Доклад конференции
Индивидуальные образовательные маршруты: международный опыт внедрения ИИ и анализа данных
А. А. Никандров
2026
Рассматриваются персональные образовательные траектории (ИОМ) как средство индивидуализации обучения, опирающееся на искусственный интеллект и анализ больших данных. На примерах проектов в Калифорнии и Техническом университете Мюнхена описываются основные этапы ИОМ: диагностика знаний, планирование оптимального пути, мониторинг прогресса и динамическая корректировка. Применяются модели машинного обучения (GBDT, нейронные сети) и алгоритмы рекомендаций (collaborative filtering, reinforcement learning). Пилотные результаты демонстрируют рост успеваемости до +12 %, сокращение пропущенных дедлайнов до -27 % и повышение удовлетворённости обучением. Обсуждаются преимущества и недостатки внедрения ИОМ, а также рекомендации: единую платформу для сбора данных, анонимизацию, пилотный запуск и регулярные аудиты модели. Заключение подчёркивает потенциал ИОМ для улучшения эффективности и мотивации студентов.
Цитирование
Список литературы
1. Никандров А. А. Организация мультиплатформенного гибридного онлайн-курса по «Машинному обучению» для систем высшего образования / А. А. Никандров, К. Р. Пиотровская // Преподаватель XXI век. - 2023. - № 3-1. - С. 110-127. - DOI 10.31862/2073-9613-2023-3-110-127. - EDN WWLHQH
2. Никандров А. А. Анализ образовательных данных дисциплины «Основы математической обработки информации» / А. А. Никандров, К. Р. Пиотровская // Проблемы теории и практики обучения математике: сборник научных работ, представленных на Международную научную конференцию «73 Герценовские чтения», Санкт-Петербург, 21- 25 апреля 2020 года. - Санкт-Петербург: Российский государственный педагогический университет им. А. И. Герцена, 2020. - С. 91-97. - EDN KTJMKE.
3. Essa S. G., Celik T., Human-Hendricks N. E. Personalized adaptive learning technologies based on machine learning techniques to identify learning styles: A systematic literature review //Ieee Access. - 2023. - Т. 11. - С. 48392-48409.
4. Amin S. et al. Smart E-learning framework for personalized adaptive learning and sequential path recommendations using reinforcement learning // IEEe Access. - 2023. - Т. 11. - С. 89769-89790.
5. Ntoh E. S. Data-driven analysis of curricula in higher education. - 2024.
6. Ju W. et al. Dynamic path learning in decision trees using contextual bandits //World Wide Web. - 2023. - Т. 26. - №. 1. - С. 271-296.
7. Qazdar A. et al. Learning analytics for tracking student progress in lms. - 2022. 10.21203/rs.3.rs-1505417/v1.