Рекомендаційна система з формування навчального контенту та вибору ментора для навчальної платформи

Abstract

Стрімкий розвиток онлайн-освіти та зростаючий попит на персоналізоване навчання створюють потребу в ефективних системах рекомендацій навчального контенту та підбору менторів. За даними Global Market Insights, світовий ринок електронного навчання у 2020 році становив 250 мільярдів доларів США і очікується його зростання до 1 трильйона доларів США до 2027 року. При цьому, сегмент освітніх рекомендаційних систем може досягти 2,5 мільярдів доларів США до 2025 року. Існуючі рекомендаційні системи в освіті, такі як Coursera, edX та LinkedIn Learning, мають ряд обмежень - недостатня персоналізація для нових користувачів, обмежена адаптація до різних рівнів освіти та відсутність комплексного підходу до підбору менторів. Це створює необхідність розробки нової, більш досконалої системи. Об'єктом дослідження є процес персоналізації навчання на онлайн-освітніх платформах. Предметом дослідження є методи та засоби автоматизованого формування навчального контенту та вибору менторів з використанням технологій штучного інтелекту. Мета роботи полягає у розробці інтелектуальної рекомендаційної системи для формування персоналізованого навчального контенту та вибору оптимального ментора на освітній платформі. Наукова новизна роботи полягає у розробці комплексного підходу до персоналізації навчання, який поєднує рекомендації контенту та вибір менторів на основі глибокого аналізу профілю учня, його навчальної траєкторії та цілей. Запропоновано новий метод гібридної фільтрації, що враховує як явні, так і неявні переваги користувачів. У роботі розроблено архітектуру рекомендаційної системи на основі фреймворку Laravel, що включає модулі аутентифікації, управління профілями, курсами, рекомендацій, оцінювання та платежів. База даних системи складається з 35 взаємопов'язаних таблиць, що забезпечує ефективне зберігання та управління даними про користувачів, курси, менторів та навчальний процес. Система використовує методи машинного навчання для аналізу взаємодії користувачів з платформою, включаючи час проведений на сторінках, послідовність переходів та частоту взаємодії з контентом. Реалізовано багаторівневе кешування та асинхронну обробку даних для забезпечення високої продуктивності. Проведене економічне обґрунтування показало, що при загальних витратах на розробку 911 555,24 грн, система демонструє нижчу ціну споживання (1 425 592,86 грн) порівняно з аналогами. Показник конкурентоспроможності 0,67 та комплексний показник якості 1,31 підтверджують перевагу запропонованого рішення. Впровадження системи дозволяє підвищити ефективність навчального процесу на 20%, збільшити утримання користувачів на 25% та оптимізувати роботу менторів на 15%. Очікується збільшення конверсії та річного доходу платформи на 38%. Практичне значення отриманих результатів полягає у створенні повнофункціональної рекомендаційної системи, яка може бути впроваджена на різних освітніх платформах для підвищення якості онлайн-навчання. Система має потенціал для подальшого розвитку через вдосконалення алгоритмів машинного навчання та розширення функціональності.The rapid development of online education and growing demand for personalized learning create a need for effective systems for recommending educational content and selecting mentors. According to Global Market Insights, the global e-learning market in 2020 was $250 billion and is expected to grow to $1 trillion by 2027. Meanwhile, the educational recommendation systems segment could reach $2.5 billion by 2025. Existing recommendation systems in education, such as Coursera, edX, and LinkedIn Learning, have several limitations - insufficient personalization for new users, limited adaptation to different education levels, and lack of a comprehensive approach to mentor selection. This creates the need to develop a new, more sophisticated system. The object of research is the process of learning personalization on online educational platforms. The subject of research is methods and tools for automated formation of educational content and selection of mentors using artificial intelligence technologies. The aim of the work is to develop an intelligent recommendation system for forming personalized learning content and selecting optimal mentors on an educational platform. The scientific novelty lies in developing a comprehensive approach to learning personalization that combines content recommendations and mentor selection based on deep analysis of student profiles, learning trajectories, and goals. A new hybrid filtering method is proposed that takes into account both explicit and implicit user preferences. The paper develops a recommendation system architecture based on the Laravel framework, including modules for authentication, profile management, courses, recommendations, assessment, and payments. The system database consists of 35 interconnected tables that provide efficient storage and management of data about users, courses, mentors, and the learning process. The system uses machine learning methods to analyze user interaction with the platform, including time spent on pages, transition sequences, and frequency of content interaction. Multi-level caching and asynchronous data processing have been implemented to ensure high performance. The economic justification showed that with total development costs of 911,555.24 UAH, the system demonstrates lower consumption cost (1,425,592.86 UAH) compared to analogues. The competitiveness indicator of 0.67 and comprehensive quality indicator of 1.31 confirm the advantage of the proposed solution. Implementation of the system allows increasing learning process efficiency by 20%, user retention by 25%, and optimizing mentor work by 15%. Expected increases in conversion and annual platform revenue of 38%. The practical significance of the obtained results lies in creating a full-featured recommendation system that can be implemented on various educational platforms to improve online learning quality. The system has potential for further development through improving machine learning algorithms and expanding functionality.