АРХІТЕКТУРА ТА МЕТОД АДАПТИВНОЇ ПЕРСОНАЛІЗАЦІЇ В РОЗПОДІЛЕНІЙ СИСТЕМІ Е-НАВЧАННЯ НА ОСНОВІ АГЕНТНИХ ТЕХНОЛОГІЙ

Анотація

У статті розроблено архітектуру розподіленої системи персоналізованого е-навчання на основі агентних технологій та запропоновано метод адаптивної персоналізації навчального процесу, що забезпечує динамічне формування індивідуальних навчальних траєкторій з урахуванням поточного стану студента. Актуальність дослідження зумовлена потребою підвищення ефективності електронного навчання в умовах поширення дистанційних і змішаних форматів, зростання обсягів цифрового освітнього контенту та необхідності інтелектуального супроводу здобувача освіти в реальному часі. На відміну від традиційних LMS, які переважно спираються на результати тестування, журнали активності та статистику перегляду матеріалів, запропонований підхід враховує поведінкові та психофізіологічні параметри студента як індикатори його когнітивного стану, рівня концентрації, втоми й емоційної залученості. Архітектура системи включає модуль моніторингу стану студента, агентне середовище прийняття рішень, засоби синхронізації даних, єдину базу даних та механізми інтеграції з платформами управління навчанням. У межах запропонованого методу агент-репетитор використовує алгоритм Q-learning для вибору адаптивних педагогічних дій, а показники стану студента інтегруються у функцію винагороди для коригування контенту, темпу подання матеріалу та складності завдань. Особливу увагу приділено координації компонентів системи, синхронізації даних між модулем моніторингу та когнітивною моделлю агента через єдину базу даних, а також забезпеченню конфіденційності персональних даних на основі архітектури Local Inference. Для перевірки працездатності та ефективності запропонованих рішень проведено імітаційне моделювання в середовищі NetLogo. Результати експериментальної перевірки підтвердили ефективність запропонованої архітектури та методу: швидкість персоналізації навчальних траєкторій зросла на 38 %, рівень академічної успішності – на 28 %, а когнітивний дискомфорт студентів знизився. Отримані результати підтверджують доцільність використання розподілених агентних систем для побудови інтелектуальних платформ електронного навчання.