Preview

Информатика и образование

Расширенный поиск

Модель архитектуры рекомендательного сервиса по формированию индивидуальной образовательной траектории при самостоятельном изучении массовых открытых онлайн-курсов

https://doi.org/10.32517/0234-0453-2024-39-1-74-83

Аннотация

Инструменты анализа данных в электронном обучении широко используются для улучшения качества массовых открытых онлайн-курсов (МООК), повышения успеваемости обучающихся и поддержания их вовлеченности в процесс обучения. Однако применение этих инструментов и сервисов ограничено рамками определенного курса. Помочь обучающемуся выстроить индивидуальную образовательную траекторию, соответствующую его образовательным целям и имеющимся у него знаниям и навыкам, сделать это в своем собственном темпе, по собственной программе и собственному графику и использовать при этом многообразие онлайн-курсов всей образовательной платформы может рекомендательный сервис. Этот инструмент строится на основе математической модели с использованием булева программирования.
Используемая математическая модель примечательна тем, что позволяет разграничить определение набора МООК по заданным критериям и построение расписания из этого набора. При этом оптимальный набор курсов будет найден только при условии, что из него можно построить такую последовательность курсов, чтобы обучающийся на каждом этапе обладал всеми знаниями и навыками, необходимыми для изучения очередного курса. Это позволяет значительно сократить объем необходимых вычислений.
В статье приведен список предпосылок для создания сервиса, описана возможная архитектура микросервисного подхода и обоснован ее выбор, представлен пример используемой математической модели, а также оценка перспектив использования сервиса.
Предлагаемое решение может представлять практический интерес для организаций, владеющих платформами электронного обучения, как средство повышения доли обучающихся, успешно достигающих своих образовательных целей

Об авторе

Д. А. Алдунин
ООО «Яндекс.Такси Технологии»
Россия

Алдунин Дмитрий Александрович, ведущий менеджер проектов

г. Москва



Список литературы

1. Althubaiti A., Alkhazim M. Medical colleges in Saudi Arabia: Can we predict graduate numbers? Higher Education Studies. 2014;4(3):1–8. DOI: 10.5539/hes.v4n3p1

2. Różewski P., Zaikin O. Integrated mathematical model of competence-based learning-teaching process. Bulletin of the Polish Academy of Sciences. Technical Sciences. 2015;63(1):245–259. DOI: 10.1515/bpasts-2015-0029.

3. Lin J., Pu H., Li Y., Lian J. Intelligent recommendation system for course selection in smart education. Procedia Computer Science. 2018;129:449–453. DOI: 10.1016/j. procs.2018.03.023.

4. Норенков И. П., Соколов Н. К. Синтез индивидуальных маршрутов обучения в онтологических обучающих системах. Информационные технологии. 2009;(3):74–77. EDN: JXBKSX.

5. Badali M., Hatami J., Banihashem S. K. et al. The role of motivation in MOOCs’ retention rates: A systematic literature review. Research and Practice in Technology Enhanced Learning. 2022;17:1–8. DOI: 10.1186/s41039-022-00181-3.

6. Chi Z., Zhang Sh., Shi L. Analysis and prediction of MOOC learners’ dropout behavior. Applied Sciences. 2023;13(2):1068. DOI: 10.3390/app13021068.

7. Wang W., Zhao Y., Wu Y. J., Goh M. Factors of dropout from MOOCs: A bibliometric review. Library Hi Tech. 2023;41(2):432–453. DOI: 10.1108/lht-06-2022-0306.

8. Eriksson T., Adawi T., Stöhr Ch. “Time is the bottleneck”: A qualitative study exploring why learners drop out of MOOCs. Journal of Computing in Higher Education. 2017;(29):133–146. DOI: 10.1007/s12528-016-9127-8.

9. Knowles M. The adult learner: A neglected species. 3rd edition. Houston, TX, USA, Gulf Publishing; 1984. 292 p.

10. Aldunin D. A. Application of the adaptive content concept for an e-learning resource. Business Informatics. 2016;(4(38)):27–34. EDN: XRFDER. DOI: 10.17323/1998-0663.2016.4.27.34.

11. Подиновский В. В. Теория важности критериев в многокритериальных задачах принятия решений при неопределенности. II. Задачи с количественной информацией о важности критериев и вероятностях значений неопределенного фактора. Информационные технологии моделирования и управления. 2012;(2(74)):131–137. EDN: OYHLCL. Режим доступа: http://www.sbook.ru/itmu/

12. Подиновский В. В., Потапов М. А., Нелюбин А. П. и др. Система для выбора и анализа многокритериальных решений с неполными предпочтениями. ИТНОУ: Информационные технологии в науке, образовании и управлении. 2017;(2(2)):50–57. EDN: YRWRMR.

13. Алдунин Д. А., Федин Г. Г. Математическая модель для построения оптимальной индивидуальной образовательной траектории обучающегося при изучении массовых открытых онлайн-курсов. Информационные технологии. 2019;25(4):250–256. EDN: CBWZLS. DOI: 10.17587/it.25.250-256.

14. Mittelmann H. D. Latest progress in optimization software. INFORMS Annual Meeting. 2023:1–19. Available at: https://plato.asu.edu/talks/informs2023.pdf

15. Lovelace A. L. On the complexity of scheduling university courses. Master’s thesis. San Luis Obispo, California Polytechnic State University; 2010. 98 p. Available at: https://digitalcommons.calpoly.edu/cgi/viewcontent.cgi?referer=&httpsredir=1&article=1255&context=theses

16. Sadikin M., Yusuf R. Y., Arif Rifai R. Load balancing clustering on Moodle LMS to overcome performance issue of e-learning system. TELKOMNIKA (Telecommunication Computing Electronics and Control). 2019;17(1):131–138. DOI: 10.12928/TELKOMNIKA.v17i1.10284.

17. Kroll J., Hashmi S. I., Richardson I., Audy J. L. N. A systematic literature review of best practices and challenges in follow-the-sun software development. Proc. 2013 IEEE 8th Int. Conf. on Global Software Engineering Workshops. Bari, Italy, 2013:18–23. DOI: 10.1109/ICGSEW.2013.10.

18. Sandberg J. Understanding of work: The basis for competence development. International Perspectives on Competence in the Workplace. Implications for Research, Policy and Practice. Springer, Dordrecht, 2009:3–20. DOI: 10.1007/978-1-4020-8754-7_1.

19. Li M., Wang X., Wang Y., Chen Yu., Chen Yi. Study-GNN: A novel pipeline for student performance prediction based on multi-topology graph neural networks. Sustainability. 2022;14(13):7965. DOI: 10.3390/su14137965.

20. Buyrukoğlu S. A novel color labeled student modeling approach using e-learning activities for data mining. Universal Access in the Information Society. 2022;(22):569–579. DOI: 10.1007/s10209-022-00894-8.

21. Nielsen J. Usability engineering. San Francisco, CA, US, Morgan Kaufmann Publishers Inc.; 1993. 358 p.


Рецензия

Для цитирования:


Алдунин Д.А. Модель архитектуры рекомендательного сервиса по формированию индивидуальной образовательной траектории при самостоятельном изучении массовых открытых онлайн-курсов. Информатика и образование. 2024;39(1):74-83. https://doi.org/10.32517/0234-0453-2024-39-1-74-83

For citation:


Aldunin D.A. A model of recommendation service architecture for the formation of an individual educational trajectory for self-paced massive open online courses studying. Informatics and education. 2024;39(1):74-83. (In Russ.) https://doi.org/10.32517/0234-0453-2024-39-1-74-83

Просмотров: 364


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0234-0453 (Print)
ISSN 2658-7769 (Online)