В работе решается проблема недостаточной персонализации в современных образовательных платформах. Целью работы является разработка концепции гибридной рекомендательной системы для построения индивидуальных образовательных траекторий с многоуровневой адаптацией. Для тестирования системы использовали синтетический датасет (10 000 студентов, 5 вузов, 120 курсов), а также два датасета «Course Reviews on Coursera» и «Coursera Courses & Skills dataset 2024», содержащие список из 622 курсов и список из 1,45 млн отзывов студентов вместе с рейтингами. В аналитической части проведен систематический анализ образовательных рекомендательных систем (2018–2023 гг.), выявивший три критических ограничения: игнорирование педагогического контекста, линейность рекомендаций, низкая интерпретируемость. Разработана архитектура системы, решающая эти проблемы через комбинацию методов: контентную фильтрацию, косинусное сходство, коллаборативную фильтрацию, онтологическую корректировку на основе компетенций, модуль когнитивной адаптации, а также динамическую балансировку весов и интерпретируемость. Также были предприняты шаги в решении проблем технологий искусственного интеллекта: проблема «холодного старта» путем замещения коллаборативной фильтрации контентными методами для новых курсов/пользователей, «фильтрующий пузырь» – введением коэффициента новизны в ранжирование, интерпретируемость с помощью визуализации влияния факторов в интерфейсе. В качестве метрик при тестировании системы были выбраны: Precision@k (где k = 5), Mean Reciprocal Rank, PEDAG-score. Тестирование подтвердило работоспособность системы. Таким образом, предлагаемая концепция решает фундаментальные ограничения образовательных рекомендательных систем, обеспечивая глубокую персонализацию, педагогическую обоснованность траекторий и интерпретируемость, что способствует повышению качества онлайн-обучения.
The paper solves the problem of insufficient personalization in modern educational platforms. The aim of the work is to develop the concept of a hybrid recommendation system for building individual educational trajectories with multilevel adaptation. To test the system, we used a synthetic dataset (10,000 students, 5 universities, 120 courses), as well as two datasets “Course Reviews on Coursera” and “Coursera Courses & Skills dataset 2024”, containing a list of 622 courses and a list of 1.45 million student reviews along with ratings. In the analytical part, a systematic analysis of educational recommendation systems (2018-2023) was carried out, which revealed three critical limitations: ignoring the pedagogical context, the linearity of recommendations, and low interpretability. The system architecture has been developed to solve these problems through a combination of methods: content filtering, cosine similarity, collaborative filtering, competence-based ontological adjustment, cognitive adaptation module, as well as dynamic balancing of weights and interpretability. Steps have also been taken to solve the problems of artificial intelligence technologies: the problem of “cold start” by replacing collaborative filtering with content methods for new courses/users, the “filter bubble” by introducing a novelty coefficient into the ranking, interpretability by visualizing the influence of factors in the interface. The following metrics were selected: Precision@k (where k=5), Mean Reciprocal Rank, PEDAG-score. Testing has confirmed the system’s performance. Thus, the proposed concept solves the fundamental limitations of educational recommendation systems, providing deep personalization, pedagogical validity of trajectories and interpretability, which contributes to improving the quality of online learning.
1. Drachsler H., Verbert K., Santos O.C., Manouselis N. Panorama of Recommender Systems to Support Learning // Recommender Systems Handbook / Ed. by F. Ricci, L. Rokach, B. Shapira. 2nd ed. Springer, 2015. P. 567. DOI: 10.1007/978-1-4899-7637-6_12.
2. George G., Lal A.M. Review of ontology-based recommender systems in e-learning // Computers & Education. 2019. Vol. 142. P. 103642. DOI: 10.1016/j.compedu.2019.103642.
3. Ricci F., Rokach L., Shapira B., Kantor P.B. Introduction to Recommender Systems Handbook // Recommender Systems Handbook. Boston, MA: Springer, 2011. P. 1–35. DOI: 10.1007/978-0-387-85820-3_1.
4. Скворчевский К.А., Дятлова О.В. Современные адаптивные и интеллектуальные цифровые системы обучения: механизмы и потенциал // Вопросы образования. 2024. № 3. С. 299–337. DOI: 10.17323/vo-2024-19751.
5. Кузовкова Т.А., Шаравова М.М., Катунин Д.А. Анализ перспектив развития искусственного интеллекта // Экономика и качество систем связи. 2024. № 1 (31). С. 41–47.
6. Илюшин Л.С., Торпашева Н.А. Технологии искусственного интеллекта как ресурс трансформации образовательных практик // Ярославский педагогический вестник. 2024. № 3 (138). С. 62–71. DOI: 10.20323/1813-145X-2024-3-138-62.
7. Морозевич Е.С., Коротких В.С., Кузнецова Е.А. Разработка модели формирования индивидуальных образовательных траекторий с использованием методов машинного обучения // Бизнес-информатика. 2022. № 2. C. 21–35.
8. Elahi M., Starke A., El Ioini N., Lambrix A.A., Trattner C. Developing and Evaluating a University Recommender System // Frontiers in Artificial Intelligence. 2021. Vol. 4. P. 796268. DOI: 10.3389/frai.2021.796268.
9. Chen X., Deng H. Research on Personalized Recommendation Methods for Online Video Learning Resources // Applied Sciences. 2021. Vol. 11, Is. 2. P. 804. DOI: 10.3390/app11020804.
10. Khalid A., Lundqvist K.O., Yates A. Recommender Systems for MOOCs: A Systematic Literature Survey (January 1, 2012 – July 12, 2019) // The International Review of Research in Open and Distributed Learning. 2020. Vol. 21, Is. 4. P. 255–291. DOI: 10.19173/irrodl.v21i4.4643.
11. Songer R., Yamamoto T. Choice Diversity in Educational Recommender Systems: User Perspectives // Intelligent Technologies in Education. 2024. [Электронный ресурс]. URL: https://open-publishing.org/journals/index.php/ited/article/view/1162 (дата обращения: 28.07.2025). DOI: 10.53761/ITED/1.9.
12. Ribeiro M.T., Singh S., Guestrin C. “Why Should I Trust You?”: Explaining the Predictions of Any Classifier // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. P. 1135–1144. [Электронный ресурс]. URL: https://arxiv.org/abs/1602.04938 (дата обращения: 28.07.2025).
13. Kahaei A. Design of Personalization of Massive Open Online Courses: магистер. дис. Lappeenranta-Lahti University of Technology LUT, 2014. [Электронный ресурс]. URL: http://lutpub.lut.fi/handle/10024/102336 (дата обращения: 14.07.2025).
14. Wong K.T., Lee C.H. EdRecSys: A Context-Aware Framework for Educational Recommendations // IEEE Transactions on Learning Technologies. 2021. Vol. 14, Is. 3. P. 321–335. DOI: 10.1109/TLT.2021.3069278.
15. Brusilovsky P. Adaptive Hypermedia: From Intelligent Tutoring Systems to Web-Based Education // Intelligent Tutoring Systems. ITS 2000. Lecture Notes in Computer Science / Ed. by G. Gauthier, C. Frasson, K. VanLehn. Springer, Berlin, Heidelberg, 2000. Vol. 1839. P. 1–8. DOI: 10.1007/3-540-45108-0_1.
16. Lika B., Kolomvatsos K., Hadjiefthymiades S. Facing the cold start problem in recommender systems // Expert Systems with Applications. 2014. Vol. 41, Is. 4. Part 2. P. 2065–2073. DOI: 10.1016/j.eswa.2013.09.005.
17. Fleming N.D. I’m Different; Not Dumb: Modes of Presentation (V.A.R.K) in the Tertiary Classroom // Research and Development in Higher Education: Proceedings of the 1995 Annual Conference of the Higher Education and Research Development Society of Australasia (HERDSA). 1995. Vol. 18. P. 308–313. [Электронный ресурс]. URL: https://vark-learn.com/wp-content/uploads/2014/08/different_not_dumb.pdf (дата обращения: 28.07.2025).
18. Marante Y., Silva V.A.A., Gomes Jr.J., Vitor M.A., Martins A.F., de Souza J.F. Evaluating Educational Recommendation Systems: a systematic mapping // Anais do XXXI Simpósio Brasileiro de Informática na Educação (SBIE). Porto Alegre: Sociedade Brasileira de Computação. 2020. P. 912–921. DOI: 10.5753/cbie.sbie.2020.912.
19. Mehrabi N., Morstatter F., Saxena N., Lerman K., Galstyan A. A Survey on Bias and Fairness in Machine Learning // ACM Computing Surveys. 2021. Vol. 54, Is. 6. P. 1–35. DOI: 10.1145/3457607.
20. Koren Y. Factorization Meets the Neighborhood: A Multifaceted Collaborative Filtering Model // Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2008. P. 426–434. [Электронный ресурс]. URL: https://www.cs.cornell.edu/courses/cs6241/2020sp/readings/Koren-2008-Factorization.pdf (дата обращения: 28.07.2025).