Интеллектуальная система образовательного принятия решений на основе мультимодального слияния данных и графов знаний

Более умная помощь для каждого ученика

Представьте репетитора, который незаметно наблюдает за тем, как вы учитесь, слушает, как вы говорите, замечает, когда вы устали или сосредоточены — и затем выбирает следующий шаг обучения специально для вас. В этой статье представлен план такой системы: интеллектуального помощника, который одновременно анализирует разные виды данных о студенте и использует структурированные карты предметов, чтобы принимать более ясные, справедливые и эффективные педагогические решения.

Объединение множества подсказок о процессе обучения

Современные образовательные платформы собирают удивительно разнообразные сигналы: какие вопросы вы правильно отвечаете, сколько времени проводите на странице, мимика и голосовые признаки из видеолекций, даже частота сердцебиения или движение глаз в лабораторных условиях. Каждый сигнал даёт маленькую подсказку о том, что знает ученик и как он себя чувствует. Проблема в том, что эти подсказки сильно отличаются друг от друга — числа, изображения, звуки, клики — и большинство существующих систем либо игнорируют часть из них, либо обрабатывают их по отдельности. В результате они упускают общую картину того, что происходит с учеником, и с трудом объясняют, почему была сделана та или иная рекомендация.

Использование карт знаний для обоснования решений

Авторы решают эту проблему, объединяя эти богатые сигналы с графами знаний — сетевыми картами понятий, их предпосылок и связей по учебной программе. Вместо того чтобы просто предсказывать, ответит ли ученик правильно на следующий вопрос, система рассуждает о том, каких идей не хватает, какие из них должны идти следующими и какие отклонения могут запутать учащегося. Эта структурированная карта служит компасом, удерживая рекомендации в русле логики предмета, а не только краткосрочного повышения баллов. Она также делает решения системы более доступными для проверки учителями, поскольку предложенные пути можно проследить через конкретные навыки и темы.

Двухуровневый «мозг» для педагогических решений

В основе фреймворка лежит двухчастный механизм принятия решений. Первая часть, называемая Cognizant Instructional Field Network, превращает разрозненные данные о студенте в компактный портрет текущего состояния ученика. Она смотрит не только на недавние события, но и на временные закономерности, сглаживая шумные сигналы и одновременно оставаясь чувствительной к резким изменениям, таким как падение внимания. Используя граф знаний как опору, она поддерживает тонкую оценку того, какие навыки, вероятно, уже освоены, а какие остаются ненадёжными, и предлагает набор возможных следующих действий, соблюдая правила курса, например не пропускать ключевые предпосылки.

Стратегический тренер поверх движка

Над этой частью работает Pedagogical Inference Controller, который ведёт себя как стратегический тренер. Он задаёт вопрос: если бы мы ранее выбрали другое педагогическое действие, стало бы ученику сейчас лучше? Отслеживая такого рода «сожаления», он постепенно отстраняется от вариантов, которые в прошлом не приносили пользы. Он также учитывает степень неопределённости системы относительно ученика: когда уверенность низкая, он сознательно исследует более широкий набор активностей; когда высокая — фокусируется на наиболее перспективных вариантах. Механизм согласования с учебной программой постоянно возвращает систему к разумным траекториям обучения, чтобы эксперименты не уводили слишком далеко от образовательных целей.

Доказательства из данных и небольшого классного испытания

Авторы протестировали свою модель на нескольких крупных образовательных наборах данных, включая логи онлайн-практики, международные экзаменационные записи, открытые онлайн-курсы и задания на понимание прочитанного. В самых разных условиях новый подход давал немного более точные предсказания по сравнению с сильными существующими моделями. Хотя численные улучшения были скромными, они были последовательными, а в образовании даже небольшие улучшения важны, когда они направляют раннюю поддержку для тысяч учащихся. В небольшом полевом эксперименте в классе с 60 старшеклассниками те, кто использовал интеллектуальную систему, за две недели изучили больше, достигли более высоких показателей освоения и потратили меньше времени на сессию по сравнению с пользователями стандартной платформы, при этом сообщив о высокой удовлетворённости.

Что это может означать для будущих классов

Для обычных учащихся и учителей посыл заключается в том, что более умные и прозрачные цифровые репетиторы уже в пределах досягаемости. Объединив многочисленные потоки данных с явными картами изучаемого материала, этот фреймворк выходит за пределы «чёрного ящика» предсказаний к решениям, которые можно объяснить и корректировать. Работа показывает, что будущие системы могут не только рекомендовать следующее упражнение, но делать это так, чтобы учитывать структуру предмета, отвечать на неопределённость продуманным исследованием вариантов и ясно показывать, как каждый шаг помогает закрыть пробелы в знаниях ученика. Потребуются дополнительные исследования в реальных классах, но этот подход указывает на будущее, в котором образовательные технологии будут вести себя не как машина для подсчёта баллов, а как вдумчивый партнёр по обучению.

Цитирование: Wang, Y. Intelligent educational decision-making system driven by multimodal data fusion and knowledge graphs. Sci Rep 16, 9610 (2026). https://doi.org/10.1038/s41598-025-33066-8

Ключевые слова: персонализированное обучение, интеллектуальный репетитор, графы знаний, мультимодальные образовательные данные, адаптивное обучение