Интеллектуальные рекомендательные системы в образовании. Алгоритмы подбора индивидуальных траекторий обучения

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.

1. Bond M., Khosravi H., De Laat M., Bergdahl N. A meta systematic review of artificial intelligence in higher education: A call for increased ethics, collaboration, and rigour. International Journal of Educational Technology in Higher Education. 2024;21:4. URL: https://doi.org/10.1186/s41239-023-00436-z

2. Holmes W., Bialik M., Fadel C. Artificial intelligence in education. In: Data ethics: Building trust: How digital technologies can serve humanity. 2023:621–653. URL: https://doi.org/10.58863/20.500.12424/4276068

3. Klašnja-Milićević A., Ivanović M., Vesin B., Satratzemi M., Wasson B. Learning Analytics — Trends and Challenges. Frontiers in Artifi Intelligence. 2022;5:856807. URL: https://doi.org/10.3389/frai.2022.856807

4. Duan C., Yang J., Cui Q., Zhang W., Wan X., Zhang M. Enhancing the recommendation of learning resources for learners via an advanced knowledge graph. Applied Sciences. 2025;15(8):4204. URL: https://doi.org/10.3390/app15084204

5. Rigou A., Kyriazi F., Thomakos D. Predicting student success through learning analytics: A comparative modeling approach. Creative Education. 2025;16:1107–1119. URL: https://doi.org/10.4236/ce.2025.168069

6. Wu S., Sun F., Zhang W., Xie X., Cui B. Graph Neural Networks in Recommender Systems: A Survey. ACM Computing Surveys. 2022;55(5):97. URL: https://doi.org/10.1145/3535101

7. Yan J., Liu S., Armwood-Gordon C., Li L. Factors Affecting Active Flipped Learning on Underrepresented Students in Three STEM Courses. Education and Information Technologies. 2024;29(9):10791–10804. URL: https://doi.org/10.1007/s10639-023-12234-1

8. Захарова Ж.Л., Жиркова З.С. Условия создания цифровой трансформации в образовательной среде вуза. В сб.: Молодой исследователь: вопросы науки и образования. Киров; 2021:282–285. URL: https://www.elibrary.ru/pfwwoi

9. Holstein K., Aleven V., Rummel N. A Conceptual Framework for Human – AI Hybrid Adaptivity in Education. In: Artificial Intelligence in Education. Part I. Cham: Springer; 2020:240–254. URL: https://doi.org/10.1007/978-3-03052237-7_20

10. Овсянникова А.В. Цифровая трансформация образования: ключевые драйверы, барьеры и перспективы развития. Мир науки. Педагогика и психология. 2025;13(3):27. URL: https://www.elibrary.ru/velqya

11. Подлевских А.П., Суетин С.Н., Степкин С.В. Методология по курсу «Проектирование информационных систем» в условиях перехода к цифровой образовательной среде. Современные наукоемкие технологии. 2021;2:45–51. URL: https://doi.org/10.17513/snt.38492

12. Nguyen A., Ilesanmi F., Dang B., Vuorenmaa E., Järvelä S. Hybrid Intelligence in Academic Writing: Examining Self-Regulated Learning Patterns in an AI-Assisted Writing Task. In.: Hybrid Human Artifi Intelligence (HHAI). 2024;241-254. URL: https://doi.org/10.3233/FAIA240198.

13. Topali P., Ortega-Arranz A., Rodríguez-Triana M.J., Er E., Khalil M., Akçapınar G. Designing human-centered learning analytics and artifi intelligence in education solutions: A systematic literature review. Behaviour and Information Technology. 2025;44(5):1071–1098. URL: https://doi.org/10.1080/0144929X.2024.2345295

14. Bai Y., et al. Impact of generative AI interaction and output quality on university students‘ learning outcomes: A technology-mediated and motivation-driven approach. Scientifi Reports. 2025;15(1):24054. URL: https://doi.org/10.1038/s41598-025-08697-6

15. Hummel S. Ethical and Responsible AI in Education: Situated Ethics for Democratic Learning. Education Sciences. 2025;15(12):1594. URL: https://doi.org/10.3390/educsci15121594

16. Кеннон О.В., Пустошило П.В., Иванцов А.А. Проблема использования нейросетей и инструментов искусственного интеллекта обучающимися вузов: этический аспект. Российский гуманитарный журнал. 2025;16(3):192–210. URL: https://doi.org/10.12731/2658-4034-2025-16-3-862