The analysis and the adaptive correction of learning trajectories with the help of agents

Abstract

This paper proposes a novel architecture of a multi-agent system and its formal specification for analyzing and adaptively correcting students' learning trajectories using software agents in digital learning environments. The proposed approach integrates artificial intelligence tools, temporal logic, and a multi-agent system architecture to ensure personalized adaptation of educational content. The main objective is to create a system capable of automatically collecting data on students' academic activities, analyzing this data using machine learning techniques, and generating and evaluating individual recommendations. These recommendations can include participation in group studies, additional consultations, or enrolling in advanced courses depending on the students’ performance dynamics. The proposed system model also includes metrics for evaluating the system's effectiveness, such as improved academic performance, increased engagement, reduced reaction time to difficulties, and student satisfaction. Neural network-based prediction is used to detect trends or deviations in students' learning patterns, which serve as the basis for dynamic adaptation of their learning path. The system uses Python and Keras frameworks to implement the analytical core, while monitoring and feedback mechanisms ensure real-time responsiveness. The proposed system model also includes metrics for evaluating the system's effecttiveness, such as improved academic performance, increased engagement, reduced reaction time to difficulties, and student satisfaction. Experimentally, the system was tested on a simulated student group studying “Parallel and Distributed Computing”, with results indicating measurable improvement in performance and motivation. The study demonstrates that the use of intelligent software agents can enhance personalization in education and support students more effecttively. Future work may include deeper analysis of emotional and social factors, ethical considerations of AIbased decision-making, and large-scale deployment in institutional LMS platforms. 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.