Rekomendacje kursów uwzględniające kontekst sekwencyjny za pomocą warunkowych wariacyjnych autoenkoderów i architektur transformatorowych w systemach e-learningowych z obsługą IoT

Inteligentniejsze wsparcie przy wyborze zajęć online

Wraz z rozwojem platform do nauki online wielu uczniów stoi przed nowym problemem: zbyt wieloma kursami i zbyt mało wskazówek. W tym badaniu analizuje się bardziej wyrafinowany sposób sugerowania kursów, który uwzględnia nie tylko wcześniejsze dokonania uczącego się, lecz także kiedy, gdzie i jak się uczy, wykorzystując sygnały z urządzeń połączonych i aplikacji edukacyjnych.

Dlaczego sugestie kursów często mijają się z celem

Większość narzędzi rekomendacyjnych traktuje uczniów, jakby ich preferencje były stałe, a sytuacja rzadko się zmieniała. Wczesne systemy w głównej mierze porównywały użytkowników o podobnej historii lub dopasowywały opisy kursów do profili. Te metody mają trudności, gdy uczący się jest nowy, gdy danych jest niewiele lub gdy wiele osób idzie tymi samymi ścieżkami i otrzymuje niemal identyczne propozycje. Nie radzą sobie też z szybko zmieniającym się charakterem nauki online — kiedy ktoś ogląda wideo nocą na laptopie, a potem przegląda materiały na telefonie w czasie dojazdu. Luka ta pogłębia się w środowiskach wzbogaconych o urządzenia połączone, gdzie pora dnia, typ urządzenia i wzorce aktywności mogą wpływać na to, jaki rodzaj kursu lub lekcji będzie w danym momencie najbardziej przydatny.

Wykorzystanie sygnałów z połączonego nauczania

Autorzy skupiają się na środowiskach e-learningowych powiązanych z Internetem Rzeczy, takich jak platformy dostępne przez urządzenia ubieralne, smartfony czy inteligentne sale wykładowe. Z rzeczywistych platform kursowych zbierają nie tylko informacje o tym, które zajęcia uczniowie wybierali lub klikali, lecz także proste wskazówki kontekstowe: jakiego używali urządzenia, jak często się logują i kiedy zwykle się uczą. Te wskazówki pełnią rolę substytutów bogatszych danych sensorowych, do których przyszłe systemy mogłyby mieć dostęp. Po oczyszczeniu i uporządkowaniu tych zapisów system buduje zwarte numeryczne portrety każdego uczącego się, każdego kursu i każdego kontekstu. Mimo że surowe platformy nie dostarczają strumieni sensorów w czasie rzeczywistym, te proxy-sygnały wystarczają, by sprawdzić, ile może zyskać rekomendowanie uwzględniające kontekst.

Jak działa nowy silnik rekomendacyjny

Proponowany silnik łączy dwie zaawansowane koncepcje współczesnej sztucznej inteligencji. Pierwsza to komponent, który uczy się ukrytych wzorców stojących za uczniami i kursami, jednocześnie uwzględniając niepewność — co ma znaczenie, gdy informacje są niepełne lub zaszumione. Druga to moduł sekwencyjny, który analizuje kolejność wcześniejszych wyborów, aby zrozumieć, jak zainteresowania zmieniają się w czasie, zamiast traktować każde kliknięcie czy zapisanie się jako odosobniony incydent. Kontekst pochodzący z urządzeń i nawyków nauki jest włączany do tego procesu na każdym etapie, dzięki czemu system może dostosowywać wewnętrzny obraz uczącego się wraz ze zmianą jego sytuacji. Specjalna strategia treningowa uczy silnik utrzymywać stabilne reprezentacje ukryte, jednocześnie dokładnie rangując kursy — równoważąc potrzebę eksploracji opcji z koniecznością dokonywania wyraźnych rozróżnień między nimi.

Co pokazują eksperymenty na rzeczywistych platformach

Badacze testują swoje rozwiązanie na trzech dużych zbiorach danych pochodzących od głównych dostawców kursów online. Porównują je z kilkoma silnymi istniejącymi metodami, które już modelują sekwencje lub dobrze radzą sobie z treścią kursów. W wielu miarach, w tym jak często najlepsze propozycje pokrywają się z rzeczywistymi wyborami uczniów oraz jak dobrze system porządkuje istotne kursy, nowa metoda konsekwentnie wypada lepiej. Dokonuje też mniejszej liczby błędów predykcyjnych i pozostaje skuteczna, gdy historie użytkowników są krótkie — co jest częstą sytuacją w przypadku nowych użytkowników. Gdy autorzy usuwają elementy projektu w kontrolowanych testach, jakość spada, co pokazuje, że każda część — od obsługi kontekstu po wspólny cel treningowy — odgrywa istotną rolę.

Co to oznacza dla uczących się online

Mówiąc wprost, badanie sugeruje, że rekomendowanie kursów powinno być traktowane jako ruchomy cel kształtowany zarówno przez przeszłe zachowania, jak i bieżące okoliczności. Poprzez łączenie wiedzy o tym, co uczący się zrobił, jak ewoluują jego zainteresowania oraz jak wygląda jego aktualne środowisko nauki, platformy mogą oferować propozycje, które wydają się bardziej trafne i spersonalizowane w danym momencie. Chociaż pozostają pytania dotyczące ochrony danych i kosztów obliczeniowych, praca ta wytycza ścieżkę ku systemom nauki online, które prowadzą uczniów w długoterminowych ścieżkach nauczania w sposób dostosowany do ich codziennego życia.

Cytowanie: Chen, G., Han, G. & Liu, S. Context-aware sequential course recommendation via conditional variational autoencoders and transformer architectures in IoT-enabled E-learning systems. Sci Rep 16, 15370 (2026). https://doi.org/10.1038/s41598-026-45764-y

Słowa kluczowe: rekomendacja kursów online, personalizacja e-learningu, rekomendacje sekwencyjne, kontekst nauki IoT, platformy MOOC