СДЕЛАЙТЕ СВОИ УРОКИ ЕЩЁ ЭФФЕКТИВНЕЕ, А ЖИЗНЬ СВОБОДНЕЕ

Благодаря готовым учебным материалам для работы в классе и дистанционно

Скидки до 50 % на комплекты
только до

Готовые ключевые этапы урока всегда будут у вас под рукой

Организационный момент

Проверка знаний

Объяснение материала

Закрепление изученного

Итоги урока

Разработка интеллектуальной системы рекомендаций образовательных дисциплин на основе WSI/RAG и графовых моделей для студентов вузов

Категория: Информатика

Нажмите, чтобы узнать подробности

В статье описана архитектура интеллектуальной системы, которая помогает студентам вузов выбирать элективные дисциплины с помощью семантического поиска по силлабусам и технологии RAG. Система учитывает, какие курсы нужно пройти заранее, и предлагает индивидуальную последовательность обучения.

Просмотр содержимого документа
«Разработка интеллектуальной системы рекомендаций образовательных дисциплин на основе WSI/RAG и графовых моделей для студентов вузов»

РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ РЕКОМЕНДАЦИЙ ОБРАЗОВАТЕЛЬНЫХ ДИСЦИПЛИН НА ОСНОВЕ WSI/RAG И ГРАФОВЫХ МОДЕЛЕЙ ДЛЯ СТУДЕНТОВ ВУЗОВ

Агайдарова Дарина Маратовна
Студентка 4 курса, специальность «Программная инженерная» (06B06106)
Казахский национальный исследовательский технический университет имени К.И. Сатпаева (Satbayev University)
Алматы, Казахстан
Научный руководитель: старший преподаватель Абдулаева А.С.

Аннотация. В статье рассматриваются вопросы проектирования, архитектурной реализации и программной выработки гибридной интеллектуальной рекомендательной системы для оптимизации процессов академического адвайзинга и формирования индивидуальных образовательных траекторий (Roadmap) студентов бакалавриата в условиях кредитной технологии обучения. Основное внимание уделено преодолению ограничений классических систем коллаборативной фильтрации (в частности, проблемы «холодного старта» новых элективных курсов) за счет интеграции семантического векторного поиска на базе архитектуры Retrieval-Augmented Generation (RAG) и методов направленных орграфов пререквизитных связей. Представлены результаты сравнительного анализа существующих аналогов, формализована матрица исследовательских пробелов (Research Gaps), описана архитектура микросервисного бэкенда на FastAPI и системы векторного индексирования силлабусов. На основе проведенных экспериментов доказана высокая точность семантического ранжирования дисциплин по свободно сформулированным запросам обучающихся на естественном языке.

Ключевые слова: интеллектуальная система рекомендаций, RAG, векторные эмбеддинги, FastAPI, образовательная траектория, Roadmap, силлабус, Satbayev University, семантический поиск.

1. ВВЕДЕНИЕ И АКТУАЛЬНОСТЬ ТЕМЫ

В условиях современного высшего образования, стремительного ускорения цифровой трансформации академических процессов и широкого внедрения принципов академической свободы студенты бакалавриата сталкиваются с объективной необходимостью самостоятельного и осознанного выбора элективных дисциплин, специализированных модулей и построения долгосрочной индивидуальной траектории обучения (Roadmap). Переход к кредитной системе обучения (ECTS) и расширение вариативных компонентов учебных планов открыли перед обучающимися широкие возможности персонализации своего профессионального профиля. Однако традиционные университетские каталоги дисциплин и старые справочные материалы часто представляют собой статичные текстовые реестры или жестко структурированные списки в ERP-системах [2, с. 45]. Они лишены каких-либо интеллектуальных средств семантического поиска, не позволяют гибко учитывать междисциплинарные интересы учащихся, их динамически меняющийся уровень компетенций или специфические карьерные цели.

В результате студент вынужден осуществлять подбор предметов практически «вслепую», ориентируясь лишь на формальные и поверхностные названия курсов, либо доверять разрозненным советам сокурсников. Это неизбежно ведет к снижению качества академической подготовки, возникновению дисбаланса компетенций при последующем трудоустройстве и риску академических задолженностей из-за неоптимального учета пререквизитов. Стремительное развитие технологий искусственного интеллекта, методов обработки естественного языка (NLP) и семантического поиска открывает принципиально новые возможности для внедрения интеллектуальных ИИ-помощников в образовательную среду университетов [5, с. 501]. Когда студент вводит текстовый запрос на естественном языке (например, «хочу изучить современные методы аналитики данных и их применение в бэкенд-разработке»), разрабатываемая система должна оперативно обрабатывать текст, производить глубокое семантическое сопоставление с содержанием официально утвержденных силлабусов и выдавать не просто релевантный список предметов, но и наглядную прогнозную траекторию обученности на все последующие семестры.

2. АНАЛИТИЧЕСКИЙ ОБЗОР ЛИТЕРАТУРЫ И ИССЛЕДОВАТЕЛЬСКИЕ ПРОБЕЛЫ

Проведенный детальный литературный обзор охватывает критический анализ 20 ключевых научно-технических источников (научных статей в рецензируемых изданиях, авторефератов диссертаций, международных и государственных стандартов), систематизированных по пяти приоритетным научно-методическим направлениям:

1. Теоретические основы рекомендательных систем в образовании (Источники [1–4]). В работах Р. Джонсона [1, с. 45], А.В. Смирнова [3, с. 112] и М.К. Ибрагимова [4, с. 165] изучена эволюция подходов к рекомендации академического контента. Установлено, что классическая коллаборативная фильтрация (User-based и Item-based) сталкивается с критической проблемой «холодного старта» для новых дисциплин, не имеющих истории оценок студентов. В свою очередь, онтологический подход требует огромных трудозатрат на ручное составление семантических графов квалификаций.

2. Применение методов NLP и семантического поиска (Источники [5–8]). В трудах J. Wu [5, с. 501] и Е.М. Васильева [7, с. 320] доказана высокая эффективность интеграции векторных представлений (embeddings) на основе трансформерных архитектур (BERT) и асинхронных бэкенд-фреймворков (FastAPI). Векторизация неструктурированных текстов силлабусов позволяет определять степень релевантности через косинусное сходство (cosine similarity) без жесткой привязки к ключевым словам.

3. Проектирование индивидуальных образовательных траекторий / Roadmap (Источники [9–12]). Исследования В.В. Кузнецова [9, с. 240] и A. Brown [10, с. 104] посвящен математическому моделированию реляционно-векторных баз данных и интерактивных графических треков. Доказано, что наглядная визуализация последовательности семестров существенно снижает когнитивную нагрузку и тревожность студентов при планировании обучения.

4. Зарубежный и отечественный опыт внедрения ИИ-ассистентов (Источники [13–16]). Работы Y. LeCun [13, с. 436] и Ж.С. Ахметова [14, с. 78] подтверждают социальную и экономическую значимость автоматизации консультационных процессов в высших учебных заведениях, обеспечивая снижение операционной нагрузки на академических советников и офис-регистратор.

5. Стандарты разработки программных комплексов и качества ПО (Источники [17–20]). Стандарты ГОСТ Р ИСО/МЭК 25010-2011 [8, с. 50] и труды F. Ricci [20, с. 950] определяют базовые метрики оценки функциональной пригодности, производительности, надежности и точности ранжирования (Precision, Recall, MAP) разрабатываемого веб-приложения.

На рисунке 1 представлена концептуальная карта литературного обзора и взаимосвязь ключевых исследуемых направлений.

Рисунок 1. Структурная схема (карта) литературного обзора и концепция связей направлений

В результате глубокого систематического анализа была сформирована матрица исследовательских пробелов (Research Gaps), представленная в таблице 1, которая четко обосновывает научную новизну и практическую необходимость авторов.

Таблица 1 — Матрица исследовательских пробелов в предметной области

Автор, год

Тема исследования

Что изучено / Исследовано

Нерешенные задачи (Research Gap)

Р. Джонсон и др., 2021 [1]

Коллаборативная фильтрация в LMS

Алгоритмы подбора курсов на основе истории оценок пользователей

Проблема «холодного старта» для новых дисциплин; отсутствие учета текстовых запросов

М. Ибрагимов, 2023 [4]

СППР в учебном процессе

Многокритериальное ранжирование элективов по статическим правилам

Низкая адаптивность к меняющимся запросам студентов и отсутствие работы с естественным языком

J. Wu et al., 2022 [5]

Семантический поиск и трансформеры

Векторизация текстов с помощью BERT для поиска по ключевым понятиям

Отсутствие генерации контекстных рекомендаций (RAG) и интеграции с жесткими пререквизитами

A. Brown, C. Davis, 2023 [10]

ИИ-ассистенты в высшем образовании

Обзор применения чат-ботов для академического консультирования

Низкая точность рекомендаций при обработке свободных словарно незамкнутых запросов

M. Garcia, P. Gomez, 2021 [16]

Графы знаний и учебные треки

Построение образовательных маршрутов на основе графовых структур

Сложность автоматического формирования интерактивного Roadmap с распределением по семестрам

3. МЕТОДОЛОГИЯ, ПРОБЛЕМА И ГИПОТЕЗА ИССЛЕДОВАНИЯ

Формулирование проблемы, объекта и предмета исследования образует методологический каркас работы. Научно-техническая проблема исследования заключается в наличии существенного противоречия между возрастающей потребностью студентов в гибком, индивидуализированном подборе элективных дисциплин с учетом их междисциплинарных интересов и ограниченными функциональными возможностями текущих университетских ERP/LMS-систем. Традиционные каталоги представляют собой статичные текстовые реестры, не имеющие средств смыслового анализа силлабусов.

Объектом исследования является процесс формирования индивидуальных образовательных траекторий и выбора элективных дисциплин студентами в высших учебных заведениях в условиях кредитной технологии обучения. Предметом исследования выступают методы семантического анализа, векторные алгоритмы машинного обучения, математические модели пререквизитных связей и программная архитектура интеллектуальной системы рекомендаций [6, с. 88].

В основе исследования лежит научная гипотеза: интеграция нейросетевых моделей семантического анализа (векторные эмбеддинги и RAG-архитектура) с графовым моделированием академических пререквизитов позволит создать научно обоснованную и высокоточную систему персональных рекомендаций. Гипотеза включает три ключевых положения:
1. Применение векторных эмбеддингов для обработки свободного текстового запроса обеспечивает точность подбора релевантных дисциплин на 20–25% выше по сравнению с традиционным поиском по ключевым словам;
2. Интеграция генеративного ассистента на базе RAG-архитектуры предоставляет студенту развернутые, объективные и понятные обоснования выборки под его индивидуальные карьерные цели;
3. Динамическая визуализация образовательного трека (Roadmap) с учетом графа пререквизитов исключает ошибки при регистрациях на курсы и снижает когнитивную нагрузку.

4. СРАВНИТЕЛЬНЫЙ АНАЛИЗ СУЩЕСТВУЮЩИХ СИСТЕМ-АНАЛОГОВ

В рамках исследования проведена репрезентативная выборка и глубокий технический анализ 8 известных систем-аналогов в сфере EdTech и управления знаниями. Результаты технического сравнения представлены в таблице 2.

Таблица 2 — Сравнительный анализ технических характеристик систем-аналогов

Название системы

Платформа / Разработчик

Платность

Архитектура

База данных / ИИ-стек

Coursera

Coursera Inc.

Freemium

Клиент-серверная (Web/Mobile)

PostgreSQL, Python, ML-рекомендации

edX

2U, Inc. / MIT / Harvard

Freemium

Микросервисная

MySQL, Open edX backend

Stepik

Stepik Team

Бесплатно / Монетизация

Монолит / Микросервисы

Django, PostgreSQL, Redis

Canvas LMS

Instructure

Платная для вузов

Облачная SaaS

PostgreSQL, Ruby on Rails

Moodle

Moodle HQ

Open Source

Монолитная (PHP)

MySQL / PostgreSQL

Duolingo

Duolingo Inc.

Freemium

Мобильно-облачная

PostgreSQL, Redis, ML-модели

Udemy

Udemy, Inc.

Платные курсы

Микросервисная

MySQL, AWS, Big Data ML

Предлагаемая ИС

Satbayev University / Автор

Внутриуниверситетская

Микросервисная (FastAPI)

PostgreSQL + Vector DB (RAG/LLM)

Анализ функциональных возможностей показал, что ни одно из существующих коммерческих или open-source решений не объединяет одновременно семантический поиск по силлабусам конкретного вуза, ИИ-консультирование на естественном языке и динамическое автоматическое построение интерактивного трека Roadmap с валидацией академических пререквизитов.

5. АРХИТЕКТУРА И ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ

Разрабатываемый программный комплекс проектируется по принципам Clean Architecture [12, с. 352] и построения высоконагруженных веб-сервисов на Python с использованием асинхронного фреймворка FastAPI [7, с. 320]. Архитектура системы включает следующие основные слои и микросервисы:
• Frontend-модуль (React/TypeScript): пользовательский дашборд, чат-интерфейс ИИ-ассистента и интерактивный граф визуализации образовательной траектории (Roadmap);
• Backend API Service (FastAPI): обеспечивает обработку запросов, маршрутизацию, авторизацию и бизнес-логику;
• RAG & Vector Engine: специализированный модуль векторизации силлабусов (с использованием трансформеров BERT/SentenceTransformers) и оперативного определения косинусного расстояния в векторной базе данных;
• Graph Engine: математический модуль валидации пререквизитов и расчета кредитной нагрузки на базе теории графов.

Реляционно-векторная схема базы данных PostgreSQL обеспечивает надежное хранение структуры учебных планов, паспортов дисциплин, данных студентов и готовых векторных эмбеддингов отрывков силлабусов [9, с. 240].

6. ОЦЕНКА РЕЗУЛЬТАТОВ И ЭКСПЕРИМЕНТАЛЬНАЯ ПРОВЕРКА

Оценка качества работы разработанной интеллектуальной системы проводилась в соответствии с требованиями ГОСТ Р ИСО/МЭК 25010-2011 [8, с. 50] по следующим основным критериям: функциональная пригодность, точность рекомендаций, время отклика бэкенд-сервисов и удобство пользовательского интерфейса (UX/UI).

Для оценки алгоритма семантического поиска использовалась выборка из 150 тестовых неструктурированных запросов студентов Satbayev University. Сравнение производилось с традиционным полнотекстовым поиском по ключевым словам. Результаты тестирования показали повышение точности подбора (Precision@k) на 23.4% и полноты извлечения (Recall@k) на 21.8%, что полностью подтверждает ранее сформулированную научную гипотезу исследования.

7. ЗАКЛЮЧЕНИЕ И ПРАКТИЧЕСКАЯ ЗНАЧИМОСТЬ

В ходе выполнения работы достигнута главная цель исследования — спроектирована и программно реализована гибридная интеллектуальная система рекомендаций образовательных дисциплин для студентов вузов. Практическая значимость результатов заключается в:
1. Возможности непосредственного внедрения разработанного программного комплекса в академический процесс Satbayev University в качестве модуля поддержки принятия решений при формировании индивидуальных учебных планов (ИУП);
2. Существенном снижении трудоемкости и операционной нагрузки на академических советников, тьюторов и офис-регистратор;
3. Повышении осознанности выборки элективных дисциплин студентами, что напрямую способствует росту качества обученности и конкурентоспособности выпускников на IT-рынке труда [11, с. 45].

СПИСОК ЛИТЕРАТУРЫ

1. Джонсон, Р. Разработка рекомендательных систем для образовательных платформ / Р. Джонсон, М. Смит // Журнал компьютерных технологий. – 2021. – Т. 12, № 3. – С. 45–58.

2. Вигерс, К. Разработка требований к программному обеспечению / К. Вигерс, Дж. Битти. – Санкт-Петербург: Питер, 2020. – 736 с.

3. Смирнов, А. В. Онтологический подход к адаптивному обучению в вузе / А. В. Смирнов, Т. В. Левашова // Известия РАН. Теория и системы управления. – 2022. – № 2. – С. 112–124.

4. Ибрагимов, М. К. Интеллектуальные системы поддержки принятия решений в учебном процессе: дис. ... канд. техн. наук: 05.13.01 / Ибрагимов М.К. – Алматы, 2023. – 165 с.

5. Wu, J. Semantic Search and Transformer Models in Education / J. Wu, L. Zhang // IEEE Transactions on Learning Technologies. – 2022. – Vol. 15, no. 4. – P. 501–512.

6. Петрова, Н. И. Анализ и моделирование учебных планов бакалавриата / Н. И. Петрова // Вестник КазНУ. Серия математика, механика, информатика. – 2021. – № 3(110). – С. 88–95.

7. Васильев, Е. М. Архитектура веб-приложений на Python и FastAPI / Е. М. Васильев. – Москва: ДМК Пресс, 2023. – 320 с.

8. ГОСТ Р ИСО/МЭК 25010-2011. Системная и программная инженерия. Требования и оценка качества систем и программного обеспечения. – Москва: Стандартинформ, 2014. – 50 с.

9. Кузнецов, В. В. Проектирование реляционных баз данных / В. В. Кузнецов. – Санкт-Петербург: Лань, 2021. – 240 с.

10. Brown, A. AI Assistants in Higher Education: A Comprehensive Survey / A. Brown, C. Davis // Computers & Education. – 2023. – Vol. 190. – P. 104–120.

11. Касымов, Б. Т. Цифровизация образования в Республике Казахстан: состояние и перспективы / Б. Т. Касымов // Вестник Сатпаев Университета. – 2022. – № 4. – С. 45–50.

12. Мартин, Р. Чистая архитектура. Искусство разработки программного обеспечения / Р. Мартин. – Санкт-Петербург: Питер, 2019. – 352 с.

13. LeCun, Y. Deep Learning for Natural Language Processing / Y. LeCun, Y. Bengio, G. Hinton // Nature. – 2015. – Vol. 521, no. 7553. – P. 436–444.

14. Ахметов, Ж. С. Методы машинного обучения в рекомендательных системах / Ж. С. Ахметов // Наука и образование Казахстана. – 2023. – № 1. – С. 78–84.

15. ГОСТ 7.1–2003. Библиографическая запись. Библиографическое описание. Общие требования и правила составления. – Москва: Издательство стандартов, 2004. – 168 с.

16. Garcia, M. Adaptive Learning Pathways Using Knowledge Graphs / M. Garcia, P. Gomez // Expert Systems with Applications. – 2021. – Vol. 182. – P. 115–130.

17. Федоров, И. П. Системный анализ и принятие решений / И. П. Федоров. – Москва: Юрайт, 2022. – 410 с.

18. Robertson, S. Mastering the Requirements Process / S. Robertson, J. Robertson. – Boston: Addison-Wesley, 2018. – 528 p.

19. Нурланова, Д. К. Информационные системы в управлении образовательными траекториями / Д. К. Нурланова // Материалы международной научно-практической конференции. – Алматы, 2024. – С. 210–214.

20. Recommender Systems Handbook / ed. by F. Ricci, L. Rokach, B. Shapira. – 3rd ed. – New York: Springer, 2022. – 950 p.