СУЧАСНІ ПІДХОДИ ДО ПЕРСОНАЛІЗОВАНОГО ПЛАНУВАННЯ НАВЧАЛЬНИХ ТРАЄКТОРІЙ: ГРАФИ ЗНАНЬ, КОГНІТИВНА ДІАГНОСТИКА, НЕЙРОННІ МЕРЕЖІ ТА ВЕЛИКІ МОВНІ МОДЕЛІ

Анотація

У даному дослідженні здійснено систематизований критичний огляд сучасних підходів до персоналізованого планування навчальних траєкторій у цифровій освіті, де особлива увага приділена методам, що враховують індивідуальні відмінності студентів, їхній поточний рівень знань та освітні цілі. Потреба у персоналізації зумовлена зростанням масштабів онлайн-навчання, високою варіативністю рівня підготовки слухачів та різноманіттям форматів навчального контенту. Проаналізовано шість ключових груп підходів, які відображають еволюцію досліджень у цій сфері. Графові моделі знань, зокрема контекстуальні KG, забезпечують формальне представлення предметних областей, пререквізитів та семантичних зв’язків, створюючи основу для побудови когнітивно узгоджених навчальних шляхів. Методи когнітивної діагностики (DINA, V-DINA) дозволяють оцінювати рівень засвоєння конкретних понять і виявляти прогалини у знаннях, проте вимагають якісних і повних логів взаємодії. Комбінаторно-оптимізаційні схеми, такі як Fuzzy-CDF у поєднанні з алгоритмом Apriori та оптимізацією рою частинок (PSO), реалізують впорядкування навчальних понять і добір ресурсів, забезпечуючи баланс між пререквізитами, когнітивними можливостями й стилем навчання студента. Окремий пласт становлять нечітко-нейронні моделі (fuzzy-ANN), які ґрунтуються на стилях навчання за Колбом (Kolb’s LSI) і поєднують нечіткі ваги з адаптивністю штучних нейронних мереж, що дає змогу враховувати індивідуальні освітні стратегії. Послідовні та багатозадачні архітектури (Seq2Seq, LSTM з non-repeat loss) орієнтовані на прогнозування подальших кроків навчання і водночас реалізують трасування знань, що дозволяє відстежувати ймовірність успішного засвоєння матеріалу. Перспективним напрямом виявилися мультимодальні підходи, які інтегрують різні типи даних (текст, відео, поведінкові сигнали), а також використання великих мовних моделей (LLM), що забезпечують семантичне збагачення графів знань, інтерпретацію природномовних запитів користувачів і пояснюваність рекомендацій.

У процесі аналізу підкреслено сильні та слабкі сторони кожного з підходів: від високої структурованості й пояснюваності графових методів до вимогливості нейронних мереж щодо обсягів даних та ресурсів; від точності когнітивної діагностики до її залежності від повноти логів; від гнучкості LLM до викликів, пов’язаних із ризиком галюцинацій та потребою в контролі якості. Огляд показав, що жоден із підходів не є універсальним, і перспективним є створення гібридних архітектур, які поєднують структурованість графових моделей, діагностичні можливості когнітивних методів, адаптивність нейронних мереж і гнучкість LLM. Подальші дослідження варто зосередити на інтеграції мультимодальних сигналів, розробці протоколів відтворюваності експериментів, уніфікації метрик оцінювання та побудові масштабованих систем, здатних ефективно працювати в умовах великих освітніх середовищ (MOOCs).