Анна Вячеславовна Овсянникова — кандидат педагогических наук, доцент кафедры математики и анализа данных
Москва
Anna V. Ovsyannikova — Cand. Sci. (Ped.), Assoc. Prof. of the Department of Mathematics and Data Analysis
Moscow
Цифровая трансформация системы образования привела к значительному росту данных об учебной активности, что создало технологические предпосылки для внедрения интеллектуальных рекомендательных систем (ИРС). Однако коммерческие рекомендательные алгоритмы, оптимизированные на максимизацию вовлеченности и прибыли, не могут быть напрямую перенесены в образовательную среду, где главной целевой функцией выступает повышение качества усвоения знаний и снижение академической неуспешности.
Цель. Разработать концептуальную модель интеллектуальной рекомендательной системы для формирования индивидуальных образовательных траекторий, объединяющую гибридные алгоритмы с механизмами объяснимого искусственного интеллекта и встроенными средствами этического контроля.
Методы. Исследование базируется на систематическом обзоре рецензируемых публикаций за 2021–2025 гг., индексированных в Scopus, Web of Science и РИНЦ. Применены методы сравнительного анализа алгоритмов рекомендаций, архитектурного моделирования, а также экспериментальная валидация на открытых образовательных датасетах.
Результаты. Предложена четырехуровневая архитектура ИРС, включающая уровень сбора данных, уровень обработки и векторизации, алгоритмическое ядро на основе гибридной модели и уровень взаимодействия с модулем объяснения рекомендаций. Экспериментально установлено, что предложенная гибридная модель превосходит классическую коллаборативную фильтрацию по точности на 13% и решает проблему
«холодного старта» за счет семантического анализа новых курсов. Разработанный модуль объяснений, использующий метод LIME (Local Interpretable Model-agnostic Explanations), позволяет визуализировать факторы, повлиявшие на каждую рекомендацию, что повышает доверие со стороны преподавателей и студентов.
Выводы. Полученные результаты согласуются с выводами ведущих зарубежных исследователей о преимуществе гибридных графовых моделей перед чисто коллаборативными подходами. В отличие от известных решений, предложенная модель включает встроенный этический блок проверки справедливости и ориентирована на интеграцию с российскими системами управления обучением.
The digital transformation of education has led to exponential growth in learning activity data, creating technological prerequisites for the implementation of intelligent recommender systems (IRS). However, commercial recommendation algorithms optimised for maximising engagement and profit cannot be directly transferred to the educational environment, where the main objective function is to improve the quality of knowledge acquisition and reduce academic failure. Aim. To develop a conceptual model of an intelligent recommender system with explainable artificial intelligence mechanisms and built-in ethical control tools. Methods. The research is based on a systematic review of peer-reviewed for 2021–2025 indexed in Scopus, Web of Science, and RSCI. Methods of comparative analysis of recommendation algorithms, architectural modelling, and experimental validation on open educational datasets. Results. A four‑level IRS architecture is proposed, comprising a data collection layer, a processing and vectorisation layer, an algorithmic core based on a hybrid model, and an interaction layer with a recommendation explanation module. Experiments have shown that the proposed hybrid model outperforms classical collaborative filtering by 13% in precision and solves the cold‑start problem through semantic analysis of new courses. The developed explanation module, based on the LIME method, visualises the factors influencing each recommendation, thereby increasing trust among teachers and students. Conclusions. The results are consistent with the findings of leading international researchers on the advantages of hybrid graph models over purely collaborative approaches. Unlike known solutions, the proposed model includes a built‑in fairness checking block and is designed for integration with Russian learning management systems. Keywords: intelligent recommender systems; learning personalization; individual learning trajectory; hybrid algorithms; graph neural networks; learning analytics; explainable artificial intelligence
The authors declare that there are no conflicts of interest present.