Рекомендаційна система з формування навчального контенту та вибору ментора для навчальної платформи
Автор: Зеленська Ксенія Євгенівна
Кваліфікаційний рівень: магістр
Спеціальність: Системи і методи прийняття рішень
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2024-2025 н.р.
Мова захисту: українська
Анотація: Стрімкий розвиток онлайн-освіти та зростаючий попит на персоналізоване навчання створюють потребу в ефективних системах рекомендацій навчального контенту та підбору менторів. За даними Global Market Insights, світовий ринок електронного навчання у 2020 році становив 250 мільярдів доларів США і очікується його зростання до 1 трильйона доларів США до 2027 року. При цьому, сегмент освітніх рекомендаційних систем може досягти 2,5 мільярдів доларів США до 2025 року. Існуючі рекомендаційні системи в освіті, такі як Coursera, edX та LinkedIn Learning, мають ряд обмежень - недостатня персоналізація для нових користувачів, обмежена адаптація до різних рівнів освіти та відсутність комплексного підходу до підбору менторів. Це створює необхідність розробки нової, більш досконалої системи. Об’єктом дослідження є процес персоналізації навчання на онлайн-освітніх платформах. Предметом дослідження є методи та засоби автоматизованого формування навчального контенту та вибору менторів з використанням технологій штучного інтелекту. Мета роботи полягає у розробці інтелектуальної рекомендаційної системи для формування персоналізованого навчального контенту та вибору оптимального ментора на освітній платформі. Наукова новизна роботи полягає у розробці комплексного підходу до персоналізації навчання, який поєднує рекомендації контенту та вибір менторів на основі глибокого аналізу профілю учня, його навчальної траєкторії та цілей. Запропоновано новий метод гібридної фільтрації, що враховує як явні, так і неявні переваги користувачів. У роботі розроблено архітектуру рекомендаційної системи на основі фреймворку Laravel, що включає модулі аутентифікації, управління профілями, курсами, рекомендацій, оцінювання та платежів. База даних системи складається з 35 взаємопов’язаних таблиць, що забезпечує ефективне зберігання та управління даними про користувачів, курси, менторів та навчальний процес. Система використовує методи машинного навчання для аналізу взаємодії користувачів з платформою, включаючи час проведений на сторінках, послідовність переходів та частоту взаємодії з контентом. Реалізовано багаторівневе кешування та асинхронну обробку даних для забезпечення високої продуктивності. Проведене економічне обґрунтування показало, що при загальних витратах на розробку 911 555,24 грн, система демонструє нижчу ціну споживання (1 425 592,86 грн) порівняно з аналогами. Показник конкурентоспроможності 0,67 та комплексний показник якості 1,31 підтверджують перевагу запропонованого рішення. Впровадження системи дозволяє підвищити ефективність навчального процесу на 20%, збільшити утримання користувачів на 25% та оптимізувати роботу менторів на 15%. Очікується збільшення конверсії та річного доходу платформи на 38%. Практичне значення отриманих результатів полягає у створенні повнофункціональної рекомендаційної системи, яка може бути впроваджена на різних освітніх платформах для підвищення якості онлайн-навчання. Система має потенціал для подальшого розвитку через вдосконалення алгоритмів машинного навчання та розширення функціональності. Ключові слова: рекомендаційна система, персоналізоване навчання, онлайн-освіта, машинне навчання, підбір менторів, Laravel, освітня платформа. Перелік використаних джерел: 1. Global Market Insights. (2020). E-Learning Market Size By Technology, By Provider, By Application, Industry Analysis Report, Regional Outlook, Growth Potential, Price Trends, Competitive Market Share & Forecast, 2021-2027. 2. Research and Markets. (2021). Educational Recommendation Systems Market - Global Forecast to 2025. 3. Chen, W., & Yin, H. (2021). Personalized recommendation in educational technology: A survey of the state-of-the-art and future research directions. IEEE Transactions on Learning Technologies, 14(5), 635-648. 4. Zhang, S., Yao, L., & Sun, A. (2020). Deep learning based recommender system: A survey and new perspectives. ACM Computing Surveys, 52(1), 1-38. 5. Yang, D., & Ventura, M. (2022). The rise of intelligent tutoring systems: A comprehensive review of educational recommender systems. International Journal of Artificial Intelligence in Education, 32(2), 237-270.