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.
The research is aimed at evaluating the effectiveness of machine learning algorithms for personalizing curricula in technical universities and justifying the transition from a unified model to adaptive trajectories that take into account the heterogeneity of students' training and learning styles. The empirical base included 874 students of 2-3 courses in the fields of Software Engineering, Mechanical Engineering and Radio Engineering from three leading universities; Digital traces were collected in LMS Moodle/Canvas (timestamps, navigation, interactions with content, task results), entrance test data and academic indicators for two semesters. Methodologically, clustering (K Means, DBSCAN) has been applied to typologize learning profiles, a hybrid recommendation system (collaborative SVD filtering and a content-oriented approach) for selecting materials and assignments, as well as an LSTM model for predicting final grades and dropout risk based on time series of activity; data purification and normalization (Min Max), TF IDF for texts and statistical checks (t criterion, correlations, ANOVA, PCA) were performed. In the experimental groups, a statistically significant increase in academic performance was recorded: in software engineering +15,14%, in mechanical engineering +12,36%, in radio engineering +12,40% at comparable starting levels; the accuracy of the LSTM forecast reached ~85% 4-5 weeks before the end of the semester. Behavioral metrics indicate a qualitative restructuring of learning activity: time in the system +18,06%, interactions with content +42,09%, the share of optional tasks +153,29%, forum activity +118,18%, with strong links optional tasks ↔ final score (r≈0.74) and interactions ↔ final score (r≈0.69). The survey showed high satisfaction with personalization (overall 4.62/5; rate 4.71; relevance 4.58; interface 4.23), and PCA identified an exploratory pattern of behavior as a marker of success. The discussion highlights that personalized presentation reduces cognitive overload, enhances intrinsic motivation, and develops self-regulation; scaling, integration of NLP and generative models for fine diagnosis and task construction, as well as the development of predictive analytics and UX improvements while respecting ethics and data privacy are recommended.