Разработка и оценка алгоритма персонализации образовательных траекторий с использованием методов искусственного интеллекта

Аннотация

В данной статье представлена разработка комплексной системы персонализации образовательных траекторий на основе методов искусственного интеллекта и глубокого обучения. Предложена четырехуровневая микросервисная архитектура системы с выделенным Python-сервисом для ML/AI компонентов. Разработан пятифазный алгоритм персонализации с тремя специализированными модулями машинного обучения: Deep Knowledge Tracing с LSTM и механизмом внимания для отслеживания эволюции знаний, гибридный трейсер, комбинирующий DKT и Bayesian Knowledge Tracing для интерпретируемых предсказаний, многозадачный предиктор успеваемости с системой раннего предупреждения, и гибридная рекомендательная система, объединяющая коллаборативную и контентную фильтрацию с контекстно-зависимым обучением. Применены современные архитектуры нейронных сетей: LSTM с двумя слоями и dropout 0.3, multi-head attention с четырьмя головами, многозадачные головы предсказания для регрессии и классификации. Реализованы специализированные функции потерь: Bayesian Personalized Ranking для неявной обратной связи и мультизадачная функция с взвешенными компонентами. Практическая значимость заключается в готовой к внедрению архитектуре с открытым исходным кодом ML-компонентов, обеспечивающей адаптацию траекторий в режиме реального времени с точностью предсказания успеваемости выше 77% и снижением риска отчисления на 30%