Search academic texts

Information × Registration Number 0826U000361, PhD dissertation Status Доктор філософії Date 27-03-2026 popup.evolution o Title Methods of ontological analysis and generative artificial intelligence in the personalisation of postgraduate education Author Kostiantyn Y. YURCHENKO, popup.head Ihor P. Sinitsyn popup.opponent Sergiy V. SYROTA popup.opponent Kamila P. Storchak popup.review Olha V. ZAKHAROVA popup.review Alexander V. NOVITSKY Description Об’єкт дослідження: процес післядипломної освіти, її структура та зв’язки між її суб’єктами та ресурсами. Предметом дослідження: засоби персоналізації процесу післядипломної освіти, які використовують онтологічне моделювання та генеративний штучний інтелект. Мета дисертаційної роботи: підвищити ефективність підготовки молодих вчених шляхом персоналізації та цифрової трансформації системи навчання аспірантів. У роботі отримані нові наукові результати: • Вперше розроблено онтологічну модель екосистеми післядипломної освіти, яка формалізує наукову діяльність аспірантів та персоналізує область їх наукових інтересів, та визначено джерела інформаційного поповнення цієї моделі • Вперше розроблено метод автоматизованого формування персонального набору навчальних об’єктів для аспіранта на основі семантичного співставлення його наукових інтересів з іншими компонентами екосистеми післядипломної освіти • Вперше розроблено метод формалізованого пояснення (в термінах онтологічної моделі екосистеми післядипломної освіти) правил та інформаційних джерел для формування персонального набору навчальних об’єктів на основі використання генеративного штучного інтелекту. Теоретичне і практичне значення отриманих результатів Результати дозволили створити програмний прототип гібридної інтелектуальної системи мовою Python із використанням великих мовних моделей та SemanticMediaWiki для формування персонального набору навчальних об’єктів, узгодженого з профілем аспіранта, профілем наукового керівника та іншими інформаційними об’єктами екосистеми, а також для формального пояснення отриманих рекомендацій у термінах онтологічної моделі. Запропонований метод забезпечує покращення якості ранжування у верхній частині списку рекомендацій до Precision@10 +11,1%, nDCG@10 +12,5%, MRR +7,5% порівняно з базовою лінією TEXT та може застосовуватися у задачах персоналізованого добору та ранжування навчальних об’єктів. Результати досліджень прийняті до впровадження у освітню та науково-практичну діяльність Державного університету інформаційно-комунікаційних технологій, Таврійського державного агротехнологічного університету імені Дмитра Моторного та Київського столичного університету імені Бориса Грінченка. Registration Date 2026-02-27 popup.nrat_date 2026-02-27 Close