Использование алгоритмов машинного обучения для персонализации учебных программ в технических вузах с фокусом на инженерные специальности

Аннотация

Исследование направлено на оценку эффективности алгоритмов машинного обучения для персонализации учебных программ в технических вузах и обоснование перехода от унифицированной модели к адаптивным траекториям, учитывающим гетерогенность подготовки и стилей обучения студентов. Эмпирическая база включала 874 студента 2-3 курсов по направлениям Программная инженерия, Машиностроение и Радиотехника из трех ведущих университетов; собирались цифровые следы в LMS Moodle/Canvas (временные метки, навигация, взаимодействия с контентом, результаты заданий), данные входного тестирования и академические показатели за два семестра. Методологически применены кластеризация (K-Means, DBSCAN) для типологизации профилей обучения, гибридная рекомендательная система (коллаборативная фильтрация SVD и контент-ориентированный подход) для подбора материалов и заданий, а также LSTM-модель для прогноза итоговых оценок и риска отсева на основе временных рядов активности; выполнены очистка и нормализация данных (Min-Max), TF-IDF для текстов и статистические проверки (t-критерий, корреляции, ANOVA, PCA). В экспериментальных группах зафиксирован статистически значимый прирост успеваемости: по программной инженерии +15,14%, по машиностроению +12,36%, по радиотехнике +12,40% при сопоставимых стартовых уровнях; точность прогноза LSTM достигала ~85% за 4-5 недель до конца семестра. Поведенческие метрики свидетельствуют о качественной перестройке учебной активности: время в системе +18,06%, взаимодействия с контентом +42,09%, доля необязательных заданий +153,29%, активность на форумах +118,18%, при сильных связях необязательные задания ↔ итоговый балл (r≈0,74) и взаимодействия ↔ итоговый балл (r≈0,69). Опрос показал высокую удовлетворенность персонализацией (общая 4,62/5; темп 4,71; релевантность 4,58; интерфейс 4,23), а PCA выявил исследовательский паттерн поведения как маркер успешности. Обсуждение подчеркивает, что персонализированная подача снижает когнитивную перегрузку, усиливает внутреннюю мотивацию и развивает саморегуляцию; рекомендуются масштабирование, интеграция NLP и генеративных моделей для тонкой диагностики и построения заданий, а также развитие предиктивной аналитики и UX-улучшений при соблюдении этики и приватности данных.