Інформаційні технологія підбору курсу на основі глибинного навчання
Автор: Ян Сі
Кваліфікаційний рівень: магістр
Спеціальність: Інформаційні системи та технології
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2024-2025 н.р.
Мова захисту: англійська
Анотація: У цій роботі представлено розробку та реалізацію персоналізованої системи рекомендацій курсу на основі глибокого навчання. Зі стрімким розвитком інформаційних технологій з’явилися онлайн-освітні платформи, які надають широкий спектр навчальних ресурсів. Однак величезний обсяг інформації призводить до перевантаження інформацією, що ускладнює для учнів пошук відповідних курсів. Це дослідження спрямоване на вирішення цієї проблеми шляхом використання методів глибокого навчання для підвищення точності рекомендацій і задоволеності користувачів [1]. Рекомендаційні системи, які довели свою ефективність у боротьбі з перевантаженням інформацією в електронній комерції, соціальних мережах, музиці та потоковому відео, стали центром досліджень освіти [2]. Об’єктом дослідження є процес прийняття рішень в навчанні і викладанні на основі даних, а предметом дослідження – інформаційна технологія персоналізованої рекомендації курсу з використанням глибокого навчання. Мета дослідження – проаналізувати особливості процесів прийняття рішень в навчанні, розробити модель процесу формування рекомендацій з врахуванням персональних побажань користувачів. Традиційні системи рекомендацій, що спираються на спільну фільтрацію та алгоритми фільтрації на основі вмісту, стикаються з обмеженнями, коли стикаються з унікальною та різноманітною природою освітніх ресурсів. Останнім часом еволюція технологій глибокого навчання відкрила нові можливості для систем рекомендацій. Використовуючи широке навчання даних, глибоке навчання автоматично виділяє функції та шаблони, значно підвищуючи продуктивність систем рекомендацій. Система інтегрує спільну фільтрацію, фільтрацію на основі вмісту та алгоритми глибокого навчання, щоб надавати персоналізовані рекомендації щодо курсу. Експериментальні результати демонструють ефективність запропонованої системи щодо покращення ефективності рекомендацій та взаємодії з користувачем. Отже, інтеграція глибокого навчання в системи рекомендацій курсів у поєднанні з поведінковими даними учнів, перевагами інтересів та історією навчання має величезну дослідницьку цінність і практичні перспективи для розробки ефективних і точних персоналізованих систем рекомендацій курсів. Наукова новизна отриманих результатів полягає в розробці структурних моделей інформаційної системи курсових рекомендацій. Теоретичними наслідками дослідження будуть: збагачення теорії системи рекомендацій. Поєднання методів глибокого навчання з традиційними алгоритмами рекомендацій збагачує та розширює теоретичну базу систем рекомендацій. Дослідження того, як ефективно отримувати характеристики учнів, розуміти їхні потреби та виконувати персоналізовані рекомендації в рамках парадигми глибокого навчання, сприятиме новітнім теоретичним підґрунтям у цій галузі. Далі будуть розширені можливості обробки освітніх даних: глибоке навчання чудово справляється з керуванням великомасштабними неструктурованими даними. Його застосування в системах рекомендацій щодо курсів підвищує потужність обробки та аналітичну глибину освітніх даних, сприяючи прогресу в науці про освітні дані. Практична цінність роботи полягає в порівнянні алгоритмів машинного навчання для вибору найбільш підходящих для курсу рекомендацій. Застосування таких алгоритмів покращить ефективність навчання, оскільки персоналізована система рекомендацій щодо курсів адаптує рекомендації на основі інтересів і потреб учнів, дозволяючи їм швидко визначати найцінніші навчальні ресурси, тим самим підвищуючи ефективність навчання та результати. Подальша оптимізація платформ онлайн-освіти дозволить включити ефективні системи рекомендацій щодо курсу в платформи онлайн-освіти, що підвищить залученість і задоволення користувачів, зрештою покращуючи загальну якість послуг і конкурентоспроможність платформи. Крім того, система дасть змогу допомогти в стратегічному розподілі та просуванні ресурсів курсу, максимізуючи їх використання. Ключові слова – персоналізовані рекомендації щодо курсу, глибоке навчання, спільна фільтрація, фільтрація на основі вмісту, онлайн-навчання, перевантаження інформацією Перелік використаних літературних джерел. 1. Marcuzzo, M., Zangari, A., Albarelli, A., & Gasparetto, A. (2022). Recommendation Systems: An Insight Into Current Development and Future Research Challenges. IEEE Access, 10, 86578-86623. 2. Yang, H., Zhou, H., & Li, Y. (2022). A Review of Academic Recommendation Systems Based on Intelligent Recommendation Algorithms. 2022 7th International Conference on Image, Vision and Computing (ICIVC), 958-962.