МАШИНАЛЫҚ ОҚЫТУ АЛГОРИТМДЕРІНЕ НЕГІЗДЕЛГЕН АДАПТИВТІ БІЛІМ БЕРУ ЖҮЙЕСІН МОДЕЛЬДЕУ

Цифрлық білімге жылдам көшу барлық студенттерге бірдей мазмұнды ұсынатын сызықтық, «конвейерлік» платформалардың негізгі шектеулерін анықтады. Мұндай жүйелер бастапқы дайындық деңгейіндегі, когнитивтік стильдердегі, материалды игеру жылдамдығындағы және мазмұн форматтарындағы қалаулардағы жеке айырмашылықтарды есепке ала алмайды, бұл оқытудың жалпы тиімділігін төмендетеді. Бұл мақала адаптивті білім беру жүйесінің формальды математикалық моделін әзірлеу және сипаттау арқылы осы мәселені шешуге арналған. Ұсынылған тәсіл білім алушының да, оқу материалдарының да векторлық көрінісіне негізделген. Модельдіңорталық бөлігі-нақты уақыт режимінде белгілі бір студент үшін оңтайлы келесі оқу модулін бағалайтын және таңдайтын интерпретацияланған утилита (U) функциясы. Функция бірнеше педагогикалық маңызды критерийлер арасындағы тепе-теңдікті табады: білімнің әлеуетті өсуі (G), когнитивті жүктеме (E) және форматқа сәйкестік (M). Негізгі ерекшелігі-жүйеге үздіксіз бейімделуге мүмкіндік беретін, оның нәтижелері бойынша білім алушының білім векторын итеративті түрде жаңартатын кіріктірілген Машиналық оқыту механизмі (онлайн оқыту). Модельді тексеру үшін сандық эксперимент жүргізілді, ол жүйенің барлық факторлар арасындағы оңтайлы тепе-теңдікті тауып, оқушының үлгерімін дұрыс қадағалай отырып, тривиальды емес таңдау жасай алатындығын растады. Ұсынылған модель жекелендірілген және тиімді білім беру траекторияларын құруға қабілетті интеллектуалды оқыту жүйелерінің жаңа буынын құруға арналған икемді құрылым болып табылады.

1. Müller W. Understanding intention and use of digital elements in higher education teaching / W. Müller, M. Leyer // Education and Information Technologies. – 2023. – Vol. 28. – Р. 15571-15597. https://doi.org/10.1007/s10639-023-11798-2.

2. Comparative analysis of frequently used e-learning platforms / S. Jain et al // Frontiers in Education. – 2024. – № 9. – Р. 1431531. https://doi.org/10.3389/feduc.2024.1431531.

3. The Book Theme Based Personalized Recommendation using Reinforcement Learning / Т. Mandel et al // Proceedings of the 23rd International Conference on Intelligent User Interfaces. – 2018. – Р. 545-550.

4. Serdyukov P. Formalism in online education / P. Serdyukov // Journal of Research in Innovative Teaching & Learning. – 2021. – № 14(2). – Р. 118-132. https://doi.org/10.1108/JRIT-02-2021-0010.

5. Serdyukov P. Challenging Formalization in Education and Beyond: Problems and Solutions for Traditional and Online Learning (1st ed.) / P. Serdyukov // Routledge. – 2022. https://doi.org/10.4324/9781003290094.

6. Alenezi M. Digital Learning and Digital Institution in Higher Education / M. Alenezi // Education Sciences. – 2023. – № 13(1). – Р. 88. https://doi.org/10.3390/educsci13010088.

7. Review of Group Formalism for Automated Formalization in Mechanical Engineering / K.B. Moulya и др. // Proceedings of the 6th International Conference on Intelligent Communication Technologies and Virtual Mobile Networks (ICICV). – 2025. – Р. 1744-1753. https://doi.org/10.1109/ICICV64824.2025.11086060.

8. Hypothesis Formalization: Empirical Findings, Software Limitations, and Design Implications / Е. Jun et al // ACM Transactions on Computer-Human Interaction. – 2022. – № 29(1), Article 6, 28 pages. https://doi.org/10.1145/3476980.

9. Boufim M. Digital Marketing: Five Stages Maturity Model for Digital Marketing Strategy Implementation / M. Boufim, H. Barka // International Journal of Business and Technology Studies and Research. – 2021. – № 3(3). – Р. 15. https://doi.org/10.5281/zenodo.5578706.

10. Kabulov A. Mathematical model of Information Processing in the Ecological Monitoring Information System / A. Kabulov, I. Yarashov // 2021 International Conference on Information Science and Communications Technologies (ICISCT). – 2021. – Р. 1-4. https://doi.org/10.1109/ICISCT52966.2021.9670192.

11. Formalizing Trust in Artificial Intelligence / A. Jacovi et al // Prerequisites, Causes and Goals of Human Trust in AI. Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT '21). – 2021. – Р. 624-635. https://doi.org/10.1145/3442188.3445923.

12. Digital Twins: A Maturity Model for Their Classification and Evaluation / J.-F. Uhlenkamp et al // IEEE Access. – 2022. – № 10. – Р. 69605-69635. https://doi.org/10.1109/ACCESS.2022.3186353.