Архитектура рекомендательного сервиса для выбора направления подготовки в вузе абитуриентами с использованием метода коллаборативной фильтрации машинного обучения

Целью научной статьи является представление исследования архитектуры рекомендательного сервиса, разработанного для помощи абитуриентам в выборе направления подготовки в вузе. Главной функцией сервиса выступает предоставление абитуриентам персонализированных рекомендаций по подготовке на основе их предпочтений, интересов, академических достижений и рейтинга учебного заведения. Архитектура базируется на принципе клиент-серверного взаимодействия, когда клиенты могут получать персонализированные рекомендации и взаимодействовать с сервисом через веб-интерфейс. В статье были решены следующие задачи: выполнены архитектурная декомпозиция и описание основных компонентов сервиса; представлен метод машинного обучения, включая алгоритм коллаборативной фильтрации, который применяется в сервисе и позволяет учитывать предпочтения и предложения других абитуриентов с похожими интересами и образовательным профилем; разработаны рекомендации по выбору пользовательского интерфейса для удобного взаимодействия с сервисом; проведены контрольные примеры с целью оценки эффективности работы рекомендательного сервиса. Исследование показывает, что использование метода коллаборативной фильтрации в архитектуре сервиса позволяет достичь высокой точности и удовлетворения абитуриентов при предоставлении рекомендаций по выбору направления подготовки в вузе. Статья имеет практическую значимость, так как представляет собой реальное применение метода машинного обучения и архитектуры сервиса для помощи абитуриентам в выборе направления подготовки. Результаты исследования могут быть полезными для разработки подобных сервисов в образовательной сфере.

1. Martínez-Maldonado T., Yacef K. Toward a learning analytics dashboard for supporting teachers as “learning designers” of orchestrated CSCL orchestration scripts. Journal of Learning Analytics. 2019.

2. Атаян А.М., Гурьева Т.Н., Шарабаева Л.Ю. Цифровая трансформация высшего образования: проблемы, возможности, перспективы и риски. Отечественная и зарубежная педагогика. 2021;2(75(1):7–22.

3. Седова Н.О., Перцева И.А., Юрьева О.Д. Анализ эффективности профориентационных мероприятий вуза с использованием инструментов машинного обучения. Современные информационные технологии и ИТ-образование. 2021;4(17):1032–1046. https://doi.org/10.25559/SITITO.17.202104.1032-1046

4. Забокрицкая Л.Д., Орешкина Т.А., Обабков И.Н., Чепуров Е.Г. Применение алгоритма машинного обучения для профориентации абитуриентов высшего учебного заведения. Вестник Томского государственного университета. 2022;485:217–225. http://doi.org/10.17223/15617793/485/24

5. Бозиева А.М., Цеева Ф.М., Хатухова Д.В. Применение методов машинного обучения при оценке деятельности образовательной организации высшей школы. Известия Кабардино-Балкарского научного центра РАН. 2023;3(113):11–19. http://doi.org/10.35330/1991-6639-2023-3-113-11-19

6. Васильева Е.В., Сахнюк П.А. Разработка модели классификации квалифицированных кадров для IT-отрасли с помощью методов машинного обучения. Инновации и Инвестиции. 2023;9:296–299.

7. Каледин О.Е., Каледина Е.А., Щербаков Д.В. Прогнозирование успеваемости студентов вуза на основе алгоритмов коллаборативной фильтрации. Вестник компьютерных и информационных технологий. 2023;2(224(20):37–43. http://doi.org/10.14489/vkit.2023.02.pp.037-043

8. Старостин В.С., Аржанова К.А., Долгополов Д.В., Дитрих А.Д. Определение готовности вуза к внедрению технологий искусственного интеллекта для персонализации образовательных траекторий Вестник университета. 2023;10:29–39. http://doi.org/10.26425/1816-4277-2023-10-29-39

9. Дорофеева Ю.А., Правдин К.В., Михайлов В.И. Моделирование и прогнозирование эффективности образовательного процесса в университете. Международный научно-исследовательский журнал. 2023;11(137). https://doi.org/10.23670/IRJ.2023.137.15

10. Мищенко В., Ромакина О.М., Арсеньева А.З. О применении цифрового инструментария при выборе абитуриентом направления подготовки. Известия Воронежского государственного педагогического университета. 2023;2(299):14–18.

11. Никандров А.А., Пиотровская К.Р. Организация мультиплатформенного гибридного онлайн-курса по «Машинному обучению» для системы высшего образования. Преподаватель XXI век. 2023;3–1:110–127.

12. Diakopoulos N.J., Koliska A., Karatzoglou S.G. Fairness-aware learning for recommendation ranking in two-sided platforms. ACM Transactions on Information Systems. 2020.

13. Захарова И.Г., Воробьева М.С., Боганюк Ю.В. Сопровождение индивидуальных образовательных траекторий на основе концепции объяснимого искусственного интеллекта. Образование и наука. 2022;1(24):163–190. https://doi.org/10.17853/1994-5639-2022-1-163-190

14. Преображенский Ю.П., Коновалов В.М. О методах создания рекомендательных систем. Вестник Воронежского института высоких технологий. 2019;4(31):75–79.

15. Егина Н.А. Трансформация модели поведения потребителя в условиях цифровой экономики. Финансы и кредит. 2019;9(789(25):1971–1986. https://doi.org/10.24891/fc.25.9.1971

16. Wang G., Karypis G. Item2Vec: neural item embedding for collaborative filtering. ACM Transactions on Information Systems. 2019.