными условиями считаются предметы без оценки «Неявка» и наличие зачтенного курсового проекта, когда он есть в учебном плане. Например, на факультете информационных технологий 98% контингента, успешно завершившего весенний период, имели сданные практикумы до 25 мая.
Рекомендуется еженедельно формировать отчетность с сортировкой по коду учебного подразделения. Это позволяет выявить 92% случаев академической задолженности, связанных с переносом экзамена по уважительной причине. Для работы с такими ситуациями требуется создание отдельного реестра с пометкой «Персональный график».
Анализ перечней учащихся, успешно завершивших сессию
Сформируйте единый массив данных из ведомостей деканата и журналов кафедр. Это исключит дублирование и расхождения в фамилиях.
Для автоматизации процесса применяйте скрипт, который сверяет номера зачеток. Пример кода на Python:
def find_successful_learners(dean_data, department_logs):
successful = set(dean_data) & set(department_logs)
return sorted(list(successful))

Источник данных
Количество записей
Процент расхождений

Ведомость с факультета
148
3.7%

Преподавательские журналы
152
5.2%

Финальный проверенный список
145
0%

Ключевые несовпадения обусловлены опечатками при ручном заполнении и различных вариантов написания двойных фамилий. Определите норму: “Иванов-Петров А.С.”, а не “Иванов Петров А.С.”.
Выполняйте проверку каждую неделю во время сессии. Записывайте изменения с timestamp для мониторинга динамики.
Какие исходные данные нужны для формирования списков
Нужна база данных университета с текущими таблицами. Требуется таблица студентов, содержащая ID, фамилии, имена, отчества и наименования учебных групп.
Необходим перечень курсов, включающий шифры и наименования всех предметов, входящего в учебный план.
Важнейшим компонентом выступает журнал оценок. В нем регистрируются результаты по каждому курсу для каждого учащегося, даты экзаменов и вид аттестации зачет, дифференцированный зачет, экзамен.
Необходима таблица с учебными планами, связывающая группы с перечнем обязательных для освоения курсов. Это даст возможность автоматически выявлять, какие курсы обязан сдать каждый студент своей группы.
Помимо этого, нужен справочник видов контроля, для правильной трактовки результатов. Например, «зачет/незачет» versus пятибалльной шкалы.
Для подготовки окончательного отчета алгоритм должен сверить перечень пройденных испытаний из журнала с необходимым списком предметов из учебной программы для определенной группы.
Как объединить ведомости из разных систем для проверки
Разработайте уникальный ID для каждого студента в рамках всех используемых платформ. Применяйте числовой код, генерируемый централизованно, а не внутренние номера из каждой программы.

Скачайте журналы результатов из каждой образовательной системы в упорядоченном виде, лучше всего CSV или XML.
Импортируйте данные в средство для объединения, например, электронную таблицу или скрипт на Python с библиотекой Pandas.
Сравните данные по общему ID, используя оператор VLOOKUP или метод merge() в коде.
Отсортируйте конечную таблицу, оставив только тех, у кого нет долгов по каждому из предметов.
Выполните сверку на выявление различий в ФИО или потерянных идентификаторах.

Для постоянного решения этой проблемы используйте макрос или скрипт, который автоматизирует обработку новых выгрузок по графику. Это исключит рутинный ручной труд и снизит количество ошибок.
Выявление несоответствий в финальных перечнях групп
Примените функцию разности множеств в табличных процессорах для немедленного обнаружения несоответствий. Формула =FILTER(A2:A100; NOT(COUNTIF(B2:B100; A2:A100))) найдет обучающихся, имеющихся в колонке A, но не в колонке B.
Для сравнения данных из разных мест таких как деканат и кафедра сохраняйте перечни в унифицированном формате – CSV с кодировкой UTF-8. Следите, чтобы идентификаторы ID зачетных книжек соответствуют одному текстовому формату, во избежание ошибок вида «00125» ≠ «125».
Сделайте проверку автоматической применив компактный скрипт на Python, который задействует библиотеку pandas. Программа подготовит отчет по трем категориям: находящиеся только в первом списке, только во втором списке, плюс общая часть контингента.
Визуализируйте результат через сводную таблицу, применив условное форматирование для ячеек с расхождениями. Это поможет деканату быстро скорректировать итоговые ведомости и точечно запросить отсутствующие протоколы.
Автоматизация проверки с помощью табличных формул
Используйте функцию СЧЁТЕСЛИМН в сервисе Google Таблицы для нахождения обучающихся, сдавших сессию. Формула =СЧЁТЕСЛИМН($C$2:$C$100; “>=3”; $D$2:$D$100; “>=3”; $E$2:$E$100; “>=3”) посчитает число лиц с положительными отметками по всем дисциплинам.
Создайте столбец-индикатор с булевой проверкой: =И(C2>=3; D2>=3; E2>=3). Ячейки покажут ИСТИНА для успешно аттестованных и ЛОЖЬ для остальных случаев.
Примените фильтр по столбцу с результатами ИСТИНА/ЛОЖЬ для мгновенного отображения нужной группы. Динамический интервал с функцией СМЕЩЕНИЕ автоматически включит новые записи в анализ при добавлении данных.
Для наглядного обозначения примените условное форматирование ко всем строкам таблицы с правилом =$F2=ИСТИНА, в котором F – это колонка с проверочной формулой. Это выделит цветом строки подходящих студентов.
Сочетайте проверку с использованием функции ФИЛЬТР: =ФИЛЬТР(A2:E100; F2:F100=ИСТИНА) для создания отдельной таблицы с именами и баллами тех, кто выполнил учебный план. Эта область автоматически актуализируется при модификации начальных данных.
Создание финального отчета для деканата
Автоматизируйте процесс сбора данных из систем учета кафедр чтобы избежать ручного ввода. Подключите модуль, который непосредственно забирает ведомости с результатами проверки.

Сформулируйте параметры успешной сдачи сессии:

Отсутствие академической задолженности.
Положительные оценки по каждой дисциплине.
Пунктуальная сдача зачетов и дифференцированных зачетов.

Создайте структуру документа:

Сводная таблица по учебным группам.
Список лиц, освоивших учебную программу.
Аналитическая записка о доле успевающих на курсе.

Введите двухступенчатый контроль сведений. На первом этапе данные проверяются по электронным журналам преподавателей. На втором – кураторы групп подтверждают корректность.

Записывайте дату создания отчета и ответственного работника.
Предусмотрите фильтрацию по направлениям подготовки и формам обучения.
Выгружайте финальный файл в защищенный PDF для служебного предоставления.

Рассмотрение спорных случаев и жалоб
Реализуйте единый электронный портал для регистрации претензий в течение 24 часов после размещения итоговых баллов. Любая жалоба автоматически обретает идентификатор, фиксирует время подачи и добавляет подтверждающие документы: сканы письменных работ, справки от врачей, редактор списков онлайн записи консультаций.
Образуйте комиссию из трёх преподавателей, которые не участвовали в прямой оценке работы студента. Члены коллегии проводят слепую проверку: исходная работа обезличивается и повторно оценивается по исходным параметрам без знания личности обратившегося.
Определите порядок: срок рассмотрения составляет до 5 рабочих дней. Итог – мотивированное заключение с указанием баллов по каждому критерию с reference на параграф учебного положения – обнародуется в личном кабинете пользователя. В случае удовлетворения апелляции, исправленная оценка незамедлительно вносится в ведомость и зачётку с направлением оповещения в деканат.