В условиях активного развития электронного обучения одним из ключевых направлений современных исследований является персонализация образования. Персонализированное обучение позволяет адаптировать образовательный процесс под конкретного студента, что максимально индивидуализирует его образовательные потребности, когнитивные стили и карьерные устремления. С целью оптимизации персонализированной системы обучения авторы предлагают применить интеллектуальный анализ данных, обеспечивающий обнаружение скрытых шаблонов, отношений и правил для анализа, классификации и прогнозирования результатов обучения. В частности, в работе предлагается провести анализ поведенческих характеристик обучающихся, полученных на основе результатов предварительного анкетирования в целях обнаружения в полученных результатах, посредством интеллектуального анализа данных, скрытой информации, для извлечения которой разработан алгоритм интеллектуального анализа поведенческих классификаторов при персонализации обучения. Таким образом, спектр функциональных задач, решаемых технологиями интеллектуального анализа данных, чрезвычайно широк, начиная от планирования и проведения самостоятельной работы обучающихся до развития компетенций. Ключевыми задачами при разработке алгоритма интеллектуального анализа данных при персонализированном обучении являются: разработка входного контента, построение нормативной модели для обучающегося, а также проектирование математической модели. Для решения каждой из перечисленных задач требуется формализация входного набора параметров, разработка подсистемы определения педагогических методов и принципов, позволяющей осуществлять построение персонализированного обучения. Применяя разработанный алгоритм анализа данных, авторы прогнозируют итоговые оценки успешных студентов и студентов, подверженных риску неудач.

In the context of active development of e-learning, one of the key areas of modern research is the personalization of education. Personalized learning allows you to adapt the educational process to a specific student, which maximally individualizes their educational needs, cognitive styles and career aspirations. In order to optimize a personalized learning system, the authors suggest using data mining to detect hidden patterns, relationships, and rules for analyzing, classifying, and predicting learning outcomes. In particular, the paper proposes to analyze the behavioral characteristics of students obtained from the results of a preliminary survey in order to detect hidden information in the results obtained through data mining, for which an algorithm for the intellectual analysis of behavioral classifiers has been developed for personalization of training. Thus, the range of functional tasks solved by data mining technologies is extremely wide, ranging from planning and conducting independent work of students to developing competencies. The key tasks in developing a data mining algorithm for personalized learning are: developing input content, building a normative model for the learner, and designing a mathematical model. To solve each of these tasks, it is necessary to formalize the input set of parameters, develop a subsystem for defining pedagogical methods and principles that allows you to build personalized learning. Using the developed data analysis algorithm, the authors predict the final grades of students and students at risk of failure.