Разработка интеллектуальной системы формирования персонализированных рекомендаций учебных заданий на основе анализа цифровых профилей студентов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Живетьев Александр Викторович

• Живетьев Александр Викторович
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Живетьев Александр Викторович

ВВЕДЕНИЕ

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПЕРСОНАЛИЗАЦИИ ОБРАЗОВАТЕЛЬНОГО ПРОЦЕССА

1.1. Эволюция подходов к индивидуальному обучению

1.1.1. Формирование понятия «Индивидуальная образовательная траектория»

1.2. Анализ существующих систем персонализации учебного процесса

1.3. Критерии качества подбора учебных заданий

1.3.1. Проблемы рекомендательных систем подбора качества образования

1.3.2. Формализация критериев качества подбора

1.4. Виртуальная компьютерная лаборатория

1.5. Роль рекомендательной системы в Виртуальной компьютерной лаборатории

1.6. Выводы к главе

ГЛАВА 2. ФОРМИРОВАНИЕ, СТРУКТУРИРОВАНИЕ И ОБРАБОТКА ДАННЫХ ЦИФРОВОГО ПРОФИЛЯ СТУДЕНТА

2.1. Проблемы управления индивидуальной образовательной траекторией студента на основе цифрового профиля и цифрового следа

2.2. Источники и типы данных для формирования цифрового профиля

2.3. Модель хранения данных студента в цифровом профиле с учетом мотивации

2.4. Кластеризация и обработка профильных данных

2.5. Этические аспекты хранения и использования данных цифрового профиля

2.6. Выводы к главе

ГЛАВА 3. МЕТОДЫ И АЛГОРИТМЫ ПЕРСОНАЛИЗАЦИИ УЧЕБНЫХ ЗАДАНИЙ

3.1. Метод расчета сложности учебных заданий на основе нечеткой логики

3.2. Подходы к оценке академической успеваемости и прогнозированию

3.4. Алгоритм рекомендации

3.5. Интеграция методов ГОГ и многорукого бандита

3.6. Выводы к главе

ГЛАВА 4. АНАЛИЗ КОГНИТИВНЫХ ОСОБЕННОЙСТЕЙ ОБУЧАЮЩИХСЯ С ПРИМЕНЕНИЕМ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

4.1. Нейросетевое моделирование НЛП и компьютерного зрения в адаптивном образовании

4.2. Прогнозирование движений и когнитивный анализ

4.3. Анализ влияния параметров цифрового профиля на успешность выполнения заданий студентами с помощью математического перцептрона на примере VARK-модели

4.4. Выводы к главе

ГЛАВА 5. ЭКСПЕРИМЕНТАЛЬНАЯ АПРОБАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПЕРСОНАЛИЗИРОВАННЫХ РЕКОМЕНДАЦИЙ

5.1. Архитектура Виртуальной Компьютерной Лаборатории

5.2. Архитектура рекомендательной системы

5.3. Критерии и результаты оценки эффективности системы

5.4. Выводы к главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Разработка интеллектуальной системы формирования персонализированных рекомендаций учебных заданий на основе анализа цифровых профилей студентов»

ВВЕДЕНИЕ

Актуальность. В настоящее время технологии образовательного процесса стремительно развиваются, предоставляя студентам доступ к программам различной направленности, интенсивности и стоимости. Обучение возможно практически в любом месте, используя видеосвязь или записи лекций. В современных условиях можно освоить самые разнообразные дисциплины: от программирования микроконтроллеров до астрологических прогнозов. Образовательные продукты, активно заполняющие рынок, в сочетании с развитием технологий способствовали возникновению тренда на образование. Однако, несмотря на положительные аспекты, эффективность этих образовательных программ остается низкой, что в перспективе может снизить общий интерес к образованию.

Метрика доходимости (COR, Completion Rate — показывает, какая часть студентов дошла до конца курса) студентов во многих крупных онлайн-школах не превышают 13% [1], что свидетельствует о серьезных проблемах. Несмотря на растущую популярность образования, его конверсия в квалифицированных специалистов крайне низка. Многие обучающиеся приобретают образовательные курсы под влиянием маркетинговых материалов о востребованных IT-профессиях, не принимая во внимание собственные интересы и индивидуальные особенности. В результате они начинают обучение по программам, которые не соответствуют их мотивации, утрачивают интерес и прекращают обучение, что приводит к неоправданным затратам времени и финансовых ресурсов.

Важными показателями успешности и эффективности любого образовательного курса, будь то онлайн или очное обучение, являются сложность и интерес [2-4] к предмету. Разработка специального алгоритмического обеспечения для управления интересом (мотивацией) и сложностью с использованием методов искусственного интеллекта способна значительно повысить эффективность образовательного процесса.

Особое значение имеют методы и алгоритмы интеллектуальной поддержки при выборе соответствующего уровня сложности задач для подготовки высококвалифицированных IT-специалистов. Например, специалисту, принимающему решения в области цифровой экономики, необходимо владеть навыками работы с нейронными сетями, прогнозированием на основе деревьев решений, различными методами классификации и многими другими. Специалист в области цифровой трансформации должен разбираться как в программировании и базах данных, так и в бизнес-аналитике и менеджменте. Специалист по данным должен обладать знаниями в таких областях, как машинное обучение, статистика, визуализация данных, высокопроизводительные вычисления, очистка данных и базы данных, этика и регулирование использования данных, а также иметь экспертные знания в предметной области.

Подбор заданий соответствующего уровня сложности является важнейшим аспектом образовательного процесса. Это позволяет студентам эффективно использовать свои знания и навыки, развиваться и достигать успехов в учебе. Задания подходящего уровня сложности способствуют повышению уверенности и мотивации. Слишком простые задания могут вызывать скуку, а слишком сложные — фрустрацию и беспомощность. Подходящее по уровню сложности задание вынуждает студента применять свои знания и навыки, что способствует развитию критического, аналитического и творческого мышления.

Поддержка интереса студентов в процессе обучения имеет огромное значение. Интерес к учебной теме побуждает студентов проводить больше времени за ее изучением, что ведет к более глубокому и основательному пониманию материала. Заинтересованные студенты чаще задают вопросы и обсуждают материал, что способствует более глубокому освоению темы. Использование методов анализа и обработки экспертной информации, включая статистические показатели, позволит значительно продвинуться вперед в формализации понятий «сложность» и «мотивация», разработка критериев и моделей для управления сложностью и мотивацией позволит лучше адаптироваться и подбирать задания в соответствии с индивидуальными характеристиками студента. Разработка на основе этих моделей специального математического и алгоритмического обеспечения и его внедрение позволит повысить эффективность обучения.

Одним из перспективных направлений реализации таких моделей и алгоритмов является их интеграция в современные образовательные платформы. Особый интерес представляют системы, способные предоставить учащимся не только теоретический материал, но и практическую среду для применения полученных знаний. В этом контексте стоит рассмотреть концепцию Виртуальной компьютерной лаборатории (ВКЛ), которая предлагает комплексное решение для прак-тико-ориентированного обучения.

Виртуальная компьютерная лаборатория представляет собой набор аппаратных и программных средств виртуализации и контейнеризации, которые обеспечивают гибкое предоставление и использование вычислительных ресурсов в форме облачных Интернет-услуг по требованию с интегрированной системой управления знаниями [5]. Система управления знаниями и принципы самоорганизации, заложенные в основу ВКЛ позволяют сформировать однородную образовательную среду с элементами когнитивного представления внутренних операционных ресурсов на основе визуальных моделей и частичной автоматизации основных технологических операций с применением экспертной системы, что снижает порог вхождения и позволяет значительно быстрее получить результат в виде функционирующей многокомпонентной информационной системы [6-7]. По сути, теперь учащимся не нужно решать разрозненные, порой оторванные от реальной практики задачи, ведь им предоставляется прекрасная возможность самостоя-

тельно развёртывать и изучать современные информационные системы и самые последние достижения информационных технологий на основе актуальных методологий, теорем и алгоритмов, для создания перспективных программно-технологических решений в области цифровой трансформации и ИТ-сервисов массового обслуживания.

Степень разработанности темы исследования.

Общим вопросам персонализации обучения, адаптивных образовательных технологий и индивидуализации учебного процесса посвящены работы таких авторов, как Б. Блум, Л. С. Выготский, П. Я. Гальперин, Н. Ф. Талызина, И. С. Якиманская, А. В. Хуторской, Л. И. Божович, а также современных исследователей систем адаптивного обучения. Развитию цифровых образовательных платформ и систем персонализации макроуровня, включая ALEKS, Duolingo и прочие адаптивные среды, посвящены исследования таких авторов, как K. VanLehn, P. Brusilovsky, M. Chi, J. Koedinger, R. Baker, S. Ritter, J. Anderson, а также авторов, изучающих проблемы масштабируемой персонализации и интеграции педагогических моделей в цифровые платформы. Вопросы формирования цифровых профилей обучающихся, анализа цифрового следа и применения учебной аналитики рассмотрены в работах D. Clow, S. Dawson, R. Ferguson, G. Siemens, S. Gasevic, а также отечественных исследователей, занимающихся структурированием данных об обучающихся и прогнозированием образовательных результатов. Исследования, посвященные оценке сложности учебных заданий, представлены в работах, использующих методы экспертной оценки, статистические модели и алгоритмы машинного обучения; среди авторов, внёсших вклад в эти направления (в особенности нечеткую логику), можно выделить L. Zadeh, B. Kosko, J. Han. Анализу когнитивных особенностей обучающихся, построению когнитивных профилей и моделированию восприятия учебного материала посвящены работы таких авторов, как N. Fleming, H. Gardner, R. Sternberg, а также исследователей, использующих методы искусственного интеллекта для изучения поведения и эмоциональных состояний студентов.

Отдельные исследования рекомендательных систем в образовании представлены в работах, посвящённых подбору контента, прогнозированию учебных результатов и анализу предпочтений студентов; среди авторов можно выделить Y. Koren, R. Bell, C. Aggarwal, M. Desmarais, G. Paquette и др. Однако исследования, направленные на построение рекомендаций учебных заданий на основе комплексного цифрового профиля, интегрирующего когнитивные особенности, показатели успеваемости, мотивацию и сложность учебных заданий, носят ограниченный и фрагментарный характер.

Объект исследования являются инновационные технологии для совершенствования системы традиционного образования.

Предметом исследования являются методы и алгоритмы формирования персонализированных рекомендаций учебных заданий на основе анализа цифровых профилей студентов.

Целью диссертационной работы является разработка моделей и алгоритмов интеллектуальной системы, обеспечивающей формирование персонализированных рекомендаций по учебным заданиям на основе анализа цифровых профилей обучающихся.

Для достижения поставленной цели были сформулированы и решены следующие задачи:

1. Проанализировать существующие системы персонализации учебного процесса и определить критерии качества подбора учебных заданий, учитывающие индивидуальные особенности обучающихся.

2. Проанализировать существующие подходы к формированию цифровых профилей студентов и создать модель, включающую необходимые характеристики студента для адаптации учебного процесса к индивидуальным особенностям обучающегося.

3. Разработать критерии и подходы к оценке сложности учебных заданий, учитывающие индивидуальные характеристики студентов и их академическую успеваемость.

4. Разработать подходы к анализу когнитивных особенностей обучающихся с применением методов искусственного интеллекта для обработки данных о поведении и психологических характеристиках, а также для адаптации учебных материалов.

5. Внедрить разработанные модели, подходы и процессы в Виртуальную Компьютерную Лабораторию, разработать критерии и методы оценки эффективности, провести апробацию и проанализировать результаты применения.

Научная новизна диссертационного исследования заключается в следующем:

1. Создана модель хранения данных студента в цифровом профиле, позволяющая адаптивно подбирать учебные задания, которая, в отличие от существующих моделей, помимо академических показателей, учитывает категориальные данные профиля и мотивацию.

2. Разработан новый метод расчета сложности учебных заданий, который, в отличие от существующих подходов, основан на методах нечеткой логики, экспертной оценки, а также учитывает предыдущую академическую успеваемость студента по смежным дисциплинам.

3. Предложен метод для анализа типа восприятия студента, который впервые использует данные, полученные с камер, обработанные с применением сверточных нейронных сетей, в сочетании с методами психологии и нейролингвистики, что позволяет адаптировать учебные материалы к когнитивным особенностям учащегося.

Теоретическая значимость исследования заключается в развитии и углублении научных знаний в области применения методов искусственного интеллекта и технологий распреде-

ленного хранения и обработки больших данных для совершенствования образовательного процесса. В рамках исследования были разработаны новые модели, методы и подходы, которые позволяют эффективно анализировать, прогнозировать и актуализировать учебный процесс.

Практическая значимость работы заключается в разработке и внедрении инновационных подходов и технологий для совершенствования учебного процесса в Виртуальной компьютерной лаборатории. Разработанные модели могут быть применены в различных образовательных учреждениях и программах для улучшения качества обучения и адаптации его к индивидуальным потребностям студентов. Практическая значимость исследований подтверждается актами внедрения в КТ МТУСИ, Государственный университет «Дубна», а также в ООО «Прогрес-сив Медиа Девелопмент».

Методологической основой исследования являются методы системного анализа, математического программирования и математического моделирования, искусственного интеллекта. Теоретической основой исследования является анализ научной литературы и проектов внедрения искусственного интеллекта в образовательный процесс, методов и алгоритмов прогнозирования и оценки эффективности сложных систем управления. Также работа опирается на современные исследования в области нейролингвистики, математическую теорию нечетких множеств и нечеткую логику.

Положения, выносимые на защиту.

На защиту выносятся следующие положения и результаты:

1. Создана модель хранения данных студента в цифровом профиле, позволяющая адаптивно подбирать учебные задания с учетом индивидуальных характеристик обучающегося.

2. Предложен метод расчета сложности учебных заданий, использующий методы нечеткой логики и учитывающий предыдущие академические результаты студента по смежным дисциплинам, что обеспечивает персонализированный подход к формированию учебного контента.

3. Создан новый метод анализа типа восприятия студента на основе данных с камер, обработанных с использованием сверточных нейронных сетей, а также методов психологии и нейролингвистики, для адаптации учебных материалов к индивидуальным когнитивным особенностям учащихся.

Соответствие диссертации паспорту научной специальности.

Тема исследования соответствует паспорту специальности 2.3.1 - «Системный анализ, управление и обработка информации, статистика» по следующим пунктам:

3. Разработка критериев и моделей описания и оценки эффективности решения задач си-

стемного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта.

4. Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта.

5. Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта.

Достоверность исследования обеспечивается применением методов системного анализа, математического моделирования, нечеткой логики и машинного обучения, а также подтверждается практической апробацией разработанных решений в реальных образовательных проектах. Разработанные модели и алгоритмы были внедрены в образовательные проекты Государственного университета «Дубна» и использованы в деятельности ООО «Прогрессив Девелопмент», где зафиксировано сокращение сроков обучения стажёров и повышение эффективности формирования проектных команд. Воспроизводимость результатов подтверждается регистрацией программного продукта в Федеральной службе по интеллектуальной собственности и размещением исходного кода в открытом репозитории GitVerse.

Апробация результатов. Основные положения и результаты работы докладывались, обсуждались и получили одобрение специалистов на следующих российских и международных научных мероприятиях.

1. Отрытая всероссийская конференция: «Преподавание информационных технологий в Российской Федерации», 15-16 мая 2025 г., г. Омск.

2. XXI Малышевские чтения: искусственный и естественный интеллект: алгоритмы, мышление и образовательные технологии : международный конгресс с элементами научной школы для молодых ученых (Москва, Россия, 27-28 марта 2025 г.). Доклад: «Алгоритм персонализированной рекомендации образовательных заданий на основе методов коллаборативной фильтрации для компенсации выявленных пробелов в компетенциях обучающихся» / А .В. Живетьев.

3. Образование, преподавание и обучение в эпоху технологических инноваций: проблемы, решения, перспективы : международная научно-практическая конференция (Астана, Казахстан, 20-21 февраля 2025 г.). Доклад: «Проблемы рекомендательных систем подбора заданий в образовании» / А. В. Живетьев.

4. 29-я научно-практическая конференция студентов, аспирантов и молодых специалистов государственного университета «Дубна» (Дубна, Россия, 22-26 апреля 2024 г.).

5. Наука и образование в России: вызовы искусственного интеллекта. Навстречу юбилею государственного университета «Дубна» (Дубна, Россия, 17-18 мая 2024 г.).

Патенты и свидетельства о государственной регистрации программ для ЭВМ:

1. Свидетельство о государственной регистрации программы для ЭВМ № 2025683653 Российская Федерация. Кластеризация студентов на основе цифровых профилей с учетом категориальных данных : заявл. 25.08.2025 : опубл. 05.09.2025 / А. В. Живетьев.

Структура и объем диссертации. Диссертационная работа состоит из введения, пяти глав, заключения, списка литературы и четырех приложений. Список литературы включает 101 наименование. Общий объем работы составляет 118 страниц, в том числе 16 рисунков и 6 таблиц.

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПЕРСОНАЛИЗАЦИИ ОБРАЗОВАТЕЛЬНОГО ПРОЦЕССА

1.1. Эволюция подходов к индивидуальному обучению

Одним из первых шагов в истории искусственного интеллекта в образовании принято считать [8] обучающую машину Б. Скиннера 1958 года — механическое деревянное устройство-коробка (Рисунок 1) с окошком в крышке, где на бумажных дисках появлялись вопросы, а рядом находился рулон бумаги, на котором ученик писал ответ. По мере продвижения механизм забирал часть бумаги из рулона (чтобы ученик не мог изменить ответ) и при этом показывал следующий вопрос. По мнению автора устройство действовало как личный наставник.

Скиннер также является автором термина «программированное обучение», подразумевающий обучение по специально разработанной программе, представлявшей собой определенную последовательность конкретных задач.

Концепция программированного обучения заключается в повышении эффективности образовательного процесса на базе кибернетического подхода (исследование системы на основе принципов кибернетики, в частности с помощью выявления прямых и обратных связей, изучения процессов управления, рассмотрения элементов системы как неких «черных ящиков»). В этой концепция меняется классическая роль преподавателя — акцент в его работе идет на отслеживание психологического состояния ученика и при адаптации (регулировании программных действий при необходимости).

Н. Краудер работавший, как и Скиннер, в 1950-х годах, является изобретателем «разветвленного алгоритма программированного обучения». Его книги из серии TutorText (Рисунок 2), вышедшей в том же году, что и устройство Скиннера, представляли собой «разветвленные книги» (scrambled book): после изучения материала, в книге были вопросы, из которых нужно было выбрать вариант ответа. В зависимости от выбора книга отправляла обучающегося на ту

Рисунок 1. Обучающая машина Б. Скиннера

или иную страницу (где было развитие темы в случае правильного ответа и более детальное объяснение в случае неправильного).

я TljtorText

ADVENTURES IN

ALGEBRA

NORMAN A. CRDWDEB AND GRACE C. MARTIN

TutorTexts are an exciting and effective new approach to self-teaching. TutorTexts make your learning both entertaining and profitable. _

Рисунок 2. Одна из книг серии TutorText

В 1960 году автор выпустил компьютерную программу AutoTutor. Именно Краудер первый придумал концепцию, которую мы сейчас называем «индивидуальными образовательными траекториями». Программа AutoTutor первой применяла концепцию индивидуального прохождения учебного материала — программа сама определяла тот путь, который должен был пройти студент, на основе его же ответов.

Среди отечественных исследователей стоит отметить П. Я. Гальперина, автора теории поэтапного формирования умственных действий, опубликованной в 1952 году. Несмотря на то, что теория была опубликована на 6 лет раньше, чем обучающая машина Скиннера, акцент у Гальперина сделан на этапы формирования умственных действий, что можно рассматривать как гораздо более широкую тему, чем программированное обучение. Тем не менее, труды Гальперина нашли большой отклик среди отечественных исследователей образования, так как его метод планомерно-поэтапного формирования значительно сокращал время формирования навыков. Последователи Гальперина реализовали множество прикладных проектов по совершенствованию процесса обучения.

Одна из наиболее известных последовательниц Гальперина, отечественный психолог Н. Ф. Талызина, в 1969 году сформулировала деятельностную концепцию программированного обучения, которая отличалась от американского аналога, построенного на основе бихевиоризма.

В 1970 уругвайский ученый Х. Карбонелл представил программу Scholar, которая стала первой интеллектуальной обучающей системой: в отличие от существующих в то время аналогов, которые содержали базу данных готовых текстовых фраз, Scholar генерировала индивиду-

альные ответы на сообщения учеников, опираясь на семантическую сеть (где понятия были связаны между собой согласно их семантическим отношениям). Таким образом Scholar положила начало системам DBTS (Dialogue-based tutoring systems, «системы обучения на основе диалога»), которые активно развиваются до сих пор.

В 1960-х и 1970-х годах было выпущено множество систем компьютерного обучения, однако большинство из них акцентировали свое внимание на масштабировании (обучении как можно большему количеству дисциплин) и инструментах (обмен сообщениями, форумы пользователей, удаленная демонстрация экрана и т.д.), а не искусственном интеллекте или алгоритмах индивидуальной адаптации. Однако все эти системы не получили широкого распространения в виду дороговизны оборудования.

С появлением в 1980-х годах персональных компьютеров интеллектуальные системы обучения получили новый виток развития: было выпущено огромное множество программных продуктов разной направленности.

1.1.1. Формирование понятия «Индивидуальная образовательная траектория»

Гуманистическая парадигма инициировала появление личностно-ориентированного обучения, одним из аспектов которого является вариативность образования, что в свою очередь приводит к возможности выбора индивидуальной образовательной траектории обучающимися [9].

Термин «индивидуальная образовательная траектория» (ИОТ) является наиболее распространенным, однако существует множество схожих терминов, которые использовали разные исследователи в разное время, по смыслу являющихся синонимами. Среди этих терминов можно перечислить:

• индивидуальный образовательный маршрут;

• индивидуальный образовательный трек;

• индивидуальная образовательная программа;

• индивидуальная траектория развития;

• индивидуальный стиль деятельности;

• персонализированное обучение;

• вариативное образование.

По мнению И. С. Якиманской [10], в образовательном процессе познавательные способности проявляются в обучаемости, которая определяется как индивидуальная способность к усвоению знаний, а обучение должно не сколько задавать общий вектор развития, а скорее создавать все необходимые условия для развития (что соответствует принципам конструктивизма). Таким образом, сама функция образования меняется — оно должно помогать каждому ученику

совершенствоваться как личности, раскрывать индивидуальные возможности. Термин «индивидуальная траектория развития» у Якиманской строится на развитии двух направлений: приспособляемости и креативности.

Параллельно с понятием «индивидуальный образовательный маршрут» в педагогике существует понятие «индивидуальная образовательная траектория». Понятие «индивидуальная траектория» — сложное, общее понятие, пришедшее в педагогику из физики. Как видно из определения, использование в педагогическом контексте физического термина имеет особый смысл и образный характер. Такие исследователи, как С. А. Вдовина, Е. А. Климов, Н. Н. Суртаева констатируют, что понятие ИОТ обладает более широким значением и предполагает несколько направлений реализации: содержательный (вариативные учебные планы и образовательные программы, определяющие индивидуальный образовательный маршрут); деятельностный (специальные педагогические технологии); процессуальный (организационный аспект) [11].

А. В. Хуторской считает [12], что ИОТ — «это персональный путь реализации личностного потенциала каждого ученика в образовании». Он утверждает, что построение каждым учеником индивидуальной траектории своего образования является задачей эвристического обучения. А. В. Хуторской определяет следующие этапы деятельности ученика: цели — план — деятельность — рефлексия — сопоставление полученных продуктов с целями — самооценка.

А. П. Тряпицына представляет образовательную программу как организационно-управленческое знание, позволяющее реализовать принцип личной ориентации образовательного процесса через определение условий, способствующих достижению учащимися с разными образовательными потребностями и возможностями установленного стандарта образования [13]. Образовательная программа проектируется педагогами и корректируется в совместной деятельности с учащимися, стремящимися выполнить свой образовательный маршрут. Принципы проектирования образовательных программ тождественны принципам построения образовательной системы, т.к. любая образовательная программа — это документ, описывающий построение педагогического процесса в условиях той или иной образовательной системы.

1.2. Анализ существующих систем персонализации учебного процесса

Современные образовательные технологии активно интегрируют методы персонализации для повышения эффективности обучения. Существующие подходы к персонализации можно разделить на два уровня:

Список литературы диссертационного исследования кандидат наук Живетьев Александр Викторович, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. D F O Onah. Dropout Rates of Massive Open Online Courses: Behavioural Patterns / D F O Onah, J E Sinclair, R Boyatt. - 2014. - Dropout Rates of Massive Open Online Courses. - URL: http://rgdoi.net/10.13140/RG.2.1.2402.0009 (date accessed: 11.05.2025).

2. Семенова, Т. В. Влияние учебной мотивации на успеваемость студентов: роль учебной активности / Т. В. Семенова // Высшее образование в России. - 2016. - № 7. - URL: https://cyberleninka.ru/article/n/vliyanie-uchebnoy-motivatsii-na-uspevaemost-studentov-rol-uchebnoy-aktivnosti (дата обращения: 05.01.2025).

3. Антонов, В. Г. Оценка уровня и структуры мотивации к учебе студентов бакалавриата как показателей качества образования / В. Г. Антонов, И. А. Румянцева, Т. Ю. Кротенко // ПНиО. -2019. - Т. 38. - № 2. - URL: https://cyberleninka.m/article/n/otsenka-urovnya-i-stmktury-motivatsii-k-uchebe-studentov-bakalavriata-kak-pokazateley-kachestva-obrazovaniya (дата обращения: 05.01.2025).

4. Данилова, И. В. Взаимосвязь мотивации учебной деятельности и успеваемости (на примере студентов-психологов ВГУЭС) / И. В. Данилова // Материалы IX Международной студенческой научной конференции «Студенческий научный форум». - URL: https://scienceforum.ru/2017/article/2017036154 (дата обращения: 05.01.2025).

5. Стратегия подготовки ИТ-специалистов с применением инновационного учебного дата-центра «Виртуальная компьютерная лаборатория» для эффективного решения задач цифровой трансформации и акселерации цифровой экономики / М. А. Белов, С. И. Гришко, М. В. Лиши-лин [и др.] // Международный научный журнал «Современные информационные технологии и ИТ-образование». - 2021. - Т. 17. - № 1. - URL:

http://sitito.cs.msu.ru/index.php/SITITO/article/view/703 (дата обращения: 29.04.2025).

6. Sukhomlin, V. Multiplatform System of Digital Talents Development "Academy of OIT" / V. Su-khomlin, E. Zubareva, D. Namiot // Modern Information Technology and IT Education : Communications in Computer and Information Science / eds. V. Sukhomlin, E. Zubareva. - Cham : Springer International Publishing, 2021. - Vol. 1204. - P. 3-13. - URL: https://link.springer.com/10.1007/978-3-030-78273-3_1 (date accessed: 11.05.2025).

7. Sukhomlin, V. Analytical Review of the Current Curriculum Standards in Information Technologies / V. Sukhomlin, E. Zubareva // Modern Information Technology and IT Education : Communications in Computer and Information Science / eds. V. Sukhomlin, E. Zubareva. - Cham : Springer International Publishing, 2020. - Vol. 1201. - P. 3-41. - URL: http://link.springer.com/10.1007/978-3-030-46895-8_1 (date accessed: 11.05.2025).

8. Холмс, У. Искусственный интеллект в образовании / У. Холмс, М. Бялик, Ч. Фейдел. -Москва : Альпина PRO, 2022.

9. Вдовина, С. А. Сущность и направления реализации индивидуальной образовательной траектории / С. А. Вдовина, И. М. Кунгурова // Интернет-журнал «Науковедение». - 2013. - Т. 6.

10. Якиманская, И. С. Разработка технологии личностно-ориентированного обучения / И. С. Якиманская // Вопросы психологии. - 1995. - Т. 2. - С. 13-21.

11. Шеманаева, М. А. О трактовках термина «индивидуальная образовательная траектория» / М. А. Шеманаева // Научно-методический электронный журнал «Концепт». - 2017. - № 12.

12. Хуторской, А. В. Дидактическая эвристика: теория и технология креативного обучения / А. В. Хуторской. - Москва : Издательство «Москва», 2003. - 415 с.

13. Тряпицына, А. П. Образовательная программа - маршрут ученика: Ч. 1 / А. П. Тряпицына. -СПб., 1998.

14. McKay, E. Web-mediated education and training environments: A review of personalised interactive e-learning resources / E. McKay. - RMIT University, Australia : Information Science Reference, 2013.

15. Vanlehn, K. The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems / K. Vanlehn // Educational Psychologist. - Т. 46. - С. 197-221.

16. Deep Knowledge Tracing / C. Piech, J. Spencer, J. Huang, [и др.] arXiv:1506.05908 [cs]. - arXiv, 2015. - URL: http://arxiv.org/abs/1506.05908 (дата обращения: 30.04.2025).

17. An Evaluation of a Placement Assessment for an Adaptive Learning System / Jeffrey Matayoshi, Eric Cosyn, Christopher Lechuga, Hasan Uzun. - 2024. - URL: https://zenodo.org/doi/10.5281/ze-nodo.12729892 (дата обращения: 11.05.2025).

18. Yancey, K. P. A Sleeping, Recovering Bandit Algorithm for Optimizing Recurring Notifications / K. P. Yancey, B. Settles // Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining KDD '20: The 26th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. - Virtual Event CA USA : ACM, 2020. - P. 3008-3016. - URL: https://dl.acm.org/doi/10.1145/3394486.3403351 (date accessed: 11.05.2025).

19. Personalized AI Learning with Khanmigo Interests / - 2023. - URL: https://blog.khan-academy.org/new-khanmigo-interests/ (дата обращения: 05.01.2025).

20. Брюховецкий, А. А. Разработка рекомендательной системы в сфере онлайн-образования / А. А. Брюховецкий, Е. Н. Мащенко, М. А. Журавель // Перспективные направления развития отечественных информационных технологий : Материалы IX Всероссийской научно-практической конференции. - Севастополь : Севастопольский государственный университет, 2023. -

С. 360-370.

21. Селезнев, А. А. Система построения персональных образовательных траекторий / А. А. Селезнев // Современные информационные технологии и ит-образование. Сборник научных трудов III Международной научной конференции «Конвергентные когнитивно-информационные технологии» и XIII Международной научно-практической конференции «Современные информационные технологии и ИТ-образование». - Москва : Московский государственный университет имени М.В. Ломоносова; Федеральный исследовательский центр «Информатика и управление» РАН, 2018. - С. 132-139.

22. Рекомендательные системы в онлайн-образовании. - URL: https://habr.com/ru/companies/stepic/articles/307670/ (дата обращения: 30.01.2025).

23. Токтарова, В. И. Интеграция рекомендательных систем на основе искусственного интеллекта в образовательный процесс вуза / В. И. Токтарова, О. Г. Казанцева // Известия Российского государственного педагогического университета им. А.И. Герцена. - 2024. - № 212. -С. 102-114.

24. Фальк, К. Рекомендательные системы на практике / К. Фальк. - Москва : ДМК-Пресс, 2020. - 448 с.

25. Belov, M. A. Essential aspects of it training technology for processing, storage and data mining using the virtual computer lab / M. A. Belov, M. A. Mikheev, P. E. Lupanov // CEUR Workshop Proceedings : GRID 2018 - Selected Papers of the 8th International Conference "Distributed Computing and Grid-Technologies in Science and Education. - Dubna, 2018. - Т. 2267. - С. 207-212.

26. Sidorov, D. Design of hardware-software systems in the educational process with the use of virtual computer lab / D. Sidorov, M. Belov // System Analysis in Science and Education. - 2020. - № 2 (2020). - С. 70-82.

27. Система управления виртуальной инфраструктурой на основе визуальных моделей в среде виртуальной компьютерной лаборатории / М. А. Белов, П. Е. Лупанов, А. С. Минзов, Н. А. Токарева // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. - 2019. - № 6-2. - С. 41-46.

28. Концептуальная модель системы управления знаниями для формирования профессиональных компетенций в области ИТ в среде виртуальной компьютерной лаборатории / М. В. Лиши-лин, М. А. Белов, Н. А. Токарева, А. В. Сорокин // Фундаментальные исследования. - 2015. -№ 11-5. - С. 886-890.

29. Повышение продуктивности освоения распределённых информационных систем в виртуальной компьютерной лаборатории на основе применения технологий контейнеризации и оркестровки контейнеров / А. Белов М, А. Крюков Ю, А. Михеев М [и др.] // Международный научный журнал «Современные информационные технологии и ИТ-образование». - 2018. -

Т. 14. - № 4. - URL: http://sitito.cs.msu.ru/index.php/SITITO/article/view/447 (дата обращения: 29.04.2025).

30. Гришко, С. И. Перспективные инструменты онлайн облучения: Виртуальная компьютерная лаборатория на основе принципов самоорганизации, чат-боты, роботы телеприсутствия /

С. И. Гришко, М. А. Белов // Проблемы управления качеством образования: сборник избранных статей Международной научно-методической конференции (Санкт-Петербург, май 2022) Проблемы управления качеством образования: сборник избранных статей Международной научно-методической конференции (Санкт-Петербург, май 2022). - Crossref, 2022. - PROMISING TOOLS FOR E-LEARNING. - С. 93-98. - URL: https://elibrary.ru/item.asp?id=49084719&pff=1 (дата обращения: 29.04.2025).

31. Родионов, А. В. Моделирование сложных организационных систем с применением новейших программно-инструментальных средств на примере хэндлинговой компании в открытой облачной среде на базе виртуальной компьютерной лаборатории / А. В. Родионов, М. А. Белов, М. В. Балашова // Системный анализ в науке и образовании. - 2023. - № 1. - С. 18-40.

32. Белов, М. А. Новая методология дистанционного обучения для эффективного формирования профессиональных компетенций цифровой трансформации: кибернетический подход, эко-системное мышление, виртуальные лаборатории, микрообучение, коллективное инженерное творчество, акцент на реферальность / М. А. Белов, И. С. Гришко, К. Н. Жаткина // Системный анализ в науке и образовании. - 2021. - Т. 4. - С. 63-71.

33. Цифровая образовательная история как составляющая цифрового профиля обучающегося в условиях трансформации образования / Siberian Federal University, Р. В. Есин, Т. В. Зыкова [и др.] // Перспективы науки и образования. - 2022. - Т. 59. - № 5. - С. 566-585.

34. Hakimi, L. The ethics of using digital trace data in education: A thematic review of the research landscape / L. Hakimi, R. Eynon, V. Murphy // Review of Educational Research. - 2021. - № 91(5). -С. 671-717.

35. Лызь, Н. А. Использование искусственного интеллекта для сопровождения деятельности обучающихся / Н. А. Лызь // Информатизация образования и методика электронного обучения: цифровые технологии в образовании. - Красноярский государственный педагогический университет им. В.П. Астафьева, 2023. - С. 1201-1205.

36. Живетьев, А. В. Проблемы управления индивидуальной образовательной траекторией студента на основе цифрового профиля и цифрового следа / А. В. Живетьев, М. А. Белов // Системный анализ в науке и образовании. - 2024. - Т. 4. - С. 37-44.

37. Кустицкая, Т. А. Прогнозирование успешности обучения: проблемы и задачи / Т. А. Кустиц-кая, М. В. Носков, Ю. В. Вайштейн // Наука и школа. - 2023. - № 4. - С. 71-83.

38. Костюк, А. В. Особенности внедрения учебной аналитики в прогностическую систему обучения / А. В. Костюк // Перспективы науки. - 2023. - № 2(161). - С. 159-164.

39. Живетьев, А. В. Этические аспекты индивидуальных образовательных траекторий в цифровой образовательной среде / А. В. Живетьев // Вестник государственного университета Дубна. Серия: Науки о человеке и обществе. - 2022. - № 3. - С. 11-20.

40. Junco, R. The relationship between frequency of Facebook use, participation in Facebook activities, and student engagement Received / R. Junco // Magazine Computers & Education. - 2012. -

Т. 58. - № 1. - С. 162-171.

41. Емельянович, И. Новая норма образования / И. Емельянович // Наука и инновации. - 2022. -Т. 1. - № 8. - С. 57-60.

42. Тирни, Б. Наука о данных. Базовый курс / Б. Тирни, Дж. Келлехер. - Москва : Альпина Паблишер, 2021. - 224 с.

43. What main methodology are you using for your analytics, data mining, or data science projects. -URL: https://www.kdnuggets.com/polls/2014/analytics-data-mining-data-science-methodology.html (date accessed: 12.05.2024)

44. Грибов, М. В. Внедрение технологии Educational Data Mining в современное российское образование / М. В. Грибов, А. С. Рузина, Е. В. Сазанова // Современные тенденции и проекты развития информационных систем и технологий : Материалы Городской научно-исследовательской конференции студентов и школьников. - Хабаровск : Хабаровский государственный университет экономики и права, 2020. - С. 11-15.

45. Кирюхин, Д. В. Использование educational data mining в системах e-learning / Д. В. Кирюхин // Прикладная математика и информатика: современные исследования в области естественных и технических наук : Материалы IV научно-практической международной конференции (школы-семинара) молодых ученых: в 2 частях. - Тольятти, 2018. - Т. 2. - С. 144-149.

46. How Digital Footprints Shape IT-Education and Drive Digital Transformation / E. Cheremisina, E. Kirpicheva, N. Tokareva [et al.] // Physics of Particles and Nuclei. - 2024. - Vol. 55. - № 3. -

P. 317-320.

47. Чуранов, Е. Статистика интернета и соцсетей на 2023 год - цифры и тренды в мире и в России / Е. Чуранов. - WebCanape, 2023. - URL: https://www.web-canape.ru/business/statistika-interneta-i-socsetej-na-2023-god-cifry-i-trendy-v-mire-i-v-rossii (дата обращения: 11.06.2024). -Текст: электронный.

48. Ихсанов, И. Р. Применение методов машинного обучения для выявления взаимосвязи академической успеваемости и данных профиля социальной сети / И. Р. Ихсанов, И. С. Шахова // Электронные библиотеки. - 2019. - Т. 22. - № 2. - С. 95-118.

49. Мацута, В. В. Методы и инструменты выявления перспективных абитуриентов в социальных сетях / В. В. Мацута, П. Б. Киселев, А. Б. Фещенко // Открытое и дистанционное образование. - 2017. - № 4. - С. 45-52.

50. Талипова, Д. А. Специфика медиапотребления молодого поколения / Д. А. Талипова, Ф. А. Ершова // Молодой ученый. - 2022. - № 2(397). - С. 27-30.

51. Панасенко, С. В. Подходы к анкетированию студентов и работодателей в процессе образовательной деятельности в вузах / С. В. Панасенко // Южно-Уральские научные чтения. - 2016. -№ 1(2). - С. 103-105.

52. Образцов, И. В. Удовлетворенность студентов качеством обучения в вузе: социологический анализ на примере МГЛУ / И. В. Образцов, А. В. Половнев // Вестник Московского государственного лингвистического университета. Общественные науки. - 2017. - № 2(786). - С. 221241.

53. Гурина, Р. В. Оценка удовлетворенности студентов физико-технического профиля университета онлайн-обучением / Р. В. Гурина, Е. В. Морозова, Л. Н. Леонтьева // Профессиональное образование в современном мире. - 2021. - Т. 11. - № 4. - С. 84-96.

54. Медведева, Л. С. Анкетирование студентов как инструмент совершенствования учебного процесса в высшем образовании / Л. С. Медведева, Н. С. Землякова, М. Д. Ильязова. - Текст : электронный // высшем образовании // Инновационная. - 2024. - № 1. - URL: https://cyberleninka.ru/article/n/anketirovanie-studentov-kak-instrument-sovershenstvovaniya-uchebnogo-protsessa-v-vysshem-obrazovanii (дата обращения: 11.07.2024).

55. Брюс, П. Практическая статистика для специалистов Data Science / П. Брюс, Э. Брюс, П. Ге-дек. - 2021. - 352 с.

56. Валиаппа, Л. Машинное обучение. Паттерны проектирования / Л. Валиаппа. - БХВ, 2025. -448 с.

57. Галкина, Е. Н. Мотивация учебной деятельности в ВУЗе / Е. Н. Галкина // Интернет-журнал «Мир науки». - Т. 5. - № 2.

58. Ахмедьянова, Г. Ф. Концепция многоуровневого управления развитием мотивации обучающегося / Г. Ф. Ахмедьянова, А. М. Пищухин // Азимут научных исследований: педагогика и психология. - 2021. - Т. 10. - № 4(37).

59. Гордеева, Т. О. Мотивационные профили как предикторы саморегуляции и академической успешности студентов / Т. О. Гордеева, О. А. Сычев // Вестник Московского Университета. Серия 14. Психология. - 2017. - Т. 2017. - № 1. - С. 67-87.

60. Живетьев, А. В. Агломеративная иерархическая кластеризация студентов на основе цифровых профилей с учетом категориальных данных / А. В. Живетьев, М. А. Белов // Автоматизация. Современные технологии. - 2025. - Т. 79. - № 4. - С. 185-192.

61. Дрянкова, Д. А. Создание таблиц и их фильтрация в библиотеке Pandas для языка программирования Python / Д. А. Дрянкова, И. С. Замулин. - E-Scio, 2023.

62. Категориальные признаки. - URL: https://habr.com/ru/articles/666234/ (дата обращения: 20.11.2024).

63. Применение методов нечеткой логики для формирования адаптивной индивидуальной траектории обучения на основе динамического управления сложностью курса / М. А. Белов,

С. И. Гришко, А. В. Живетьев [и др.] // Моделирование, оптимизация и информационные технологии. - 2022. - Т. 10. - № 4(39). - С. 18-19.

64. Куршев, А. Х. Проблемы когнитивной безопасности и цифровой этики в сфере образования / А. Х. Куршев, М. М. Гедгафов // Проблемы современного педагогического образования. -2020. - № 68-3. - С. 172-176.

65. Подход к управлению виртуальной компьютерной лабораторией на основе концептуальной модели операционных рисков / М. А. Белов, А. В. Живетьев, С. А. Подгорный [и др.] // Моделирование, оптимизация и информационные технологии. - 2023. - Т. 11. - № 1(40). - С. 1-2.

66. Живетьев, А. В. Прогнозирование сложности курса на основе оценок по обеспечивающим дисциплинам с помощью метода логистической регрессии на примере курса по программированию на Python / А. В. Живетьев, М. А. Белов // Системный анализ в науке и образовании. -2024. - № 2. - С. 91-97.

67. Агаев, Ф. Т. Прогнозирование успеваемости студентов в электронном образовании с использованием методов data mining. // Информатизация образования и методика электронного обучения: цифровые технологии в образовании / Ф. Т. Агаев, Г. А. Мамедова, Р. Т. Меликова // Материалы V Международной научной конференции. В 2-х частях. - Красноярск : Сибирский федеральный университет, 2021. - Т. 2. - С. 19-23.

68. Márquez-Vera, C. Predicting student failure at school using genetic programming and different data mining approaches with high dimensional and imbalanced data / C. Márquez-Vera // Applied intelligence. - 2013. - № 38(3). - С. 315-330.

69. Mgala, M. Data-driven intervention-level prediction modeling for academic performance / M. Mgala, A. Mbogho // Proceedings of the Seventh International Conference on Information and Communication Technologies and Development ICTD '15: The Seventh International Conference on Information and Communication Technologies and Development. - Singapore Singapore : ACM, 2015. - P. 1-8. - URL: https://dl.acm.org/doi/10.1145/2737856.2738012 (date accessed: 07.04.2025).

70. Shahiri, A. M. A Review on Predicting Student's Performance Using Data Mining Technique / A. M. Shahiri, W. A. Husain, N. A. Rashid // Procedia Computer Science. - 2015. - Т. 72. - С. 414422.

71. Аксентов, В. А. Важность математики в программировании / В. А. Аксентов // Вестник науки. - 2023. - № 2(59). - URL: https://cyberleninka.ru/article/n/vazhnost-matematiki-v-programmirovanii (дата обращения: 20.05.2024).

72. Ерохина, Е. А. Влияние результатов ЕГЭ на успеваемость студентов вузов / Е. А. Ерохина, Д. В. Хруслова // Информационные технологии в науке, образовании и управлении: Труды международной конференции IT + S&E'16. - Гурзуф : ИНИТ, 2016. - С. 265-272.

73. Баранова, М. В. О необходимости изучения английского языка студентами - будущими программистами / М. В. Баранова // Известия ПГПУ им. В. Г. Белинского. - 2011. - № 24. - С. 540543.

74. Черняева, Н. В. Модели и алгоритмы исследования корреляции между дисциплинами учебного плана специальности в вузах / Н. В. Черняева // Актуальные проблемы современной науки: взгляд молодых: сборник трудов V Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых. - Челябинск : Violitprint, 2016. - С. 540.

75. Архипова, З. В. Анализ подходов к созданию рекомендательных систем в сфере предоставления образовательных услуг / З. В. Архипова, А. В. Сорокин // System Analysis & Mathematical Modeling. - 2024. - Т. 6. - № 2. - С. 133-145.

76. A systematic literature review on educational recommender systems for teaching and learning: research trends, limitations and opportunities / F. L. da Silva, B. K. Slodkowski, K. K. A. da Silva, S. C. Cazella // Education and Information Technologies. - 2023. - Vol. 28, no. 3. - P. 3289-3328. - DOI: 10.1007/s10639-022-11341-9.

77. Волков, Н. Г. Нейролингвистическое программирование и основные концепции обучения в технологическом вузе и военно-учебном заведении / Н. Г. Волков // Вестник Казанского технологического университета. - 2014. - Т. 17. - № 8. - С. 315-322.

78. Model for creating an adaptive individual learning path for training digital transformation professionals and big data engineers using Virtual Computer Lab / S. Grishko, M. Belov, E. Cheremisina,

P. Sychev // Communications in Computer and Information Science. - 2021. - № 1448. - С. 496-507.

79. Forward and Backward Information Retention for Accurate Binary Neural Networks / H. Qin, R. Gong, X. Liu [и др.] // 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). - Seattle, WA, USA : IEEE, 2020. - С. 2247-2256. - URL: https://ieeexplore.ieee.org/document/9157443/ (дата обращения: 03.05.2025).

80. Живетьев, А. В. Адаптивная выдача учебно-методических материалов на основе моделей нейролингвистического программирования по результатам оценки позы учащегося за компьютером или в аудитории средствами машинного обучения / А. В. Живетьев, М. А. Белов // Computational nanotechnology. - 2024. - Т. 11. - № 3. - С. 81-88.

81. Kahneman, D. Pupillary, Heart Rate, and Skin Resistance Changes During a Mental Task / D. Kahneman // Journal of Experimental Psychology. - 1969. - № 79. - С. 164-167.

82. img2pose: Face Alignment and Detection via 6DoF, Face Pose Estimation / V. Albiero, X. Chen, X. Yin [и др.] // 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). - Nashville, TN, USA : IEEE, 2021. - img2pose. - С. 7613-7623. - URL: https://ieeexplore.ieee.org/docu-ment/9578214/ (дата обращения: 03.05.2025).

83. Другова, Е. А. Искусственный интеллект для учебной аналитики и этапы педагогического проектирования: обзор решений / Е. А. Другова, И. И. Журавлева, У. С. Захарова // Вопросы образования. - 2022. - № 4. - С. 107-153.

84. Токтарова, В. И. Технологии нейронных сетей в персонализации электронного обучения студентов / В. И. Токтарова, О. В. Шашков, О. Г. Попова // Педагогическая информатика. -№ 3. - С. 106-120.

85. Технологии искусственного интеллекта в практике современного высшего образования /

B. И. Токтарова, О. Г. Попова, И. И. Сагдуллина, В. А. Белянин // Вестник Марийского государственного университета. - 2023. - Т. 17. - № 2. - С. 210-220.

86. Ширинкина, Е. В. Интеллектуальный анализ образовательных данных / Е. В. Ширинкина // Вестник Тверского государственного университета. Серия: Экономика и управление. - 2021. -№ 3. - С. 179-188.

87. Кречетов, И. А. Искусственный интеллект в образовании: реализация адаптивного обучения на основе учебной аналитики / И. А. Кречетов // Современное образование: повышение конкурентноспособности университетов. Материалы международной научно-методической конференции. - Томск : Томский государственный университет систем управления и радиоэлектроники, 2021. - С. 77-84.

88. Husmann, P. R. Another Nail in the Coffin for Learning Styles? Disparities among Undergraduate Anatomy Students' Study Strategies, Class Performance, and Reported VARK Learning Styles /

P. R. Husmann // Anatomical Sciences Education. - 2019. - № 12(1). - С. 6-19.

89. Амиров, Р. А. Перспективы внедрения технологий искусственного интеллекта в сфере высшего образования / Р. А. Амиров, У. М. Билалова // Управленческое консультирование. - № 3. -

C. 80-88.

90. Живетьев, А. В. Использование математического перцептрона и VARK-модели для анализа влияния параметров цифрового профиля на успешность выполнения заданий студентами в целях формирования индивидуальных образовательных траекторий / А. В. Живетьев // Автоматизация. Современные технологии. - 2024. - Т. 78. - № 10. - С. 476-480.

91. Концепция усовершенствованной архитектуры виртуальной компьютерной Лаборатории для эффективного обучения специалистов по распределённым информационным системам различного назначения и инструментальным средствам проектирования / М. А. Белов, П. Е. Лупа-нов, Н. А. Токарева, Е. Н. Черемисина // Современные информационные технологии и ИТ-образование. - 2017. - Т. 13. - № 1. - С. 182-189.

92. Токтарова, В. И. Алгоритмы персонализации: виды рекомендаций в цифровых системах обучения / В. И. Токтарова, О. Г. Казанцева // Информация и образование: границы коммуникаций. - 2024. - Т. 24. - № 16. - С. 74-75.

93. Медведская, Ю. И. Реализация алгоритма маппинга объектов передачи данных в базовые сущности программы / Ю. И. Медведская // Электронные системы и технологии : Материалы 59-й научной конференции аспирантов, магистрантов и студентов БГУИР. - Минск : Научное электронное издание, 2023. - С. 246-248.

94. Recommender Systems in the Era of Large Language Models (LLMs) / W. Fan, Z. Zhao, J. Li, Y. Liu, X. Mei, Y. Wang, J. Tang, Q. Li // IEEE Transactions on Knowledge and Data Engineering. -2023. - Vol. 36. - P. 6889-6907. - DOI: 10.1109/TKDE.2024.3392335.

95. Autonomous recommender system architecture for virtual learning environments / J. Monsalve-Pulido, J. Aguilar, E. Montoya, C. Salazar // Applied Computing and Informatics. - 2020. - URL: https://doi.org/10.10167j.aci.2020.03.001. - DOI: 10.1016/j.aci.2020.03.001.

96. Morozov, S. A distributed, architecture-centric approach to computing accurate recommendations from very large and sparse datasets / S. Morozov // Annual Review of Ecology, Evolution, and Sys-tematics. - 2011. - Vol. 28. - P. 289-316. - DOI: 10.1146/annurev.ecolsys.28.1.289.

97. Castells, P. Recommender systems / P. Castells, D. Jannach // Information Retrieval. - 2024. -URL: https://doi.org/10.1145/3674127.3674131. - DOI: 10.1145/3674127.3674131.

98. Empirica: a virtual lab for high-throughput macro-level experiments / A. Almaatouq, J. Becker, J. Houghton, N. Paton, D. Watts, M. Whiting // Behavior Research Methods. - 2020. - Vol. 53. - P. 2158-2171. - DOI: 10.3758/s13428-020-01535-9.

99. Sun, S. The design and implementation of computer hardware assembling virtual laboratory in the VR environment / S. Sun, T. Xu, J. Zhou // MATEC Web of Conferences. - 2018. - Vol. 232. - P. 01051. - DOI: 10.1051/matecconf/201823201051.

100. Genkov, D. Implementation of a virtual laboratory for computer oriented disciplines / D. Genkov, M. Slavov // Proceedings of the 29th Telecommunications Forum (TELFOR). - 2021. - P. 1-4. - DOI: 10.1109/TELFOR52709.2021.9653245.

101. Nur, M. Architecture design of Internet of Things virtual laboratory / M. Nur // Asian Journal of Education and Social Studies. - 2024. - URL: https://doi.org/10.9734/ajess/2024/v50i21271. - DOI: 10.9734/ajess/2024/v50i21271.

ПРИЛОЖЕНИЕ 1 Пример эталонного профиля в формате JSON

{

"etalon": { "discipline": "Backend на PHP",

"competencies": [

{

"name": "Протокол HTTP: метод GET", "level": 1

/ '

"name": "Протокол HTTP: метод POST", "level": 1

/ '

"name": "Основы PHP: переменные и типы данных", "level": 1

/'

"name": "Основы PHP: условные операторы и циклы", "level": 1

/'

"name": "ООП в PHP: классы и объекты", "level": 1

/'

"name": "ООП в PHP: наследование", "level": 1

/'

"name": "Работа с базами данных: SQL-запрос SELECT", "level": 1

/'

"name": "Работа с базами данных: SQL-запрос INSERT", "level": 1

}

]

}

}_

Пример профиля студента в формате JSON

{

"student_3465475778": { "first_name": "Иван", "last_name": "Алексеев", "middle_name": "Олегович", "date_of_birth": "2003-05-17", "general_knowledge": {

"algorithms": 0.7

},

"academic_achievements": [ "Призёр школьной олимпиады по математике"

],

"hobbies": [ "Разработка игр", "Рисование"

],

"PHP": [

{

"name": "Протокол HTTP: метод GET", "level": 1

/ '

"name": "Протокол HTTP: метод POST", "level": 0.4

/ '

"name": "Основы PHP: переменные и типы данных", "level": 1

/ '

"name": "Основы PHP: условные операторы и циклы", "level": 0.8

/ '

"name": "ООП в PHP: классы и объекты", "level": 0.3

/ '

"name": "ООП в PHP: наследование", "level": 0

}, {

"name": "Работа с базами данных: SQL-запрос SELECT",

"level": 0.9

},

{

"name": "Работа с базами данных: SQL-запрос INSERT", "level": 0.5

}

]

}

}

Пример структуры хранения мотивации в цифровом профиле студента

1

"student_id": "12345", "motivation": { "academic_motivation": {

"grades": [ {"course": "Математика", "score": 85}, {"course": "Физика", "score": 90}

],

"participation": [ {"event": "Научная конференция", "date": "2023-10-20"}

],

"external_courses": [ {"platform": "Coursera", "course": "Программирование", "grade": 88}

]

},

"social_motivation": {

"social_network_activity": { "likes": 120, "posts": [

{"text": "Готовлюсь к экзамену!", "sentiment": "положительный"}

]

},

"messenger_activity": { "group_messages": 45, "frequency": "ежедневно"

} },

"interest_motivation" : {

"preferred_subjects": ["Программирование", "Литература"], "video_content": [ {"genre": "Наука", "views": 25, "duration": "4ч"}

]

},

"behavioral_motivation": { "task_completion_rate": 0.95, "time_management": { "assignment_timestamps": [ {"task": "Эссе", "submitted": "2023-11-01 14:00"}

]

} },

"emotional_state": { "survey_responses": { "satisfaction": "4/5", "self_reported_motivation" : "Высокая"

} },

"engagement": { "attention_level": 0.9, "video_analysis": [ {"date": "2023-11-05", "focus_score": 0.85}

]

}

}

}

Пример данных цифрового профиля студента для кластеризации

{

"student_3465478778": { "first_name": "Алексей", "last_name": "Иванов", "middle_name": "Олегович", "date_of_birth": "2003-05-17", "hobbies": [ "программирование", "баскетбол", "игра на гитаре", "фотография"

],

"skills": { "languages": [

"Python",

"Java",

"SQL"

],

"frameworks": [ "Django", "Flask"

"tools": [ "Git", "Docker"

]

},

"academic_achievements": [ "Участник олимпиады по программированию", "Победитель хакатона по искусственному интеллекту"

],

"languages_spoken": [ "Русский", "Английский"

]

},

}

ПРИЛОЖЕНИЕ 2

Таблица 1. Источники и типы данных для цифрового профиля

Источник данных Типы данных Примеры данных Возможные способы использования

Информационные системы учебных заведении Числовые Оценки за задания и экзамены Оценка академического прогресса

Категориальные Участие в мероприятиях Анализ вовлеченности, анализ интересов

Категориальные Взятые в библиотеке книги Анализ интересов

Неструктурированные Комментарии препода-вателеИ Выявление учебных трудностей

Метаданные Временные метки выполнения заданиИ Выявление паттернов вовлеченности, определение сложностеИ

Социальные сети Числовые Количество лаИков, комментариев, друзеИ Оценка интересов и социальной активности

Категориальные Предпочтения, участие в группах Анализ интересов, прогнозирование академиче-скоИ успешности

Неструктурированные Текст постов и комментариев Определение интересов и вовлеченности

Мессенджеры Бинарные Наличие связи с определенными пользователями Оценка социальноИ активности и работы в команде

Порядковые Частота общения Анализ учебноИ мотивации и уровня вовлеченности

Временные Время активности Персонализация расписания и заданиИ

Мобильные приложения Числовые Количество шагов, выполненных задач Оценка физическоИ активности, анализ продуктивности

Категориальные Предпочтения в типах активности Определение интересов, поведенческих паттернов

Геолокационные Маршруты, локации Определение интересов, поведенческих паттернов

Платформы видеоконтента Числовые Количество просмотров, длительность сеанса Оценка вовлеченности, анализ предпочтений в обучении и досуге

Категориальные Жанры контента Оценка образовательных интересов

Неструктурированные Тексты комментариев Определение уровня вовлеченности и настроений

Внешние образовательные платформы онлайн-курсов Числовые Оценки за задания и экзамены Оценка академического прогресса

Категориальные Выбранные курсы Определение интересов

Временные Время, затраченное на изучение материалов Определение более сложных или легких тем

Неструктурированные Комментарии к заданиям, отзывы о курсах Определение более сложных или легких тем, определение интересов и вовлеченности

Портфолио студента Числовые Количество публикаций, наград Оценка компетентности

Категориальные Тип проекта, уровень выигранного конкурса Оценка компетентности

Неструктурированные Описание проектов Оценка компетентности (технологии и навыки)

Анкетные данные Категориальные Учебные предпочтения Понимание мотивации и потребностей в обучении

Бинарные Ответы «да/нет» на вопросы Оценка профессиональных и учебных целей

Порядковые Уровни удовлетворенности Анализ удовлетворенности учебным процессом

Видеокамеры Неструктурированные Видеопоток Оценка вовлеченности, анализ социальных взаимодействий

Производные данные Поза, выражение лица Определение вовлеченности, поведенческих и социальных паттернов

ПРИЛОЖЕНИЕ 3

Реализация алгоритма агломеративной иерархической кластеризации Файл prepare.py - подготавливает данные из JSON

import j son import pandas as pd

def load_students_data(j son_file):

# Открываем и читаем JSON-файл

with open(json_file, 'r', encoding='utf-8') as file: data = json.load(file)

# Извлекаем нужные данные для DataFrame

student_data = []

for student_id, profile in data.items(): student_entry = {

' student_i d' : student_i d, 'first_name': profile.get('first_name'), 'last_name': profile.get('last_name'), 'middle_name' : profile.get('middle_name'), 'date_of_birth' : profile.get('date_of_birth'), 'languages_spoken': profile.get('languages_spoken', []), 'hobbies': profile.get('hobbies', []),

'skills_languages': profile.get('skills', {}).get('languages', []), 'skills_frameworks': profile.get('skills', {}).get('frameworks', []), 'skills_tools': profile.get('skills', {}).get('tools', []), 'academi c_achi evements' : profil e.get(' academi c_achi evements', [])

}

student_data.append(student_entry)

# Преобразуем в DataFrame

df = pd.DataFrame(student_data)

return df

def one_hot_encode_columns(df, columns_to_encode):

# Проходим по всем колонкам, которые нужно закодировать

for column in columns_to_encode:

df_exploded = df.explode(column) # Разделяем строки по элементам списка df_encoded = pd.get_dummies(df_exploded, columns=[column]) # Применяем One-Hot Encoding

df = df_encoded.groupby('student_id').max().reset_index()

df = df.applymap(lambda x: 1 if x is True else (0 if x is False else x)) return df

Файл (модуль) data_analizer.py

import j son import pandas as pd

from scipy.spatial.distance import pdist, squareform import matplotlib.pyplot as plt import seaborn as sns

from scipy.cluster.hierarchy import linkage, dendrogram from scipy.cluster.hierarchy import fcluster import prepare

def get_clusters(j son):

json_file = json

# Делаем из JSON объект DataFrame df_students = prepare.load_students_data(json_file)

# Выбираем атрибуты и кодируем One-Hot Encoding

columns_to_encode = ['hobbies', 'languages_spoken', 'skills_languages', 'skills_frameworks', 'skills_tools', 'academic_achievements']

df_one_hot_encoded = prepare.one_hot_encode_columns(df_students, columns_to_encode)

# Сохраняем идентификаторы студентов student_ids = df_one_hot_encoded['student_id']

# Удаляем ненужные строковые столбцы

columns_to_drop = ['student_id', 'first_name', 'last_name', 'middle_name', 'date_of_birth'] df_for_clustering = df_one_hot_encoded.drop(columns=columns_to_drop)

# Рассчитаем матрицу расстояний с использованием метрики Жаккара distance_matrix = pdist(df_for_clustering, metric='jaccard')

# Преобразуем результат в квадратную форму для удобства работы distance_matrix_square = squareform(distance_matrix)

# Применим иерархическую кластеризацию linkage_matrix = linkage(distance_matrix, method='ward')

# Обрезка дендрограммуы (для получения нужного количества кластеров) max_distance = 1

# Получение метки кластеров для каждого студента

cluster_labels = fcluster(linkage_matrix, max_distance, criterion-distance')

# Добавление информации о кластере к студентам df_for_clustering['cluster_label'] = cluster_labels df_for_clustering['student_id'] = student_ids.values

# Сбор словаря со студентами (их ID), разбитыми по кластерам clusters_dict = {}

for cluster in df_for_clustering['cluster_label'].unique():

student_ids_in_cluster = df_for_clustering[df_for_clustering['cluster_label'] == cluster]['stu-dent_id'].tolist()

clusters_dict[cluster] - student_ids_in_cluster

# В принципе, можно остановиться на этом - здесь мы уже знаем принадлежность студентов к кластерам

return clusters_dict

# Но можно сформировать новый JSON, где хранится вся информация по студентам with open('stud_synth_data.json', 'r', encoding='utf-8') as file:

student_data = j son.load(file) clustered_students = {}

for cluster, student_ids in clusters_dict.items(): cluster_str = str(cluster)

clustered_students[cluster_str] = {student_id: student_data[student_id] for student_id in stu-dent_ids if student_id in student_data}

return clustered_students

with open('clustered_students.json', 'w', encoding='utf-8') as outfile:

json.dump(clustered_students, outfile, ensure_ascii=False, indent=4) print("Новый JSON-файл с распределением студентов по кластерам создан.")

# Рассчитываем матрицу расстояний между кластерами

# Сначала находим средние значения бинарных признаков для каждого кластера

# Убедимся, что для расчета средних значений выбираем только числовые столбцы numeric_columns = df_for_clustering.select_dtypes(include=['int64', 'float64']).columns

# Теперь рассчитываем средние значения для каждого кластера только по числовым данным

cluster_means = df_for_dustering[numeric_columns].groupby(df_for_dustering['cluster_la-bel']).mean()

# Теперь рассчитываем расстояния Жаккара между центроидами кластеров cluster_distance_matrix = squareform(pdist(cluster_means, metric='jaccard'))

# Выводим матрицу расстояний между кластерами рпП;("Межкластерные расстояния (метрика Жаккара):") print(cluster_di stance_matrix)

# Можно также визуализировать эту матрицу plt.figure(figsize=(8, 6))

sns.heatmap(cluster_distance_matrix, annot=True, cmap='coolwarm')

plt.title("Межкластерные расстояния")

plt.show()

def intra_cluster_dispersion(cluster_label, df, metric='jaccard'):

# Выбираем студентов из кластера

cluster_data = df[df['cluster_label'] == cluster_label].drop(columns=['cluster_label', 'stu-dent_id'])

# Рассчитываем среднее внутрикластерное расстояние distances = pdist(cluster_data, metric=metric)

return distances.mean()

# Рассчитываем внутрикластерную дисперсию для каждого кластера рпп^'Ънутрикластерная дисперсия, Жаккар")

for cluster in df_for_clustering['cluster_label'].unique():

dispersion = intra_cluster_dispersion(cluster, df_for_clustering, 'jaccard') print(fКластер {cluster}: {dispersion}')

# рп^СВнутрикластерная дисперсия, Евклидово расстояние")

# for cluster in df_for_clustering['cluster_label'].unique():

# dispersion = intra_cluster_dispersion(cluster, df_for_clustering, 'euclidean')

# print(flКластер {cluster}: {dispersion}')

#print(get_clusters('stud_data.json'))

Файл visualization.py - визуализация работы (с использованием фреймворка PyQt6)

import j son

import sys

from PyQt6.QtWidgets import QApplication, QWidget, QLabel, QVBoxLayout, QHBoxLayout, QPushButton

from PyQt6.QtGui import QPixmap

from PyQt6.QtCore import Qt, pyqtSignal, QPoint

import data_analizer

DATA_FILE = 'stud_data.j son'

def getStudents(json_file):

with open(json_file, 'r', encoding='utf-8') as file: return j son.load(file)

class TooltipWindow(QWidget):

def_init_(self, parent-None):

super()._init_(parent)

self.setWindowFlags(Qt.WindowType.ToolTip | Qt.WindowType.FramelessWindowHint)

self.setStyleSheet(......

background-color: #FFFFFF; border: 1px solid #CCCCCC; padding: 5px;

self.layout = QVBoxLayout(self) self.label = QLabel("SOME DATA") self.layout.addWidget(self.label) self.setLayout(self.layout)

class HoverLabel(QLabel):

entered = pyqtSignal(QLabel, QPoint, dict) leaved = pyqtSignal()

def_init_(self, student_data, parent-None):

super()._init_(parent)

self.student_data = student_data self.setMouseTracking(True)

def enterEvent(self, event):

# Получаем позицию курсора внутри виджета local_pos = event.position().toPoint()

# Конвертируем в глобальные координаты global_pos = self.mapToGlobal(local_pos)

# Смещение от курсора

tooltip_pos = global_pos + QPoint(15, 15)

self.entered.emit(self, tooltip_pos, self.student_data) self.entered.emit(self, tooltip_pos, self.student_data)

def leaveEvent(self, event): self.leaved.emit() super().l eaveEvent(event)

class MainWindow(QWidget):

def_init_(self):

super()._init_()

self.tooltip = TooltipWindow() self.initializeUI()

def initializeUI(self):

self.setGeometry(450, 0, 820, 1280) selísetWindowTitle("Кластерroация") self.setUpMainWindow() self.show()

def setUpMainWindow(self):

self.main_v_box = QVBoxLayout() self.stud_data = getStudents(DATA_FILE)

i = 0

for student_id, student_data in self.stud_data.items(): if i % 5 == 0:

h_box = QHBoxLayout()

image = 'images/' + student_id + 'jpg' try:

with open(image):

photo = HoverLabel(student_data, self) pixmap = QPixmap(image).scaled(120, 120) photo.setPixmap(pixmap)

# Подключаем сигналы

photo.entered.connect(self.show_tooltip)

photo.leaved.connect(self.hide_tooltip)

h_box.addWi dget(photo) except FileNotFoundError as error: photo = HoverLabel(student_data, self) pixmap = QPixmap('images/nophoto.jpg').scaled(120, 120) photo.setPixmap(pixmap)

# Подключаем сигналы photo.entered.connect(self.show_tooltip) photo.leaved.connect(self.hide_tooltip) h_box.addWidget(photo)

h_box.setAlignment(Qt.AlignmentFlag.AlignLeft) self.main_v_box.addLayout(h_box) i += 1

generate_button = QPushButton("Разбить на группы", self) generate_button.clicked.connect(self.clusterize) self.main_v_box.addWidget(generate_button) self.setLayout(self.main_v_box)

def show_tooltip(self, widget, position, data): str_res = ''

for key, val in data.items(): str_res += f"{key}: {val}\n"

self.tooltip.label.setText(str_res)

self.tooltip.move(position)

self.tooltip.show()

def hide_tooltip(self): self.tooltip.hide()

def getStudentData(self, student_id):

if student_id in self.stud_data: return self.stud_data[student_id]

def clusterize(self):

# Удаляем все элементы, кроме последнего (кнопки) while self.main_v_box.count() > 0: item = self.main_v_box.takeAt(0) widget = item.widget() if widget:

widget.deleteLater()

else:

layout = item.layout() if layout:

self._clear_layout(layout) layout.deleteLater() # Обновляем интерфейс

clustered_students = data_analizer_final.get_clusters(DATA_FILE) main_h_box = QHBoxLayout()

for cluster_id, students_list in clustered_students.items():

# print(cluster_id)

# print(students_list) v_box = QVBoxLayout()

label = QLabel^'Kracrep {cluster_id}", self)

v_box.addWidget(label)