Реєстраційний номер
0826U000072, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
12-02-2026
Статус
Запланована
Чому дисертація має статус "Запланована"?
Назва роботи
Рекомендаційна система для побудови індивідуального плану навчання здобувача вищої освіти
Здобувач
Понзель Ярослав Юрійович,
Керівник Глазунова Олена Григорівна
Опонент Цюцюра Микола Ігорович
Опонент Морозов Андрій Васильович
Рецензент Шкарупило Вадим Вікторович
Рецензент Смолій Вікторія Миколаївна
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Національний університет біоресурсів і природокористування України
Опис
У дисертації досліджено методи та моделі обробки даних, алгоритми машинного навчання та підходи до побудови рекомендаційних систем у контексті забезпечення індивідуалізації освітнього процесу. Окреслені теоретичні засади формують методологічну основу для створення інтелектуальної системи, що дозволяє автоматизувати формування індивідуального навчального плану (ІНП), сприяючи підвищенню ефективності планування освітньої траєкторії, оптимізації вибору дисциплін та адаптації навчання до професійних інтересів здобувачів. Впровадження розроблених моделей у практику сприятиме цифровізації університетів, зменшенню адміністративного навантаження та підвищенню мотивації студентів через персоналізацію навчання.
На основі реальних даних навчального процесу (з системи «Електронний деканат» та ЄДЕБО) сформовано емпіричну базу дослідження, що охоплює вибірку з 2543 здобувачів вищої освіти. Це дозволило провести глибокий аналіз успішності та освітніх вподобань, виявити приховані закономірності у виборі дисциплін та побудувати надійні прогностичні моделі. Результати аналізу підтвердили необхідність переходу від уніфікованих навчальних планів до гнучких траєкторій, що базуються на інтелектуальному аналізі великих даних.
Встановлено, що найбільш ефективним підходом для прогнозування успішності в умовах розрідженості даних (що є характерним для вибіркових дисциплін) є метод матричної факторизації з регуляризацією за нормою Фробеніуса. Розроблено та програмно реалізовано алгоритм, який мінімізує функцію втрат (RMSE) та дозволяє виявляти потенційні труднощі у навчанні на ранніх етапах. Експериментальна перевірка на тестовій вибірці показала, що середня похибка прогнозування (RMSE) становить 13.37 бала (на 100-бальній шкалі), а точність потрапляння рекомендованої дисципліни з топ вибору здобувача складає 31,15 %. Такі показники свідчать про здатність системи ефективно ранжувати дисципліни та надавати релевантні рекомендації.
Обґрунтовано математичну модель формування індивідуального навчального плану як задачу лінійного програмування, що враховує обмеження на кількість кредитів, логічну послідовність вивчення дисциплін та вимоги освітньої програми. Це дозволяє автоматизувати процес перевірки валідності плану ще на етапі генерації рекомендацій, усуваючи ризики формування помилкових траєкторій.
Досліджено проблему «холодного старту» для нових користувачів системи та запропоновано гібридний механізм рекомендацій, що поєднує колаборативну фільтрацію з аналізом анкетних даних та кар’єрних цілей здобувача. Виявлено, що інтеграція контекстних даних (ключові слова, хобі, профіль викладача) дозволяє підвищити точність персоналізації порівняно з використанням виключно історичних даних про оцінки.
Розроблено прототип рекомендаційної системи на основі мікросервісної архітектури з використанням технологій ASP.NET Core, Angular та бібліотеки машинного навчання ML.NET. Архітектурне рішення забезпечує модульність, масштабованість та можливість інтеграції з існуючими інформаційними екосистемами університетів. Реалізовано механізми взаємодії між сервісами через оптимізоване API, що покращило продуктивність обміну даними та забезпечило роботу системи в режимі реального часу.
За результатами впровадження та опитування 220 респондентів встановлено високий рівень задоволеності користувачів роботою системи – 74 % позитивних та змішаних відгуків. Здобувачі відзначили зручність інтерфейсу та релевантність наданих рекомендацій. Водночас виявлено потребу у впровадженні методів пояснюваного штучного інтелекту для підвищення довіри до автоматичних рішень та прозорості процесу формування рекомендацій.
Запропонований організаційно-технічний механізм побудови індивідуальних навчальних планів ґрунтується на диференційованому підході до кожного здобувача, що дозволяє враховувати його академічний бекграунд та професійні прагнення. Практичне застосування результатів дослідження в системах «Особистий кабінет здобувача» створює передумови для повноцінної реалізації студентоцентрованого підходу у вищій освіті України.
Дата реєстрації
2026-01-08
Додано/оновлено в НРАТ
2026-01-08 / 2026-07-01
