Рекомендательные системы и учебные траектории

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Рекомендательные системы и учебные траектории — часть технологий adaptive обучения и Персонализированное обучение, которая решает, с чем учащийся должен встретиться дальше и в каком порядке: какой ресурс, задание на практику или курс выдвинуть ему наверх, и какую последовательность понятий пройти. Её два методологических families — поведенческое (collaborative filtering по журналам взаимодействий) и семантическое (упорядочивание по knowledge graph понятий, ресурсов и отношений предпосылок) — всё чаще сливаются в гибридные модели. Поскольку на выходе получается ранжированный список, а не диалог, отличительными проблемами являются избирательность и легитимность: «холодный старт» и смещение в сторону популярного при разреженных данных, направленная асимметрия предпосылок и вопрос о том, может ли teacher или учащийся понять, проверить и доверять показываемому им списку.

Вопросы для размышления

• Рекомендательная система учится на том, на что учащиеся нажимали, что смотрели и чем завершали. Если система видит только поведение, чьё обучение она на самом деле моделирует — и чего ей не хватает в случае студента, который молчит, испытывает трудности или уже знает материал?
• В одном исследовании преподаватели сочли объяснения на языке учебных программ более понятными и заслуживающими доверия, чем диаграммы важности признаков. Что должно говорить объяснение рекомендации, прежде чем вы на него опирались бы?
• Отношения предпосылок идут только в одну сторону — знание B не влечёт знания A. Почему модель, независимо оценивающая пары понятий, может ошибаться в этом, и что пойдёт не так дальше для учащегося, если она ошибётся?
• Исследования оптимизации траекторий сообщают о более коротких путях и лучших результатах пост-тестов, причём основным посредником выступает снижение когнитивной нагрузки. Всегда ли более короткий путь лучше, или эффективность может убрать практику, в которой учащийся нуждался?
• Аудит образовательной рекомендательной системы обнаружил, что популярные материалы по-прежнему доминировали в списках даже после мер справедливости и разнообразия. Если популярность продолжает побеждать, что заставило бы вас перепроектировать целевую функцию, а не подстраивать переранжировщик?
• Данные Дизайн обучения по 554 курсам показали, что приобретение знаний (передача знаний) является и самым распространённым типом активности, и самой распространённой точкой входа. Если ИИ рекомендует «что дальше» на основе этих данных, чьи привычки проектирования он воспроизводит?

Введение

Образовательные рекомендательные системы существуют потому, что объём учебного материала перерос способность любого человека в нём ориентироваться. Только вводный курс Introductory programming содержит многие тысячи заданий на практику, и организация их в инструкционально осмысленные наборы обычно требует трудоёмкой кураторской работы экспертов. Рекомендательная система берёт историю учащегося, свойства материала или и то и другое и выдаёт ранжированный короткий список либо упорядоченный путь по контенту.

Там, где Адаптивное обучение описывает механизм подстройки контента, темпа и сложности под learner model, а Интеллектуальное тьюторство описывает платформу, делающую это в диалоге, исследования рекомендательных систем сосредоточены на самом решении о выборе и последовательности: функции ранжирования, структуре, по которой идёт ранжирование, и используемых доказательствах. Этот слой решений порождает собственные режимы отказов, разбираемые в разделах ниже.

Как работают образовательные рекомендательные системы

Поведенческие рекомендательные системы наследуют логику collaborative filtering: предполагается, что учащиеся с похожей историей хотят похожих ресурсов, поэтому система предсказывает по совместной встречаемости, а не по контенту. Это мощно там, где данные плотные, и хрупко там, где они разреженные. Evangelista and Bukhari (2026) прямо формулируют проблему: рекомендательные системы, ориентированные на точность, дают менее надёжную поддержку студентам с ограниченной историей участия, при этом популярные ресурсы доминируют в списках, — и отвечают на неё гибридной платформой Hybrid HKG-GRU, которая встраивает гетерогенный Граф знаний учебных материалов и моделирует последовательности учащихся с помощью GRU, а затем обучается на устойчивость по группам учащихся (GroupDRO) и переранжирует для разнообразия показов (Maximal Marginal Relevance). На журналах Moodle с 152 студентами, 59 ресурсами и примерно 150 000 взаимодействий она достигла HR@10 = 0,68 и MRR = 0,41, но существенное смещение в сторону популярного сохранилось на уровне каталога — доказательство того, что bias mitigation лишь частично.

Семантические рекомендательные системы заменяют совместную встречаемость структурой. Liu, Sun, and Song (2026) строят граф знаний учебных ресурсов, языковых понятий, навыков, групп учащихся и pedagogical атрибутов и разлагают каждый ресурс по четырём инструкциональным измерениям — контекст преподавания, когнитивный уровень, технологическая особенность и культурная адаптируемость. Рекомендация расширяется на k переходов по графу от заявленных требований учащегося, уточняет кандидатов коллаборативным фильтром на основе признаков и ранжирует их по коэффициенту слияния, который растёт вместе с индексами способности, прогресса и интереса учащегося, поэтому менее продвинутые учащиеся получают более структурированное руководство из графа, тогда как учащиеся с высокими способностями опираются на свою поведенческую модель. На английском подмножестве набора данных MARS (4 800 пользователей, 14 200 ресурсов, 132 000 взаимодействий, разреженность 0,9981) она достигла NDCG 0,625 и HR 0,751 — прироста примерно на 7–8% относительно лучшего нейронного базового уровня — и превзошла базовые подходы, осведомлённые о графе, включая RippleNet и KGAT, по охвату и междоменной точности. Абляция показывает, что сигналы дополняют друг друга (только CF: NDCG 0,584; только граф знаний: 0,604), и авторы отмечают, что это метрики ранжирования, а не доказательство learning effectiveness.

Третий путь почти полностью избегает индивидуальных данных о взаимодействиях. Hoq and colleagues (2026) извлекают основанные на шаблонах компоненты знаний из каждого образца кода и рекомендуют связанные задания на практику по сходству их наборов компонентов знаний. На корпусе материалов вводного курса Python, организованном экспертами, подход согласовался с собственными концептуальными наборами преподавателей и превзошёл базовые подходы на компонентах знаний и эмбеддингах по метрикам ранжирования — доказательство того, что инструкциональное согласование может исходить из семантики материала там, где истории учащихся тонкие.

Четвёртый путь рассматривает рекомендацию как последовательное решение, а не ранжирование. ExRec (Ozyurt, Almaci, Feuerriegel and Sachan, 2025) строит семантически обоснованный трекер знаний: Большие языковые модели (LLM) аннотирует каждый вопрос шагами решения и понятиями знаний, контрастивное обучение согласует эмбеддинги вопроса, шага и понятия, а функция калибровки позволяет трекеру напрямую предсказывать состояние знаний на уровне понятий, — и затем использует этот трекер как среду Обучение с подкреплением, в которой стратегия выбирает следующее задание. Два решения плана важны именно для задачи рекомендации: состояние студента — это компактное рекуррентное кодирование, а не полная история выполнения заданий, поэтому длинные последовательности остаются обозримыми в буфере воспроизведения, а награда — это изменение предсказанных знаний по понятиям, вычисляемое без запуска вывода по каждому вопросу целевого понятия. Оценка значений на основе модели инициализирует критика от трекера, что улучшило непрерывных агентов на основе значений по четырём задачам на XES3G5M (2 048 тестовых студентов) и продвинуло их вперёд дискретных методов по самой трудной из них — рекомендации для слабейшего понятия студента, где цель меняется на каждом шаге. Числа представляют собой процент максимального прироста знаний из симулированной среды, что является более слабым утверждением, чем измеренное обучение, и авторы в собственном приложении отмечают, что в большинстве наборов данных для трекинга фиксируется лишь бинарная метка правильности, поэтому намечаемая ими рекомендация на уровне misconception ещё не проверяема на существующих данных.

Предпосылки и упорядочивание траекторий

Ранжировать следующий элемент легче, чем упорядочить curriculum, потому что зависимости в обучении направлены. Cheng and colleagues (2026) утверждают, что рассмотрение поиска предпосылок как обычного предсказания связей терпит неудачу на трёх свойствах этого отношения: оно необратимо, его доказательства часто многошаговые (ci → ck → cj), а не одношаговый переход учащегося, и его релевантность специфична для пары, поэтому представление понятия должно меняться в зависимости от того, с чем оно спарено. Их модель ProPRL добавляет ограничение необратимости — антисимметричный регуляризатор, штрафующий высокую уверенность в обоих направлениях пары, — наряду с парно-условным гейтом, взвешивающим доказательства, осведомлённые о ресурсах, из гиперграфа «понятие–ресурс» против доказательств, осведомлённых о поведении, из графа поведения при обучении. Она заняла первое место во всех девяти комбинациях набор данных и метрик на наборах MOOC, LectureBank и University Course, улучшая сильнейший базовый уровень на 1,96%–6,11%, причём ограничение повысило долю корректно упорядоченных отношений с 88,0% до 90,0%.

Как только зависимости смоделированы, траектория становится задачей оптимизации. Feng and Huang (2026) объединяют байесовское cognitive diagnosis, теорию пространства знаний и теорию когнитивной нагрузки: байесовская модель DINA сошлась на данных EdNet с разреженностью 91,3%, а алгоритм кратчайшего корректирующего пути дал персонализированные пути в среднем 3,82 шага — на 22,4% эффективнее случайных путей и на 23,6% эффективнее фиксированных путей полного охвата. В рандомизированном эксперименте на изучение вероятности со 120 студентами учащиеся с персонализированными путями закончили за 57,6 минуты против 73,8 минуты в контроле и превзошли контроль по пост-тесту после корректировки на пред-тест. Исследование проверяет и почему: персонализированные пути снизили когнитивную нагрузку по всем шести адаптированным измерениям NASA-TLX, и когнитивная нагрузка была основным посредником эффекта на результаты пост-теста (косвенное влияние 0,28 в модели множественного посредничества). Скрытая марковская модель выявила Analytical Thinking как ограничивающий атрибут, с самой низкой вероятностью перехода вперёд (0,31) и самым высоким параметром угадывания (g = 0,28).

PersonaPath продвигает вопрос упорядочивания дальше, оспаривая единицу решения. Liu et al. (2026) противопоставляют рекомендацию, центрированную на задании, — когда следующий элемент выводится из журналов взаимодействий, — планированию, центрированному на знаниях, при котором планировщик читает явного портрета учащегося, состояние освоения и заявленную целевую единицу и выбирает следующий учебник, модуль и понятие из иерархии учебного плана (347 учебников, 1 751 модуль, 4 092 понятия по 77 предметам, при этом 411 рёбер предпосылок проверены с точностью 99,5% при коэффициенте Коэна κ = 0,93). Отличающий случай — тот, который журналы увидеть не могут: двум учащимся с идентичными записями о правильности, но разными целями нужны разные маршруты, и только цель делает это видимым. Их оценка в замкнутом цикле десяти LLM (1B–30B+) разделяет измерения, которые смешивает агрегированная метрика: DeepSeek-V3.1 достигает 90,9% по валидности предпосылок и hallucination, но лишь 44,3% по адаптивности, давая итоговую долю прохождений 29,5% в базовом образовании и 14,6% в Higher Education, и ни одна модель нигде не превышает 44,7% по адаптивности. Две абляции уточняют диагноз: удаление поля освоения из портрета стоит до 26,1 балла адаптивности, почти не двигая валидность, а генерация пути за один проход повышает валидность на целых 30,8 балла, снижая адаптивность на 28,8 — упорядочивание, соответствующее учебному плану, является куда более лёгкой целью, чем упорядочивание с учётом учащегося, что служит предостережением против сообщения о качестве пути без ограничения согласованности с учащимся (PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning).

Структура предпосылок работает и как диагностическая линза на учебный план, а не на учащегося. Medhat and colleagues (2026) классифицируют вопросы студентов к ИИ-ассистенту преподавателя по графу предпосылок, извлечённому GPT-4, достигая точности 80,0% по 43 меткам на 1 340 событий вопросов от 164 аспирантов, и обнаружили, что число вопросов по темам коррелирует с self-reported студентами сложностью (ρ Спирмена = 0,491, p = 0,008). Журнал взаимодействий становится картой того, где упорядоченность учебного плана подводит учащихся, без дополнительной нагрузки на оценивание.

Объяснение и аудит рекомендаций

Качество ранжирования не решает вопроса, следует ли кому-то следовать этому ранжированию. Feldman-Maggor, Cukurova, Kent, and Alexandron (2025) адаптируют модель доверия к автоматизации Хоффа и Башира к рекомендациям ИИ и проверяют её на 41 работающем chemistry с использованием рекомендательного инструмента GrouPer. Explainability повышала Доверие косвенно, через повышение понятности, при этом форма объяснения имела большее значение, чем его наличие: переход преподавателей от объяснений по важности признаков («управляемых данными») к семантическим объяснениям на языке учебных программ («управляемым предметной областью») значительно повысил понятность (W = 80,5, p = 0,005), усвоенное trust (W = 52, p = 0,002) и принятие (W = 22,5, p = 0,003), и все семь преподавателей, размышлявших вслух, отметили управляемые предметной областью объяснения как более влиятельные. Появились ещё два фактора принятия, оба ситуативные, а не эпистемические: педагогическое согласование (отмечено 8 из 11) и снижение нагрузки (6 из 11). Несколько преподавателей также сказали, что одного объяснения недостаточно — они хотели опыта работы с инструментом в классе, прежде чем на него опираться, что является сильным утверждением о том, что доверие к рекомендательной системе строится через использование, а не выдаётся в легенде.

Аудит справедливости задаёт другой вопрос: чьи рекомендации хуже? Исследование Graph-GRU — полезный разобранный пример, потому что оно называет то, чего его аудит не смог увидеть. Справедливость была операционализирована через когорты на основе участия, поскольку публичный набор данных Moodle не содержал достижений, prior knowledge, профилей обучения и демографических атрибутов, поэтому результат представляет собой аудит поведения по уровням engagement, а не полную оценку educational equity; учащийся с низкой активностью может испытывать трудности, быть отстранённым или уже знакомым с материалом. Объяснимость принимает здесь форму анализа на основе путей и контрфактического анализа, причём медианная контрфактическая устойчивость CR@10 = 1,0 для многих учащихся, но устойчивое смещение в сторону популярного на уровне каталога отражается в высоких метриках неравенства показов (Gini). Урок состоит в том, что Снижение перекосов (bias mitigation) должно измеряться на уровне показов и групп учащихся, а не выводиться из точности или из наличия модуля объяснений, и что надзор со стороны Человек в контуре осмыслен только если человек видит доказательства на уровне групп.

Учебные траектории на практике

Траектории не только вычисляются; они проектируются. Divjak, Svetec, and Horvat (2026) обратили Аналитика обучения на сам design process, анализируя последовательность 29 064 учебных и обучающих активностей в 554 курсах, спланированных в бесплатном инструменте Balanced Design Planning. Цепи Маркова и поиск шаблонов выявили грамматику проектирования: активности типа «приобретение» были самым распространённым типом обучения (выше 20%) и самой распространённой точкой входа, за ними следовали практика, обсуждение и Оценивание (каждое 15–20%), а самый сильный переход был «оценивание → обсуждение» (0,332) впереди «практика → практика» (0,317). Правило «приобретение → оценивание → практика → практика» выполнялось с уверенностью 0,74 (лифт 1,45), и тип обучения отслеживал когнитивный уровень заявленного результата: «приобретение» падало с около 50% активностей на уровне Блума 1 до около 20% на уровне 6. Авторы предупреждают, что сходство с перевёрнутыми, inquiry-based или project-based планами не является доказательством намерения, — но рекомендательная система, обученная на таких данных проектирования, усваивает эти привычки, включая смещение к вводным активностям, ориентированным на передачу знаний.

На другом конце формального обучения структура траектории становится вопросом Управление ИИ. Szekely, Gal-Ezer, and Harel (2026) утверждают, что опосредованный ИИ доступ к знаниям требует переосмысления фиксированных учебных программ высшего образования, и предлагают «графы learnity» — структурированные представления обучения как взаимосвязанных единиц знаний, навыков, опыта и артефактов, — охватывающие академическое, профессиональное и личное обучение. Предложение сохраняет роль университета в фундаментальных знаниях, смещая акцент в сторону Креативность и междисциплинарной интеграции, и делает учащегося хранителем собственного графа, в чём оно пересекается с Самонаправленное обучение и Саморегулируемое обучение. То, ведёт ли самонаправляемая навигация куда-то конструктивное, не гарантировано: Shen and Arunrugstichai (2026) моделируют два пути от учебного климата в старшей школе к использованию GenAI в университете в кросс-контекстуальном опросе (N = 508), различая конструктивное автономное использование и компульсивную зависимость.

Одну границу стоит обозначить: то, что делают рекомендательные системы сейчас, ближе к консультации, чем к коллаборации. Mutlu Cukurova (2026) реконструирует то, что исторически требовалось, прежде чем взаимодействие квалифицируется как коллаборативное, — договорные, частично симметричные отношения, разделяемые и договорные цели, низкое и меняющееся разделение труда, взаимное моделирование и социально разделяемое Регулирование ИИ в образовании, — и заключает, что большинство текущего human-AI interaction точнее описывается как консультация, управление, делегирование или инструктирование. Его пятиуровневая таксономия (транзакционное, ситуационное, операционное, праксическое, синергическое) служит полезной калибровкой: предложение следующего ресурса — это операционное соглашение, и называть его партнёром по collaborative learning значит раздувать утверждение.

Как эта страница связана с исследованиями персонализации, адаптивности и репетиторства

Три смежные страницы-концепции покрывают смежную территорию и должны читаться вместе с этой. Персонализированное обучение охватывает цель — подгонку всего опыта, включая цели, предпочтения и темп, одним из компонентов которой является выбор траектории. Адаптивное обучение охватывает механизм — цикл «измерение–модель–адаптация», меняющий контент, темп и сложность в реальном времени. Интеллектуальное тьюторство охватывает платформу, каноническую систему, соединяющую диагностирование с инструкциональным взаимодействием. Эта страница охватывает тот слой решений, который эти страницы предполагают: саму технологию ранжирования и упорядочивания. Это дом для архитектур рекомендательных систем на коллаборативной фильтрации и графах знаний, поиска отношений предпосылок и упорядочивания учебного плана, объяснимости и справедливости ранжированных выходов и специфичных для рекомендательных систем режимов отказов — «холодного старта», смещения в сторону популярного, чрезмерного сужения, непрозрачного ранжирования и неравного качества рекомендаций между группами учащихся. Исследование, сообщающее NDCG или охват по журналам взаимодействий, принадлежит сюда; сообщающее прирост в обучении из диалога репетиторства — на страницу репетиторства или адаптивного обучения.

Риски и открытые вопросы

Доказательная база имеет устойчивую форму: сильные офлайн-метрики ранжирования, слабые доказательства об обучении. Оба рассмотренных исследования рекомендательных систем оценены на исторических журналах взаимодействий и говорят об этом, причём авторы CF–графа знаний прямо призывают к оцениванию преподавателями, исследованиям учащихся и экспериментам на основе исходов. Смещение в сторону популярного пережило целевые функции обучения с учётом справедливости в одной системе, поэтому поле ещё не может указать на исправление в переранжировании или регуляризации, которое надёжно меняет показы, а аудиты справедливости остаются ограниченными тем, что содержатся в журналах СУО. «Холодный старт» решается архитектурно, через семантическую структуру, но не проверяется на совершенно новых пользователях при реальном развёртывании. Эффективность траекторий лучше обоснована, однако числа эффективности всё ещё опираются на одно исследование и одно семейство алгоритмов, и более короткий путь не автоматически лучше, если он убирает productive struggle, в которой нуждается учащийся. Формальная работа по оптимизации траекторий обостряет этот тезис в обе стороны: гарантия по трудной задаче мало говорит о конкретном корпусе, поскольку метод восхождения к вершине достигал вершины рубрики interleaving на каждом реальном профиле, несмотря на доказательства NP-полноты, а путь, оценённый в 3,54 по теоретически выведенной рубрике, всё ещё является путём, который никто не проверял на учащихся, поэтому качество рубрики — это ориентированный на проектировщиков суррогат доказательств исходов, а не их замена. Словарь также нестабилен: Ikram and colleagues (2026) в обзоре по методологии PRISMA 31 статьи, индексированных в Scopus (2013–2025), сообщают о средних и крупных когнитивных эффектах (g = 0,50–0,70) для адаптивных систем с ИИ, которые сильно модерируются качеством внедрения и study design.

Та же литература начала предлагать средства против сужения, хотя ещё не проверять их. Najem, Zaoui Seghroucheni and Ziti (2026) кластеризуют 14 003 записей студентов по 12 самооценённым поведенческим, психологическим и средовым переменным в шесть профилей методом K-Means++ с сильной разделимостью (силуэт 0,62; η² = 0,770 по итоговой оценке, при разрыве в 40,17 балла в среднем балле экзамена между высшим и низшим профилями), затем отображают профили на учебные объекты через оценку близости, соединённую с матрицей отображения по Фелдеру–Сильверману, и членом регуляризации разнообразия (λ = 0,30), чья явная цель — не дать рекомендательной системе сжаться к тому, что профилю уже предпочтительно. План — это вклад, а доказательств нет: слой рекомендаций концептуален, без развёртывания или измерения исходов, и авторы заявляют, что входные данные кластеризации — это самооценённые суррогаты, а не следы взаимодействий из СУО. Это кандидат в ответ на пробел регуляризации, отмеченный на этой странице, всё ещё ожидающий валидации, недостаток которой поле признаёт.

Связанные концепции

• Граф знаний — Структурированные представления понятий, ресурсов и отношений предпосылок
• Интерпретируемый ИИ — Объяснение как особенность проекта, опосредующая понятность и доверие
• Проектирование учебного плана — Решения об упорядочивании, которые рекомендательные системы моделируют, выводят и воспроизводят
• Дизайн обучения — Спланированная последовательность активностей, на которой оперирует анализ траекторий
• Аналитика обучения — Данные и методы за рекомендациями, и объект аудита
• Когнитивная диагностика — Диагностирование состояний знаний, которые запускают корректирующие пути
• Трассирование знаний — Моделирование освоения во времени, чтобы решать, к чему учащийся готов
• Моделирование учащегося и адаптивное обучение — Представления учащегося, которые потребляет рекомендация
• Персонализированное обучение — Более широкая цель; эта страница охватывает решение о выборе
• Адаптивное обучение — Механизм подстройки в реальном времени; эта страница охватывает ранжирование и упорядочивание
• Интеллектуальное тьюторство — Платформа, действующая на основе рекомендаций в диалоге
• Снижение перекосов (bias mitigation) — Вмешательства справедливости в ранжирование и показы
• Справедливость — Различия между группами в качестве рекомендаций
• Человек в контуре — Надзор за автоматической навигацией по ресурсам
• Самонаправленное обучение — Поддерживаемые учащимся траектории и навигация в течение жизни
• Непрерывное обучение — Структурированное по графу обучение за пределами последовательности программы
• Калибровка доверия — Согласование опоры с надёжностью рекомендаций
• Поддержка студентов и их успех — Рекомендации поддержки, ресурсов и учебных маршрутов

Связанные статьи

• A Hybrid Collaborative Filtering and Knowledge Graph-Based Cross-Domain Recommendation Method for Multimodal Teaching Resources — Гибрид коллаборативной фильтрации и графа знаний для мультимодальных учебных ресурсов со слиянием с учётом способностей и прогресса (Лю, Сунь и Сонг 2026)
• Fair and explainable educational recommendations with a hybrid Graph-GRU framework — Рекомендательная система на гетерогенном графе знаний + GRU со справедливостью GroupDRO и контрфактической объяснимостью (Евангелиста и Бухари 2026)
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations — Управляемые предметной областью объяснения строят большее доверие преподавателей, чем диаграммы важности признаков (Фельдман-Маггор и др. 2025)
• ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs — Изучение отношений предпосылок с ограничением необратимости для направленной согласованности (Ченг и др. 2026)
• Automated Recommendation of Programming Learning Content Using Pattern-based Knowledge Components — Рекомендация практики программирования по сходству компонентов знаний, основанных на шаблонах (Хок и др. 2026)
• Learning paths and patterns in learning design: Insights from 500+ courses — Анализ 29 064 спроектированных активностей в 554 курсах методами Маркова и поиска шаблонов (Дивяк, Светец и Хорват 2026)
• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — Байесовское диагностирование DINA и кратчайшие корректирующие пути, опосредованные когнитивной нагрузкой (Фэн и Хуанг 2026)
• Detecting Knowledge Gaps from Conversational AI Interactions Using Curriculum Prerequisite Graphs — Отображение вопросов к ИИ-ассистенту преподавателя на граф предпосылок, извлечённый GPT-4, для поиска пробелов на уровне учебного плана (Медхат и др. 2026)
• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs — Графы learnity как альтернатива фиксированным учебным программам в обучении на протяжении жизни (Секели, Галь-Эзер и Харел 2026)
• What do you mean by human-AI collaboration: Prerequisite functions and the affordances needed to achieve it — Пятиуровневая таксономия, показывающая, что большинство взаимодействий человека и ИИ — это консультация, а не коллаборация (Мутлу Чукурова 2026)
• How High-School Pressure and Autonomy Support Are Linked to Dual AI Learning Pathways: A Cross-Contextual SEM Analysis — Поддержка автономии против давления как предиктор конструктивных или компульсивных путей использования ИИ (Шен и Арунругстичай 2026)
• Artificial Intelligence in Education: A Systematic Review of Personalized Learning Trends and Future Directions — Обзор по методологии PRISMA тенденций персонализированного обучения, траекторий и моделей рекомендаций (Икрам и др. 2026)
• PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning — PersonaPath: бенчмарк планирования, центрированного на знаниях, показывающий, что LLM достигают 90,9% валидности, но лишь 44,3% адаптивности (Лю и др. 2026)
• Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing — Рекомендация заданий как последовательное решение поверх семантически обоснованного трекера
• Behavioral clustering for adaptive learning object recommendation in higher education using learning analytics for personalized student success — Поведенческая кластеризация 14 003 записей в шесть профилей, отображённых на учебные объекты в рамках рекомендательной платформы с регуляризацией разнообразия (Наджем и др. 2026)