Аналіз та адаптивна корекція траєкторій навчання за допомогою агентів

У цій статті пропонується нова архітектура багатоагентної системи та її формальна специфікація для аналізу та адаптивної корекції навчальних траєкторій студентів за допомогою програмних агентів у цифрових навчальних середовищах. Запропонований підхід інтегрує інструменти штучного інтелекту, часову логіку та багатоагентну системну архітектуру для забезпечення персоналізованої адаптації освітнього контенту. Головною метою є створення системи, здатної автоматично збирати дані про навчальну діяльність студентів, аналізувати ці дані за допомогою методів машинного навчання, а також генерувати та оцінювати індивідуальні рекомендації. Ці рекомендації можуть включати участь у групових заняттях, додаткові консультації або запис на поглиблені курси залежно від динаміки успішності студентів. Запропонована модель системи також включає показники для оцінки ефективності системи, такі як покращення академічної успішності, підвищення залученості, скорочення часу реакції на труднощі та задоволеність студентів. Прогнозування на основі нейронних мереж використовується для виявлення тенденцій або відхилень у моделях навчання студентів, що слугує основою для динамічної адаптації їхнього навчального шляху. Система використовує фреймворки Python та Keras для реалізації аналітичного ядра, а механізми моніторингу та зворотного зв'язку забезпечують оперативне реагування в режимі реального часу. Запропонована системна модель також включає показники для оцінки ефективності системи, такі як покращення академічної успішності, підвищення залученості, скорочення часу реакції на труднощі та задоволеність студентів. Експериментально систему було протестовано на змодельованій групі студентів, які вивчають «Паралельні та розподілені обчислення», і результати вказують на вимірюване покращення продуктивності та мотивації. Дослідження демонструє, що використання інтелектуальних програмних агентів може покращити персоналізацію в освіті та ефективніше підтримувати студентів. Подальша робота може включати глибший аналіз емоційних та соціальних факторів, етичних міркувань щодо прийняття рішень на основі штучного інтелекту та широкомасштабне впровадження на інституційних платформах LMS.