Контекстно-адаптивная последовательная рекомендация курсов с помощью условных вариационных автоэнкодеров и архитектур трансформеров в системах электронного обучения с поддержкой IoT

Умная помощь в выборе онлайн‑курсов

По мере роста платформ онлайн‑образования многие учащиеся сталкиваются с новой проблемой: слишком много курсов и недостаточно руководства. В исследовании рассматривается более продуманный подход к предложению курсов, который учитывает не только прошлые действия обучающегося, но и когда, где и как он учится, используя сигналы от подключённых устройств и учебных приложений.

Почему рекомендации курсов часто ошибочны

Большинство инструментов рекомендаций рассматривают студентов так, будто их предпочтения стабильны и ситуация редко меняется. Ранние системы в основном сравнивали пользователей с похожей историей или сопоставляли описания курсов с профилем. Такие подходы слабо работают, когда учащийся нов, когда данных мало или когда многие следуют похожим путям и получают почти одинаковые предложения. Они также не учитывают быстро меняющийся характер онлайн‑обучения, когда кто‑то может смотреть видео ночью на ноутбуке, а затем просматривать материалы на телефоне в дороге. Этот разрыв увеличивается в условиях, обогащённых подключёнными устройствами, где время суток, тип устройства и модели активности могут влиять на то, какой курс или урок будут наиболее полезны в конкретный момент.

Использование сигналов подключённого обучения

Авторы сосредотачиваются на средах электронного обучения, связанных с Интернетом вещей, таких как платформы, доступные через носимые устройства, смартфоны и «умные» классы. С реальных платформ курсов они собирают не только информацию о том, какие занятия студенты выбирали или на какие кликают, но и простые контекстные признаки: какое устройство использовалось, как часто пользователь входит в систему и когда он склонен учиться. Эти признаки выступают заменой более богатых сенсорных данных, к которым будущие системы могли бы получить доступ. После очистки и организации записей система строит компактные числовые портреты каждого учащегося, каждого курса и каждого контекста. Хотя исходные платформы не предоставляют потоков живых сенсорных данных, эти прокси‑сигналы достаточны, чтобы проверить, насколько полезны контекстно-осведомлённые предложения.

Как работает новый движок рекомендаций

Предложенный движок объединяет две продвинутые идеи из современной искусственной интеллекции. Первая — компонент, который изучает скрытые закономерности между студентами и курсами, одновременно учитывая неопределённость, что важно при нехватке или зашумлённости данных. Вторая — последовательный модуль, который учитывает порядок прошлых выборов, чтобы понять, как меняются интересы со временем, вместо того чтобы рассматривать каждый клик или запись отдельно. Контекст от устройств и привычек учёбы интегрируется в этот процесс на каждом шаге, так что система может корректировать своё внутреннее представление об учащемся по мере изменения его ситуации. Специальная стратегия обучения учит движок сохранять устойчивые скрытые представления, одновременно точно ранжируя курсы, балансируя между необходимостью исследовать варианты и потребностью проводить чёткие различия между ними.

Что показывают эксперименты на реальных платформах

Исследователи тестируют свою рамочную методику на трёх больших наборах данных от крупных поставщиков онлайн‑курсов. Они сравнивают её с несколькими сильными существующими методами, которые уже моделируют последовательности или хорошо работают с содержимым курсов. По многим метрикам, включая то, как часто верхние рекомендации совпадают с тем, что на самом деле выбирают студенты, и насколько хорошо система упорядочивает релевантные курсы, новый метод последовательно показывает лучшие результаты. Он также делает меньше ошибок прогнозирования и остаётся эффективным при короткой истории пользователя — частой ситуации для новичков. При удалении частей архитектуры в контролируемых тестах качество падает, что показывает: каждая часть, от обработки контекста до совместной цели обучения, играет значимую роль.

Что это значит для онлайн‑учащихся

Проще говоря, исследование предполагает, что рекомендацию курсов следует рассматривать как подвижную цель, формируемую как прошлым поведением, так и текущими обстоятельствами. Смешивая сведения о том, что делал учащийся, как развиваются его интересы и как выглядит его текущее учебное окружение, платформы могут предлагать рекомендации, которые кажутся более своевременными и персональными. Хотя остаются вопросы о защите данных и вычислительных затратах, эта работа намечает путь к системам онлайн‑обучения, которые сопровождают студентов в долгосрочном обучении и адаптируются к их повседневной жизни.

Цитирование: 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

Ключевые слова: рекомендация онлайн-курсов, персонализация электронного обучения, последовательные рекомендации, контекст обучения в IoT, платформы MOOC