Формирование индивидуальной образовательной траектории в онлайн обучении на основе технологий скрытых марковских моделей

Цель исследования. Целью настоящего исследования является разработка и обоснование методики формирования индивидуальной образовательной траектории в рамках онлайн курсов посредством анализа учебной активности учащихся и уровня их академической успеваемости.  

Методы. В работе применяются скрытые марковские модели, которые хорошо сочетаются с современными подходами машинного обучения, что усиливает их потенциал в плане аналитики и точного подбора образовательных траекторий. Выделены ключевые характеристики учебной активности учащихся, которые можно использовать в качестве наблюдений, а также выбрано подходящее количество скрытых состояний, соответствующее разным уровням академической успеваемости учащихся.

Результаты. Для экспериментального построения модели использовалась библиотека scikit-learn, разработанная для языка программирования Python. Обучение модели осуществлялось на двух массивах данных: реальная выборка включала 48942 записей результатов студентов по онлайн курсу «Технологии разработки интернет ресурсов», а дополнительный набор данных содержал 18052 записей из открытого репозитория Kaggle. Проведенное тестирование подтвердило эффективность предлагаемой методики, продемонстрировав улучшение качества образования благодаря точной оценке текущего состояния учащегося (учебной активности, уровня академической успеваемости), гибкому подбору учебных материалов и иной формы взаимодействия.

Заключение. Полученные результаты доказали перспективность использования предлагаемого подхода, способствующего повышению вовлеченности учащихся за счет особенностей восприятия учебного материала, увеличению скорости освоения новых компетенций путем оптимизации последовательности подачи учебного материала и возможности автоматизации процессов мониторинга прогресса учащихся. Исследование представляет особый интерес для специалистов, работающих над повышением эффективности онлайн обучения, и разработчиков образовательных платформ, желающих интегрировать такие модели в свои сервисы для поддержки педагогов и организаторов образовательного процесса.

1. Li D., Xing W. A comparative study on sustainable development of online education platforms at home and abroad since the twenty-first century based on big data analysis // Education and Information Technologies. 2025. P. 1-22. https://doi.org/10.1007/s10639-02513400-3.

2. Бурукина И.П. LX Design в разработке онлайн курсов: принципы, методы и практика // Педагогическая информатика. 2025. № 1. С. 117-123.

3. Rajabalee Y.B., Santally M.I. Learner satisfaction, engagement and performances in an online module: Implications for institutional e-learning policy analysis // Education and Information Technologies. 2021. №3. P. 2623-2656. https://doi.org/10.1007/s10639-02010375-1.

4. Kedia P., Mishra L. Exploring the factors influencing the effectiveness of online learning: a study on college students // Social Sciences & Humanities Open. 2023. №1. P. 100559. https://doi.org/10.1016/J.SSAHO.2023.100559.

5. Lalitha T.B., Sreeja P.S. Personalised self-directed learning recommendation system // Procedia Computer Science. 2020. Vol.171. P. 583-592. https://doi.org/10.1016/j.procs.2020.04.063.

6. Alper A., Okyay S., Nihat A. Hybrid course recommendation system design for a real-time student automation application // Avrupa Bilim ve Teknoloji Dergisi. 2021. Т.26. P. 85-90. https://doi.org/10.31590/ejosat.944596.

7. Когнитивные технологии в принятии управленческих решений / С.П. Серегин, А.Р. Федорова, Ю.А. Халин, А.И. Катыхин // Известия Юго-Западного государственного университета. 2024; 28(4): 57-66. https://doi.org/10.21869/2223-1560-2024-28-4-57-66.

8. Thaipisutikul T., Shih T.K., Enkhbat A., Aditya W. Exploiting long- and short-term preferences for deep context-aware recommendations // IEEE Transactions on Computational Social Systems. 2021. Vol. 9, №4. P. 1237-1248.

9. Лапенок М.В., Макеева В.В. Формирование индивидуальной траектории обучения в информационно-образовательной среде школы // Педагогическое образование в России. 2016. №7. C. 37-43.

10. Троицкая Е.А. Психологическая устойчивость и субъективное благополучие личности как ресурсы для проявления эмпатии // Вестник Московского государственного лингвистического университета. 2014. №. 7. С. 46-59.

11. Васильченко С. Х. Функциональные особенности формирования персональной образовательной среды как средства индивидуализации обучения на основе информационных технологий // Информатика и образование. 2010. №. 12. С. 104-108.

12. Wang S., Wang F., Zhu Z. Artificial intelligence in education: A systematic literature review // Expert Systems with Applications. 2024. P. 124-167. https://doi.org/10.1016/j.eswa.2024.124167.

13. Подколзин М.М. Интеллектуальная система адаптивного обучения на основе нейронных сетей для персонализации образовательных траекторий студентов российских вузов // Информатика и образование. 2024. 39(6). C. 65–81. https://doi.org/10.32517/0234-0453-2024-39-6-65-81.

14. Варнухов А.Ю. Скрытая марковская модель: метод построения модели бизнеспроцесса // Бизнес-информатика. 2024. Т. 18, №. 3. С. 41-55. DOI: 10.17323/2587814X.2024.3.41.55.

15. Земсков А.В. Аналитический подход к исследованию неоднородных марковских цепей с кусочно-постоянными изменениями переходных вероятностей // Известия высших учебных заведений. Приборостроение. 2024. Т. 67, №. 8. С. 657-669. https://doi.org/10.17586/0021-3454-2024-67-8-657-669

16. Ravari A., Ghoreishi S.F., Imani M. Optimal inference of hidden Markov models through expert-acquired data // IEEE Transactions on Artificial Intelligence. 2024. Vol. 5, № 8. P. 3985-4000. https://doi.org/10.1109/TAI.2024.3358261.

17. Pan W. Research on pig sound recognition based on deep neural network and hidden Markov models // Sensors. 2024. Vol. 24, № 4. P. 1269. https://doi.org/10.3390/s24041269

18. Jithendar T.R., Devi M.T., Saritha G. Determination of viterbi path for 3 hidden and 5 observable states using hidden Markov model // Reliability: Theory & Applications. 2024. Vol. 19, №. 2 (78). P. 509-515.

19. Zhu K. Physics-informed hidden markov model for tool wear monitoring // Journal of Manufacturing Systems. 2024. Vol. 72. P. 308-322. https://doi.org/10.1016/j.jmsy.2023.11.003.

20. Харин Ю.С. Критерий отношения правдоподобия проверки сложных гипотез sмерной равномерности двоичных последовательностей //Вероятностные методы в дискретной математике. 2024. Т. 1. С. 122.

21. Wong Z.Y. et al. Student engagement and its association with academic achievement and subjective well-being: A systematic review and meta-analysis // Journal of Educational Psychology. 2024. №. 1. P. 48–75. https://doi.org/10.1037/edu0000833.

22. Zhao J. et al. Choosing the number of factors in factor analysis with incomplete data via a novel hierarchical Bayesian information criterion //Advances in Data Analysis and Classification. 2024. Р. 1-27. https://doi.org/10.1007/s11634-024-00582-w.

23. Yang F., Balakrishnan S., Wainwright M.J. Statistical and computational guarantees for the Baum-Welch algorithm // Journal of Machine Learning Research. 2017. Vol. 18, № 125. P. 1-53.

24. Wang C., Li K., He X. Network risk assessment based on Baum Welch algorithm and HMM // Mobile Networks and Applications. 2021. Vol. 26, №. 4. P. 1630-1637. https://doi.org/10.1007/s11036-019-01500-7.

25. Anderson K.S. Python: 2023 project update // Journal of Open Source Software. 2023. Vol. 8, №. 92. P. 5994.

26. Библиотеки python для начинающих / В.В. Сааков, Л.Х. Кучмезова, А.А. Дзамихова, З.Х. Шаущева // Молодой учёный: сборник статей III Международной научнопрактической конференции. Пенза, 2023. С. 19-21.

27. Сальников А.В. Верификация и валидация компьютерных моделей // Известия высших учебных заведений. Машиностроение. 2022. №. 9 (750). С. 100-115. doi: 10.18698/0536-1044-2022-9-100-115.