Информационно-коммуникационные технологии стали одним из базисов нашей современной жизни, определяющим системный переход к информационному обществу, в том числе исходя из измерений социальной активности общества в сторону значительного увеличения, естественным образом обусловленной процессами глобализации, информационными потребностями, большими данными т. д. В первую очередь, ИКТ повлиял на Интернет-среду, возрос спрос на интернет-услуги, что повлияло на увеличение количества информации предоставляемой сетью. Данный феномен повлек за собой и ряд проблем для пользователей, связанных с количеством информации, предоставляемой по запросу и временем на поиск релевантных данных. Современные проблемы требуют применения новых технологий, одной из которых является технология искусственного интеллекта - рекомендательные системы. Рекомендательная система предназначена для оказания помощи пользователю в поиске информации в соответствии с его запросами и потребностями. Опираясь на позицию Кима Фалька, считаем, что: «Рекомендательная система подбирает и предлагает пользователю релевантный контент, основываясь на своих знаниях о пользователе, контенте и взаимодействии пользователя и контента» [Фальк, 2020]. Технология сочетает в себе большой перечень возможностей и опций для пользователя в соответствии с его предпочтениями. С точки зрения В. В. Цурко, целью рекомендательной системы является нахождение данных, релевантных пользователю, на основе его предыдущего поведения и решениях [Цурко, 2019]. Разработка рекомендательной системы (рисунок 1) базируется на следующих этапах. 1. Сбор данных. В исследовании М. А. Пирязевой [Пиризяева и др., 2020] рассматриваются два способа сбора информации: имплицитно и эксплицитно. Имплицитно - сбор информации о пользователе реализуется пассивно. Эксплицитно - используются активные методы взаимодействия; 2. Определение релевантности между запросом и предоставленными рекомендациями; 3. Оценка качества предоставленной услуги. Учитывая, что практическая область реализации рекомендательных систем зародилась недавно, база теоретических знаний формировалась, примерно, с 1950 года были изучены и представлены математические подходы, модели самообучающихся алгоритмов в области данной технологии, которые до сих пор считаются базисной составляющей современных рекомендательных систем [Hill et al., 1995; Lops et al., 2011]. Постоянно растущие объемы информации в различных сферах деятельности человека актуализировали технологию рекомендательных систем, отражающих информационный поиск и машинное обучения, в таких как: коммерция, социальные сети, кино и литература, в области образования, а также в преподавании и консультационных услугах. Сфера образования быстро адаптировала ресурсы в сети Интернет, современные порталы внедрили технологию рекомендаций, элементами которых стали: учебные материалы и предметы, университеты и информация, например, о курсах, успеваемости студентов и области обучения. Системы рекомендаций зависят от данных, предоставленных с помощью опросов, установки фильтров и других способов сбора. Поэтому задача, стоящая перед системами образовательных рекомендаций, заключается в том, как лучше понять интересы пользователя и цель предметной области. Разработанный образовательный модуль технологии искусственного интеллекта «Рекомендательные системы» познакомит студентов с основополагающей системой знаний и сформирует навыки создания рекомендательных систем. Разработанный контент направлен на освоение модуля в соответствии с тематическим планированием и содержит следующий материал: ▪ лекционные материалы, в виде презентации PowerPoint, Prezi и уроков CoreApp; ▪ лабораторные работы, разработанные на платформе CoreApp; ▪ практические задания; ▪ материалы для самостоятельной работы; ▪ тестирование; ▪ глоссарии. На рисунке 2 и 3 представлены примеры структур учебных материалов модуля в Moodle. Образовательный процесс осуществлялся с использованием ресурсов электронного обучения, включая следующие виды деятельности: ▪ Прослушивание лекционного материала с использованием сервиса онлайн-конференции Google-Meet; ▪ Прослушивание рекомендаций по выполнению самостоятельных и лабораторных работ с использованием сервиса онлайн-конференции Google-Meet; ▪ Скачивание материалов и выполнение самостоятельных и лабораторных работ из «Moodle»; ▪ Составление и отправка полного отчета по выполненным самостоятельным заданиям и архивы со сделанными лабораторными работами в “Moodle”. ▪ В апробации образовательного модуля принимали участие студенты РГПУ им. А. И. Герцена 3, 4 курса, в таблице 1 подробно представлена информация о группах. Т а б л и ц а 1 Характеристика экспериментальных групп Во время обучения студентов применялись следующие методы контроля и формы организации, описанные в таблице 2. Т а б л и ц а 2 Входной контроль осуществлялся на первом занятии. Цель входного контроля - определение уровня подготовки и знаний в области искусственного интеллекта, языка программирования Python, рекомендательных систем. Формой и методом контроля послужило индивидуальное анонимное анкетирование с помощью средства для опросов «Google Формы». Опираясь на анализ результатов эксперимента, можно сделать выводы: ▪ Учитывая отсутствие у большой части опрошенных опыта в изучении искусственного интеллекта, технологий ИИ и рекомендательных систем, у студентов наблюдается средний уровень знаний, что необходимо учитывать при реализации обучения. ▪ По анкетированию можно сделать вывод, что обучающиеся имеют представления о базовых ключевых понятиях по модулю: рекомендательные системы, ИИ, язык программирования Python. Текущий контроль проводился на протяжении всего обучения в форме проверки выполнения самостоятельных заданий и лабораторных работ. Цель текущего контроля - выявить пробелы в усвоении учебного материала и сфокусировать внимание учащихся на сложных процессах и понятиях. Опираясь на полученные результаты, можно сделать вывод: все участники апробации, по окончанию прохождения практической части образовательного модуля усвоили материал на высоком уровне, были сформированы умения проектирования, создания рекомендательных систем, использования различных библиотек для реализации дополнительных функций, таких как визуализация и первичная обработка данных. Итоговый контроль проводился в конце модуля. Цель - проверить знания обучающихся, сформированные за время обучения, умения и навыки. Формой контроля являлась выполнение тестирования с использованием средства опроса «Google Формы» и встроенного инструмента «Тестирование» в Moodle. Исходя из результатов, можно сделать вывод: все участники апробации усвоили материал на высоком уровне, это означает, что был изучен весь теоретический материал, отработаны навыки для дальнейшей работы с проектированием данных для построения персональных предложений, построения рекомендательных систем. На рисунке 4 показаны результаты одной из апробируемых групп. По завершению педагогической апробации были сделаны выводы: все экспериментальные группы успешно усвоили материал модуля, сформированы умения для дальнейших реализаций систем персональных предложений. Достижение высокого уровня качества усвоения модуля говорит о эффективности разработанного учебного модуля технологии искусственного интеллекта «Рекомендательные системы» для подготовки будущих учителей в области информационных технологий.