ФЕДЕРАЛЬНОЕ АГЕНТСТВО
ПО ТЕХНИЧЕСКОМУ РЕГУЛИРОВАНИЮ И МЕТРОЛОГИИ
НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ
ГОСТ Р
70950—
2023
Технологии искусственного интеллекта в образовании
ФУНКЦИОНАЛЬНАЯ ПОДСИСТЕМА УПРАВЛЕНИЯ УСПЕВАЕМОСТЬЮ ОБУЧАЮЩИХСЯ ПО ПРОГРАММАМ ПОДГОТОВКИ НАУЧНЫХ И НАУЧНО-ПЕДАГОГИЧЕСКИХ КАДРОВ В АСПИРАНТУРЕ
Общие положения и методика испытаний
Издание официальное
Москва
Российский институт стандартизации
2023
ГОСТ Р 70950—2023
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 18 октября 2023 г. № 1178-ст
4 ВВЕДЕН ВПЕРВЫЕ
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)
©Оформление. ФГБУ «Институт стандартизации», 2023
Настоящий стандарт не может быть полностью или частично воспроизведен, тиражирован и распространен в качестве официального издания без разрешения Федерального агентства по техническому регулированию и метрологии
II
ГОСТ Р 70950—2023
Содержание
1 Область применения..................................................................1
2 Нормативные ссылки..................................................................1
3 Термины и определения................................................................2
4 Общие положения....................................................................4
5 Методика испытаний..................................................................5
6 Примеры интеллектуальных систем и задач для управления успеваемостью обучающихся по программам подготовки научных и научно-педагогических кадров в аспирантуре..............6
7 Описание базового демонстрационного набора данных.....................................7
Библиография.........................................................................9
III
ГОСТ Р 70950—2023
Введение
Функциональная подсистема управления успеваемостью обучающихся по программам подготовки научных и научно-педагогических кадров в аспирантуре входит в систему образования как наиболее значимая ее составляющая, обеспечивающая учебную подготовку обучающихся по программам подготовки научных и научно-педагогических кадров в аспирантуре.
Настоящий стандарт определяет общие положения и методику испытаний технологий искусственного интеллекта (ТИП), используемых при управлении успеваемостью обучающихся по программам подготовки научных и научно-педагогических кадров в аспирантуре в рамках соответствующей функциональной подсистемы высшего учебного заведения.
Основной задачей применения ТИП в рамках определенной подсистемы является прогнозирование результатов обучения для повышения эффективности управления успеваемостью обучающихся руководством высшего учебного заведения. В связи с этим критически значимым является обеспечение должного уровня доверия к используемым ТИИ. С целью разработки единых подходов к тестированию системы искусственного интеллекта разработан настоящий стандарт.
Настоящий стандарт входит в серию стандартов «Технологии искусственного интеллекта в образовании».
IV
ГОСТ Р 70950—2023
НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ
Технологии искусственного интеллекта в образовании
ФУНКЦИОНАЛЬНАЯ ПОДСИСТЕМА УПРАВЛЕНИЯ УСПЕВАЕМОСТЬЮ ОБУЧАЮЩИХСЯ ПО ПРОГРАММАМ ПОДГОТОВКИ НАУЧНЫХ И НАУЧНО-ПЕДАГОГИЧЕСКИХ КАДРОВ В АСПИРАНТУРЕ
Общие положения и методика испытаний
Artificial intelligence technologies in education. Functional subsystem for managing the progress of students in the programs of training scientific and scientific-pedagogical personnel in postgraduate studies. General provisions and test procedure
Дата введения — 2024—01—01
1 Область применения
Настоящий стандарт описывает методику проведения испытаний систем искусственного интеллекта (СИИ), применяемых в управлении успеваемостью обучающихся 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 применим для организаций, осуществляющих подготовку кадров высшей квалификации по программам высшего образования, например: для вузов, как государственных, так и негосударственных, научно-исследовательских институтов.
2 Нормативные ссылки
В настоящем стандарте использована нормативная ссылка на следующий стандарт;
ГОСТ Р 70946—2023 Технологии искусственного интеллекта в образовании. Функциональная подсистема управления успеваемостью обучающихся 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
Издание официальное
1
ГОСТ Р 70950—2023
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 следующие термины с соответствующими определениями: 3.1
аннотирование данных, разметка данных: Процесс маркирования данных, выполняемый для того, чтобы сделать данные пригодными для машинного обучения.
[ГОСТ Р 59898—2021, пункт 3.1]
3.2 аспирантура: Форма реализации уровня профессионального образования, ориентированная на подготовку кадров высшей квалификации.
3.3
базовый демонстрационный набор данных: Образцовый аннотированный набор данных, сформированный в соответствии с нормативно-техническим документом, устанавливающим унифицированные требования к проведению тестирования (испытаний) системы искусственного интеллекта определенного типа.
[ГОСТ Р 59898—2021, пункт 9.1]
3.4
валидация: Подтверждение посредством представления объективных свидетельств того, что требования, предназначенные для конкретного использования или применения, выполнены.
Примечания
1 Объективное свидетельство, необходимое для валидации, является результатом испытания или других форм определения, таких как осуществление альтернативных расчетов или анализ документов.
2 Слово «валидирован» используют для обозначения соответствующего статуса.
3 Условия, применяемые при валидации, могут быть реальными или смоделированными.
[ГОСТ Р ИСО 9000—2015, статья 3.8.13]
3.5
деятельность по оценке соответствия первой стороной: Деятельность по оценке соответствия, которую осуществляет лицо или организация, предоставляющее(ая) объект.
Примечание — Выражения «первая сторона», «вторая сторона» и «третья сторона», используемые для характеристики видов деятельности по оценке соответствия с учетом данного объекта, не следует путать с юридической идентификацией соответствующих сторон какого-либо контракта.
[ГОСТ ISO/IEC 17000—2012, статья 2.2]
3.6
деятельность по оценке соответствия второй стороной: Деятельность по оценке соответствия, которую осуществляет лицо или организация, заинтересованное(ая) в объекте как пользователь.
Примечание — Лицами или организациями, осуществляющими деятельность по оценке соответствия второй стороной, являются, например, покупатели или пользователи продукции, или потенциальные потребители, желающие довериться системе менеджмента поставщика или организации, представляющей их интересы.
[ГОСТ ISO/IEC 17000—2012, статья 2.3]
2
ГОСТ Р 70950—2023
3.7
деятельность по оценке соответствия третьей стороной: Деятельность по оценке соответствия, которую осуществляет лицо или орган, независимое(ый) от лица или организации, предоставляющего(ей) объект, и от пользователя, заинтересованного в этом объекте.
Примечание — Критерии независимости органов по оценке соответствия и органов по аккредитации представлены в международных стандартах и руководствах, применяемых с учетом характера их деятельности.
[ГОСТ ISO/IEC 17000—2012, статья 2.4]
3.8
дополнительный демонстрационный набор данных: Дополнительный аннотированный набор данных, предоставляемый заказчиком работ, связанных с системой искусственного интеллекта при формировании уточненных требований к результатам работ с учетом конкретного функционала системы и условий ее эксплуатации.
[Адаптировано из ГОСТ Р 59898—2021, пункт 9.1]
3.9
искусственный интеллект; ИИ: Способность технической системы имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека.
[ГОСТ Р 59276—2020, пункт 3.6]
3.10 кортеж: Конечная последовательность, допускающая повторение, элементов какого-нибудь множества X.
3.11
лаборатория: Орган, который осуществляет один или несколько из следующих видов деятельности:
- испытания;
- калибровка;
- отбор образцов, связанный с последующими испытаниями или калибровкой.
[ГОСТ ISO/IEC 17025—2019, пункт 3.6]
3.12
образование: Единый целенаправленный процесс воспитания и обучения, являющийся общественно значимым благом и осуществляемый в интересах человека, семьи, общества и государства, а также совокупность приобретаемых знаний, умений, навыков, ценностных установок, опыта деятельности и компетенции определенных объема и сложности в целях интеллектуального, духовнонравственного, творческого, физического и (или) профессионального развития человека, удовлетворения его образовательных потребностей и интересов.
[[1], статья 2, пункт 1]
Примечание — Образование подразделяется на общее образование, профессиональное образование, дополнительное образование и профессиональное обучение, обеспечивающие возможность реализации права на образование в течение всей жизни (непрерывное образование).
3.13
полный демонстрационный набор данных: Совокупность базового и дополнительного наборов данных.
[ГОСТ Р 59898—2021, пункт 9.1]
3
ГОСТ Р 70950—2023
3.14
профессиональное образование: Вид образования, который направлен на приобретение обучающимися в процессе освоения основных профессиональных образовательных программ знаний, умений, навыков и формирование компетенции определенных уровня и объема, позволяющих вести профессиональную деятельность в определенной сфере и (или) выполнять работу по конкретным профессии или специальности.
В Российской Федерации устанавливаются следующие уровни профессионального образования:
1) среднее профессиональное образование;
2) высшее образование — бакалавриат;
3) высшее образование — специалитет, магистратура;
4) высшее образование — подготовка кадров высшей квалификации.
[[1], статья 2, пункт 1]
3.15
система искусственного интеллекта: Техническая система, в которой используются технологии искусственного интеллекта и обладающая искусственным интеллектом.
[ГОСТ Р 59276—2020, пункт 3.16]
3.16 существенные условия эксплуатации: Совокупность специфических условий, факторов и данных, в контексте которых заинтересованными сторонами предполагается использование системы искусственного интеллекта.
3.17
тестовый набор данных: Набор данных, формируемый в органах на основе полного демонстрационного набора данных и необходимый для проведения испытаний алгоритмов искусственного интеллекта.
[Адаптировано из ГОСТ Р 59898—2021,9.1]
3.18
технологии искусственного интеллекта: Комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека при решении задач компьютерного зрения, обработки естественного языка, распознавания и синтеза речи, поддержки принятия решений и других практически значимых задач обработки данных.
[ГОСТ Р 59276—2020, 3.20]
3.19 успеваемость: Степень усвоения обучающимися знаний, умений и навыков с точки зрения требований, установленных нормативными документами образовательной организации.
3.20 функциональная подсистема: Взаимосвязанная совокупность систем искусственного интеллекта, направленных на решение определенных задач.
4 Общие положения
Функциональная подсистема управления успеваемостью обучающихся по программам подготовки научных и научно-педагогических кадров в аспирантуре является системно связанной совокупностью программных решений, в том числе реализующих ТИИ, и направлена на достижение цели обеспечения эффективного управления успеваемостью обучающихся для определенного уровня подготовки.
Ключевыми ее задачами могут являться:
- управление показателями контингента обучающихся руководством высшего учебного заведения;
- управление результатами обучения обучающихся руководством высшего учебного заведения;
4
ГОСТ Р 70950—2023
- управление ресурсами, обеспечивающими защиту обучающимися диссертации на соискание ученой степени кандидата наук в установленный срок (в течение одного года после окончания аспирантуры);
- прогнозирование у обучающихся по программам подготовки научных и научно-педагогических кадров в аспирантуре перспектив успешного трудоустройства.
В рамках определенной функциональной подсистемы результативность целого ряда функций может быть повышена посредством применения систем искусственного интеллекта, в их числе:
- СИИ, построенные с использованием методов обработки естественного языка, применяемые, например, для выработки рекомендаций тематик научно-исследовательских работ аспирантов;
- СИИ, построенные с использованием методов компьютерного зрения и обработки звука, применяемые, например, при создании голосовых помощников-консультантов в рамках подготовки и организации педагогической практики аспирантов;
- системы интеллектуального анализа данных, построенные с использованием методов машинного обучения, применяемые, например, для автоматизированного анализа защит обучающимися диссертации на соискание ученой степени кандидата наук в установленный срок;
- СИИ данных, построенные с использованием методов машинного обучения, применяемые, например, для автоматизированного анализа результатов мониторинга успеваемости аспирантов.
Технологии ИИ следует применять в том случае, когда для решения задачи не известна математическая модель, обеспечивающая результат с приемлемой точностью. При этом методы ИИ используют для того, чтобы по имеющейся информационной модели построить математическую модель и использовать последнюю для решения задачи.
Успешная реализация функции управления успеваемостью обучающихся посредством применения СИИ может оказать существенное положительное влияние на показатели мониторинга высшего учебного заведения.
Для обеспечения доверия к СИИ, применяемым для реализации управления успеваемостью обучающихся, 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 технологий искусственного интеллекта.
5 Методика испытаний
5.1 Применяют положения ГОСТ Р 70946—2023 (5.1).
5.2 Применяют положения ГОСТ Р 70946—2023 (5.2).
5.3 Применяют положения ГОСТ Р 70946—2023 (5.3).
5.4 Применяют положения ГОСТ Р 70946—2023 (5.4).
5.5 Существенные условия эксплуатации
5.5.1 Применяют положения ГОСТ Р 70946—2023 (5.5.1).
5.5.2 Существенными условиями эксплуатации для управления успеваемостью обучающихся по программам подготовки научных и научно-педагогических кадров в аспирантуре могут являться данные:
- об образовательном учреждении, выдавшем документы о предыдущем уровне образования (например, специалитет, магистратура);
- о месте проживания/регистрации (регион, район, населенный пункт);
- системе оценивания успеваемости (например, максимальное значение оценки успеваемости, пороговые значения оценки для уровней успеваемости);
- владении обучающимися иностранными языками (перечень языков, уровень владения);
- категории должности обучающихся (высшее руководство, среднее звено, операционный персонал);
- факультете(институте), кафедре на которых получает образование обучающийся;
- воинской обязанности обучающихся;
- социальном статусе (например, полнота семьи, материальное положение, сфера деятельности родителей) обучающихся;
5
ГОСТ Р 70950—2023
- научно-исследовательской работе (имеющиеся научные труды, изобретения) обучающихся;
- трудовом стаже обучающихся;
- пребывании обучающихся за рубежом;
- участии обучающихся в выборах в органы власти России;
- наградах (правительственные, ведомственные, региональные) обучающихся;
- семейном положении обучающихся;
- научных руководителях (ученое звание, ученая степень, должность) обучающихся и т. д.
5.5.3 Применяют положения ГОСТ Р 70946—2023 (5.5.3).
5.6 Формирование тестового набора данных
5.6.1 Применяют положения ГОСТ Р 70946—2023 (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 (5.6.2.1).
5.6.2.2 Базовый демонстрационный набор данных содержит данные как о самих обучающихся аспирантуры и о направлениях аспирантуры, так и о результатах обучения:
- номер зачетной книжки обучающегося (зашифрован);
- наименование страны, гражданином которой является обучающийся;
- код наименования специальности, по которой обучается обучающийся;
- наименование семестра: «первый семестр», «второй семестр» и т. п.;
- вид ведомости (возможные значения «аспирантская ведомость», «аттестационная ведомость»);
- основание для обучения (три значения: «бюджетная основа», «договорная основа», «целевой набор»);
- вид контроля (возможные значения: «представление научного доклада по диссертации», «зачет», «зачет с оценкой», «экзамен»);
- наименование дисциплины;
- идентификатор преподавателя соответствующей дисциплины (зашифрован);
- отметка результата аттестации по дисциплине: «отлично», «хорошо», «удовлетворительно», «неудовлетворительно», «зачтено»,«незачтено»;
- защита в срок («1» — выпускник защитил кандидатскую диссертацию в течении года после окончания аспирантуры, «0» — в противном случае).
5.6.3 Применяют положения ГОСТ Р 70946—2023 (5.6 3).
5.6.4 Применяют положения ГОСТ Р 70946—2023 (5.6 4).
5.6.5 Применяют положения ГОСТ Р 70946—2023 (5.6 5).
5.6.6 Испытательной лаборатории с учетом положений 5.2—5.6 и раздела 6 следует 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 (5.7).
5.8 Применяют положения ГОСТ Р 70946—2023 (5.8).
6 Примеры интеллектуальных систем и задач для управления успеваемостью обучающихся по программам подготовки научных и научно-педагогических кадров в аспирантуре
6.1 Системы, с помощью которых могут быть решены задачи с использованием базового демонстрационного набора данных, перечислены в 6.1.1—6.1.3.
6.1.1 СИИ, построенная на методах интеллектуального анализа данных, для прогнозирования числа успешно завершивших обучение по программам подготовки научных и научно-педагогических кадров в аспирантуре и защитивших кандидатскую диссертацию в течение одного года после окончания обучения
Значениями целевой функции в такой системе может служить значение поля базового демонстрационного набора данных: «ЗащитаВСрок».
6
ГОСТ Р 70950—2023
6.1.2 СИИ, построенная на методах интеллектуального анализа данных, для определения начала снижения заинтересованности аспиранта в обучении
Значениями целевой функции в такой системе может служить значение поля базового демонстрационного набора данных: «ИтоговаяОтметка».
6.1.3 Рекомендательная система, построенная на методах интеллектуального анализа данных, определяющая вид отчетности (зачет/экзамен) по дисциплине с целью улучшения успеваемости аспирантов
Значениями целевой функции в такой системе может служить значение поля базового демонстрационного набора данных: «ИтоговаяОтметка».
6.2 Системы, с помощью которых могут быть решены задачи с использованием базового демонстрационного набора данных и дополнительных данных, перечислены в 6.2.1—6.2.3.
6.2.1 Система, построенная на методах интеллектуального анализа данных и выявляющая зависимость успеваемости аспиранта в зависимости от различных факторов: места работы, семейного положения, удаленности места проживания и т. п.
6.2.2 Рекомендательная система, построенная на методах интеллектуального анализа данных, предлагающая вид занятий (лекция, семинар и т. п.) по дисциплине с целью улучшения успеваемости аспирантов
Значениями целевой функции в такой системе может служить значение поля базового демонстрационного набора данных: «ИтоговаяОтметка».
6.2.3 Рекомендательная система, построенная на методах интеллектуального анализа данных и предназначенная для выработки вариантов корректировки тем диссертационного исследования на основе дополнительного текстового описания фактически полученных результатов в процессе научно-исследовательской деятельности аспиранта.
7 Описание базового демонстрационного набора данных
Описание полей набора данных, сформированных на основе данных успеваемости обучающихся по программам подготовки научных и научно-педагогических кадров в аспирантуре представлено в таблице 1.
В базовом демонстрационном наборе данных каждый «кортеж» соответствует факту аттестации обучающегося по одной дисциплине. Если обучающийся аттестуется по нескольким дисциплинам, то каждой из таких аттестаций соответствует свой кортеж в базовом демонстрационном наборе данных, поэтому в базовом демонстрационном наборе данных одному обучающемуся может соответствовать несколько кортежей.
Таблица 1 — Описание полей набора данных
Наименование поля | Тип данных | Описание |
ЗачетнаяКнижка | Целочисленный | Номер зачетной книжки обучающегося (зашифрован) |
Страна | Строковый | Наименование страны, гражданином которой является обучающийся |
УчебныйПланСпециальность | Целочисленный | Код наименования специальности, по которой обучается обучающийся |
ПериодКонтроля | Строковый | Наименование семестра: «первый семестр», «второй семестр» и т. п. |
ВидВедомости | Строковый | Возможные значения «аспирантская ведомость», «аттестационная ведомость» |
Основа | Строковый | Три значения — «бюджетная основа», «договорная основа», «целевой набор» |
ВидКонтроля | Строковый | Возможные значения «представление научного доклада по диссертации», «зачет», «зачет с оценкой», «экзамен» |
Дисциплина | Строковый | Наименование дисциплины |
7
ГОСТ Р 70950—2023
Окончание таблицы 1
Наименование поля | Тип данных | Описание |
КодПреподавателя | Целочисленный | Идентификатор преподавателя соответствующей дисциплины (зашифрован) |
Итоговая Отметка | Строковый | Отметка результата аттестации по дисциплине: «отлично», «хорошо», «удовлетворительно», «неудовлетворительно», «зачтено», «незачтено» |
ЗащитаВСрок | Целочисленный | «1» — выпускник защитил кандидатскую диссертацию в течение года после окончания аспирантуры, «0» — в противном случае |
8
ГОСТ Р 70950—2023
Библиография
[1] Федеральный закон от 29 декабря 2012 г. № 273-ФЗ «Об образовании в Российской Федерации»
9
ГОСТ Р 70950—2023
УДК 004.8 :004.6:006.354
ОКС 35.240.90
Ключевые слова: искусственный интеллект, технологии искусственного интеллекта, функциональная подсистема, система искусственного интеллекта, обучающиеся, подготовка научных и научно-педагогических кадров в аспирантуре, методика испытаний, набор данных
10
Редактор В.Н. Шмельков
Технический редактор И.Е. Черепкова
Корректор Р.А. Ментова
Компьютерная верстка Е.А. Кондрашовой
Сдано в набор 20.10.2023. Подписано в печать 02.11.2023. Формат 60х841/8. Гарнитура Ариал.
Усл. печ. л. 1,86. Уч.-изд. л. 1,58.
Подготовлено на основе электронной версии, предоставленной разработчиком стандарта
Создано в единичном исполнении в ФГБУ «Институт стандартизации» , 117418 Москва, Нахимовский пр-т, д. 31, к. 2.
