Системи рекомендацій і навчальні траєкторії

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Системи рекомендацій і навчальні траєкторії — частина адаптивної та Персоналізоване навчання технології, яка вирішує, з чим здобувач має зустрітися далі і в якому порядку: який ресурс, практичне завдання чи курс ранжувати для нього й у якій послідовності проходити поняття. Дві її родини методів — поведінкові — колаборативна фільтрація за журналами взаємодії, — і семантичні — упорядкування за графом знань понять, ресурсів і відношень передумов, — які дедалі частіше зливаються в гібридні моделі. Оскільки результат є ранжованим переліком, а не діалогом, характерними проблемами є вибірковість і легітимність: холодний старт і упередженість популярності за розріджених даних, напрямлена асиметрія передумов і те, чи може викладач або здобувач зрозуміти, перевірити та довіряти переліку, який йому показують.

Питання для роздумів

• Система рекомендацій учиться на тому, що здобувачі клацали, дивилися і завершували. Якщо система бачить лише поведінку, чиє навчання вона насправді моделює — і що вона пропускає для студента, який мовчазний, погано впорається або вже знає матеріал?
• В одному дослідженні викладачі вважали пояснення мовою навчальних програм зрозумілішими й більш гідними довіри, ніж діаграми важливості ознак. Що мало б казати пояснення рекомендації, перш ніж ви діяли б на його підставу?
• Відношення передумов існують лише в одному напрямку — знання B не означає знання A. Чому модель, що оцінює пари понять незалежно, могла б помилитися в цьому, і що пішло б неправильно далі для здобувача, якби вона помилилася?
• Дослідження оптимізації траєкторій повідомляють про коротші траєкторії та кращі бали посттесту, зі зниженням пізнавального навантаження як основним медіатором. Чи коротша траєкторія завжди є кращою траєкторією, чи ефективність може прибрати практику, потрібну здобувачеві?
• Аудит освітньої системи рекомендацій виявив, що популярні матеріали все ще домінували в переліках і після втручань на користь справедливості та різноманіття. Якщо популярність продовжує перемагати, що змусило б вас перепроєктувати цільову функцію, а не підлаштовувати переранжувальник?
• Дані Проєктування навчання з 554 курсів показали, що Acquisition (передача знань) є водночас і найпоширенішим типом активності, і найпоширенішою точкою входу. Якщо ШІ рекомендує «що далі» на підставі цих даних, чиї звички дизайну він відтворює?

Вступ

Освітні системи рекомендацій існують, тому що обсяг навчальних матеріалів переріс будь-яку людську здатність орієнтуватися в ньому. Лише вступного програмування стосується багато тисяч практичних активностей, і їхнє організовування в інструкційно значущі пакети зазвичай потребує трудомісткої експертної курації. Система рекомендацій бере історію здобувача, властивості матеріалу або й те, й інше й породжує ранжований короткий перелік або впорядковану траєкторію через контент.

Там де Адаптивне навчання описує механізм підлаштування контенту, темпу та складності до моделі здобувача, а Інтелектуальний тьюторінг описує платформу, яка робить це в діалозі, дослідження систем рекомендацій концентрується на самому рішенні про вибір і послідовність: функції ранжування, структурі, на якій воно ранжує, і доказах, яких воно використовує. Цей шар рішень несе власні режими відмови, розглянуті в розділах нижче.

Як працюють освітні системи рекомендацій

Поведінкові системи рекомендацій успадковують логіку колаборативної фільтрації: вважається, що здобувачі зі схожими історіями хочуть схожих ресурсів, тож система передбачає за співвипаданням, а не за контентом. Це потужно там, де дані щільні, і крихке там, де вони не щільні. Evangelista and Bukhari (2026) формулюють проблему прямо — сфокусовані на точності системи рекомендацій дають менш надійну підтримку студентам з обмеженими історіями участі, тоді як популярні ресурси домінують у переліках, — і відповідають на неї рамкою Hybrid HKG-GRU, яка вбудовує гетерогенний Граф знань матеріалів курсу й моделює послідовності здобувачів за допомогою GRU, а потім навчається на стійкість між групами здобувачів (GroupDRO) і переранжує на різноманіття експозиції (Maximal Marginal Relevance). На журналах Moodle зі 152 студентів, 59 ресурсів і приблизно 150 000 взаємодій вона досягла HR@10 = 0.68 і MRR = 0.41, проте суттєва упередженість популярності збереглася на рівні каталогу — доказ того, що пом’якшення упередженості є частковим.

Семантичні системи рекомендацій замінюють співвипадання структурою. Liu, Sun, and Song (2026) будують граф знань навчальних ресурсів, мовних понять, умінь, груп здобувачів і педагогічних атрибутів і розкладають кожен ресурс за чотирма інструкційними вимірами — навчальний контекст, пізнавальний рівень, технологічна ознака та культурна адаптовність. Рекомендація розширює k-hop за графом від заявлених потреб здобувача, уточнює кандидатів ознаковою колаборативною фільтрацією та ранжує їх за коефіцієнтом злиття, який зростає з індексами здібності, прогресу та інтересу здобувача, тож менш просунуті здобувачі отримують більш структурований напрям від графа, тоді як здобувачі з вищими здібностями спираються на свій поведінковий патерн. На англійському підмножині набору даних MARS (4 800 користувачів, 14 200 ресурсів, 132 000 взаємодій, розрідженість 0.9981) вони досягли NDCG 0.625 і HR 0.751, приблизно на 7–8% краще за найкращий нейронний базовий рівень, і перемогли усвідомлені щодо графів базові рівні, зокрема RippleNet і KGAT, за покриттям і точністю між доменами. Абляція показує, що сигнали є взаємодоповнювальними (лише CF NDCG 0.584, лише KG 0.604), і автори зазначають, що це метрики ранжування, а не доказ ефективності навчання.

Третій шлях уникає даних про індивідуальну взаємодію майже повністю. Hoq and colleagues (2026) вилучають засновані на патернах компоненти знань із кожного зразка коду й рекомендують пов’язані практичні активності за схожістю їхніх множин компонентів знань. На корпусі вступних матеріалів із Python, організованому експертами, підхід узгодився з власними концептуальними пакетами викладачів і переміг базові рівні за компонентами знань і вбудовуваннями за метриками ранжування — доказ того, що інструкційне узгодження може походити з семантики матеріалу там, де історії здобувачів тонкі.

Четвертий шлях розглядає рекомендацію як послідовне рішення, а не як ранжування. ExRec (Ozyurt, Almaci, Feuerriegel and Sachan, 2025) будує семантично заснований трекер знань — Великі мовні моделі (LLM) анотує кожне питання кроками розв’язування і поняттями знань, контрастивне навчання узгоджує вбудовування питання, кроку й поняття, а функція втрат калібрування дозволяє трекерові передбачати стан знань на рівні понять безпосередньо, — а потім використовує цей трекер як середовище Підсилене навчання, у якому політика вибирає наступну вправу. Два вибори дизайну мають значення саме для задачі рекомендації: стан студента є компактним рекурентним кодуванням, а не повною історією вправ, тож довгі послідовності лишаються керованими в буфері відтворення, а винагородою є зміна в передбачених знаннях понять, обчислювана без запуску висновкування над кожним питанням у цільовому понятті. Модельна оцінка цінності ініціалізує критика з трекера, що покращило агентів із безперервною цінністю на чотирьох завданнях набору XES3G5M (2 048 тестових студентів) і просунуло їх повз методи з дискретними діями на найважчому з них — рекомендації для найслабшого поняття студента, де ціль змінюється на кожному кроці. Цифри — це поліпшення знань у відсотках від максимуму зі змодельованого середовища, що є слабшим твердженням, ніж виміряне навчання, і власний додаток авторів зазначає, що більшість наборів даних для трекінгу записує лише бінарну мітку правильності, тож рекомендація на рівні хибних уявлень, яку вони накидають, ще не є перевірною на наявних даних.

Передумови та упорядкування траєкторій

Ранжувати наступний елемент легше, ніж упорядковувати навчальну програму, бо залежності навчання є направленими. Cheng and colleagues (2026) стверджують, що розгляд відкриття передумов як звичайного передбачення зв’язків не спрацьовує через три властивості цього відношення: воно незворотне, його докази часто є багатокроковими (ci → ck → cj), а не однокроковим переходом здобувача, і його релевантність є парно-специфічною, тож уявлення поняття має змінюватися залежно від того, з чим воно спароване. Їхня модель ProPRL додає Обмеження незворотності — антисиметричний регуляризатор, що штрафує високу впевненість в обох напрямках пари, — поряд із парно-умовленим гейтом, який зважує свідомі про ресурси докази з гіперграфа понять-ресурсів проти свідомих про поведінку доказів з графа навчальної поведінки. Вона ранжувалася першою в усіх дев’яти комбінаціях набір даних–метрика серед наборів MOOC, LectureBank і University Course, покращуючи найсильніший базовий рівень на 1.96%–6.11%, а обмеження підвищило частку правильно впорядкованих відношень із 88.0% до 90.0%.

Щойно залежності змодельовано, траєкторія стає задачею оптимізації. Feng and Huang (2026) поєднують байєсівську пізнавальну діагностику, теорію простору знань і теорію пізнавального навантаження: байєсівська модель DINA збіглася на даних EdNet із розрідженістю 91.3%, а алгоритм найкоротшої траєкторії ремедіації породив персоналізовані траєкторії середньою довжиною 3.82 кроки — на 22.4% ефективніші за випадкові траєкторії і на 23.6% ефективніші за фіксовані траєкторії з повним покриттям. У рандомізованому експерименті з навчання ймовірностей на 120 студентах здобувачі з персоналізованими траєкторіями завершували за 57.6 хвилини проти 73.8 хвилини в контролі та перевершували контроль на посттесті за контрольованого претесту. Дослідження також перевіряє чому: персоналізовані траєкторії знижували пізнавальне навантаження на всіх шести адаптованих вимірах NASA-TLX, і пізнавальне навантаження було первинним медіатором ефекту на продуктивність посттесту (опосередкований ефект 0.28 у моделі з множинною медіацією). Модель прихованого Маркова визначила Аналітичне мислення як атрибут-вузьке місце, з найнижчою ймовірністю прямого переходу (0.31) і найвищим параметром вгадування (g = 0.28).

PersonaPath просуває питання упорядкування далі, оспорюючи одиницю рішення. Liu et al. (2026) протиставляють рекомендацію, орієнтовану на вправу, — виведення наступного елемента з журналів взаємодії, — плануванню, орієнтованому на знання, у якому планувальник читає явну персону здобувача, стан опанування й заявлену цільову одиницю та вибирає наступний підручник, модуль і поняття з ієрархії навчальної програми (347 підручників, 1 751 модуль, 4 092 понять у 77 предметах, з 411 ребрами передумов, перевіреними до точності 99.5% за κ Коена = 0.93). Відмінний випадок — той, якого журнали не бачать: два здобувачі з ідентичними записами правильності, але різними цілями потребують різних маршрутів, і лише ціль робить це видимим. Їхнє оцінювання замкненого циклу для десяти LLM (1B–30B+) відокремлює виміри, які зливає агрегована метрика, — DeepSeek-V3.1 досягає 90.9% за валідністю передумов/галюцинацій, але лише 44.3% за адаптовністю, за кінцеву частку проходження 29.5% у початковій освіті і 14.6% у вищій освіті, і жодна модель не перевершує 44.7% за адаптовністю ніде. Дві абляції загострюють діагноз: вилучення поля опанування з персони коштує до 26.1 пункта адаптовності, ледь рухаючи валідність, а генерація траєкторії одним пострілом підвищує валідність навіть на 30.8 пунктів, знижуючи адаптовність на 28.8, — узгоджене з навчальною програмою упорядкування є набагато легшою ціллю, ніж упорядкування, умовлене здобувачем, що є застереженням проти повідомлення про якість траєкторії без обмеження узгодженості зі здобувачем (PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning).

Структура передумов працює також як діагностична лінза на навчальну програму, а не на здобувача. Medhat and colleagues (2026) класифікують питання студентів до асистента викладача на базі ШІ проти графа передумов, вилученого GPT-4, досягаючи точності 80.0% на 43 мітках із 1 340 питальних подій від 164 студентів магістратури, і виявляють, що обсяг питань на рівні теми корелює з самооголошеною студентами складністю (ρ Спірмена = 0.491, p = 0.008). Журнал взаємодій стає картою того, де порядок навчальної програми підводить здобувачів, без доданого навантаження оцінювання.

Пояснення та аудит рекомендацій

Якість ранжування не вирішує, чи має хтось слідувати ранжуванню. Feldman-Maggor, Cukurova, Kent, and Alexandron (2025) адаптують модель довіри до автоматизації Hoff and Bashir до рекомендацій ШІ й перевіряють її на 41 працюючому викладачеві хімії за допомогою інструмента рекомендацій GrouPer. Пояснюваність підвищувала Довіра опосередковано, підвищуючи зрозумілість, і форма пояснення важила більше, ніж його наявність: перехід викладачів із пояснень важливості ознак («керованих даними») до семантичних пояснень мовою навчальної програми («керованих доменом») значуще підвищив зрозумілість (W = 80.5, p = 0.005), набуту довіру (W = 52, p = 0.002) і прийняття (W = 22.5, p = 0.003), і всі семеро викладачів із мислення вголос повідомили, що керовані доменом пояснення є для них більш впливовими. З’явилися два інші драйвери прийняття, обидва ситуаційні, а не епістемічні: педагогічне узгодження (повідомлене 8 з 11) і зниження навантаження (6 з 11). Кілька викладачів також сказали, що одного пояснення недостатньо — вони хотіли класного досвіду з інструментом, перш ніж покладатися на нього, — сильне твердження про те, що довіра до системи рекомендацій будується вживанні, а не постачається в легенді.

Аудит справедливості ставить інше питання: чиї рекомендації гірші? Дослідження Graph-GRU є корисним розібраним прикладом, бо воно називає те, чого не міг бачити його аудит. Справедливість була операціоналізована через когорти на основі участі, бо публічний набір даних Moodle не містив досягнень, попередніх знань, профілів навчання й демографічних атрибутів, тож результат є аудитом поведінки на рівнях залученості, а не повною оцінкою освітньої справедливості; здобувач із низькою активністю може погано впораватися, бути віддаленим від процесу або вже знайомим з матеріалом. Пояснюваність тут набуває форми аналізу шляхів і контрфактичного аналізу, з медіанною контрфактичною стійкістю CR@10 = 1.0 для багатьох здобувачів, проте зі стійкою упередженістю популярності на рівні каталогу, відображеною у високих метриках експозиції Gini. Урок полягає в тому, що Пом’якшення упередженості треба вимірювати на рівні експозиції та груп здобувачів, а не виводити з точності чи з наявності модуля пояснень, і що нагляд Людина в циклі є значущим лише тоді, коли людина бачить докази на рівні груп.

Навчальні траєкторії на практиці

Траєкторії не лише обчислюються; їх проєктують. Divjak, Svetec, and Horvat (2026) звернули Аналітика навчання на сам процес дизайну, аналізуючи послідовність 29 064 навчальних та викладацьких активностей у 554 курсах, запланованих у вільному інструменті Balanced Design Planning. Ланцюги Маркова й видобування патернів виявили граматику дизайну: активності типу Acquisition були найпоширенішим типом навчання (понад 20%) і найпоширенішою точкою входу, за ними йшли Practice, Discussion і Оцінювання (кожне 15–20%), і найсильнішим переходом було Assessment → Discussion (0.332), попереду Practice → Practice (0.317). Правило Acquisition → Assessment → Practice → Practice трималося за впевненості 0.74 (підйом 1.45), і тип навчання відстежував пізнавальний рівень задуманого результату: Acquisition падав від приблизно 50% активностей на рівні 1 за Блумом до приблизно 20% на рівні 6. Автори застерігають, що схожість із перевернутим, дослідницьким або проєктним дизайном не є доказом наміру, — але система рекомендацій, навчена на таких даних дизайну, засвоює ці звички, зокрема упередженість до орієнтованих на передачу вступних активностей.

На іншому кінці формальної школи структура траєкторій стає питанням Урядування ШІ. Szekely, Gal-Ezer, and Harel (2026) стверджують, що опосередкований ШІ доступ до знань вимагає переосмислення фіксованих програм вищої освіти, і пропонують «learnity graphs» — структуровані уявлення навчання як взаємозв’язаних одиниць знань, умінь, досвіду та артефактів, — що охоплюють академічне, професійне та особисте навчання. Пропозиція зберігає роль університету в фундаментальних знаннях, водночас зсуваючи акцент на Креативність і міждисциплінарну інтеграцію, і робить здобувача утримувачем власного графа, де вона й зустрічається з Самоспрямоване навчання і Саморегульоване навчання. Чи веде самонаправлена навігація кудись конструктивне, не гарантовано: Shen and Arunrugstichai (2026) моделюють два шляхи від навчального клімату школи до використання GenAI в університеті в міжконтекстному опитуванні (N = 508), відрізняючи конструктивне автономне використання від компульсивної залежності.

Одну межу варто сформулювати: те, що нині роблять системи рекомендацій, ближче до консультації, ніж до співпраці. Mutlu Cukurova (2026) реконструює те, що історично вимагалося, перш ніж взаємодія набуває права називатися співпрацею, — узгоджені, частково симетричні стосунки, спільні й узгоджувані цілі, низький і змінний поділ праці, взаємне моделювання та соціально спільна Регулювання ШІ в освіті, — і робить висновок, що більшість поточної взаємодії люди зі ШІ краще описується як консультація, управління, делегування або інструкція. Його п’ятирівнева таксономія (транзакційна, ситуаційна, операційна, праксична, синергійна) є корисною калібруванням: пропонування наступного ресурсу є операційною домовленістю, і назвати його партнером із спільного навчання — це перебільшити твердження.

Як ця сторінка пов’язана з дослідженнями персоналізації, адаптивності та тьюторства

Три суміжні сторінки понять охоплюють суміжну територію й мають читатися разом із цією. Персоналізоване навчання охоплює ціль — підлаштування всього досвіду, зокрема цілей, уподобань і темпу, з яких вибір траєкторії є одним компонентом. Адаптивне навчання охоплює механізм — цикл вимірювання-моделювання-адаптації, що змінює контент, темп і складність у реальному часі. Інтелектуальний тьюторінг охоплює платформу, канонічну систему, що поєднує діагностику з інструкційною взаємодією. Ця сторінка охоплює шар рішень, який ці сторінки припускають: саму технологію ранжування та упорядкування. Це дом для архітектур систем рекомендацій на колаборативній фільтрації та графах знань, для відкриття відношень передумов і упорядкування навчальної програми, для пояснюваності та справедливості ранжованих результатів і для специфічних для систем рекомендацій режимів відмови — холодного старту, упередженості популярності, надмірного звуження, непрозорого ранжування та нерівної якості рекомендацій між групами здобувачів. Дослідження, що повідомляє NDCG або покриття на журналах взаємодій, належить сюди; те, що повідомляє навчальні здобутки з діалогу з тьютором, належить на сторінку тьюторства або адаптивного навчання.

Ризики та відкриті питання

База доказів має стійку форму: сильні офлайн-метрики ранжування, слабкі докази про навчання. Обидва дослідження систем рекомендацій вище оцінюються на історичних журналах взаємодій і про це кажуть, а автори CF–KG прямо закликають до оцінювань від викладачів, досліджень здобувачів і експериментів, заснованих на результатах. Упередженість популярності пережила цільову функцію навчання, свідому справедливості, в одній системі, тож галузь ще не може вказати на виправлення переранжуванням або регуляризацією, що надійно змінює експозицію, і аудити справедливості лишаються обмеженими тим, що містять журнали LMS. Холодний старт вирішується архітектурно, через семантичну структуру, проте не перевіряється на справді нових користувачах у живому впровадженні. Ефективність траєкторій докраща засвідчена, проте цифри ефективності все ще спираються на одне дослідження й одне родище алгоритмів, і коротша траєкторія не є автоматично кращою, якщо вона прибирає плідну боротьбу, потрібну здобувачеві. Формальна робота з оптимізації траєкторій загострює пункт в обох напрямках: гарантія складності задачі мало що говорить про конкретний корпус, бо сходовий підймач досяг вершини рубрики чергування на кожному реальному профілі попри докази NP-повноти, і траєкторія, оцінена на 3.54 за похідною від теорії рубрикою, усе ще є траєкторією, яку ніхто не перевірив на здобувачах, тож якість рубрики є обличчям до проєктувальника сурогатом доказів результатів, а не їхньою заміною. Словник також нестійкий: Ikram and colleagues (2026) в огляді за PRISMA 31 статті, індексованої в Scopus (2013–2025), повідомляють про пізнавальні ефекти від середніх до великих (g = 0.50–0.70) для систем адаптивного навчання на базі ШІ, які сильно модеруються якістю впровадження та дизайном дослідження.

Та сама література почала пропонувати засоби проти звуження, хоч іще не перевіряла їх. Najem, Zaoui Seghroucheni and Ziti (2026) кластеризують 14 003 записи студентів за 12 самооголошених поведінкових, психологічних і середовищних внесків у шість профілів за допомогою K-Means++ із сильним розділенням (силует 0.62; η² = 0.770 за підсумковою оцінкою, з розривом 40.17 пункта в середньому балі екзамену між найвищим і найнижчим профілями), потім відображають профілі на об’єкти навчання через оцінку спорідненості в поєднанні з матрицею відображення Felder-Silverman і членом регуляризації різноманіття (λ = 0.30), чия явна мета — зупинити згортання системи рекомендацій у те, що профіль уже надає переваги. Внеском є дизайн, а не докази: шар рекомендацій є концептуальним, і не повідомляється про жодне впровадження або міру результату, а автори стверджують, що внески кластеризації є самооголошеними сурогатами, а не слідами взаємодій у LMS. Це кандидат на відповідь на прогалину регуляризації, яку зазначає ця сторінка, і досі очікує на валідацію, якої, як стверджує сторінка, галузі бракує.

Пов’язані поняття

• Граф знань — Structured representations of concepts, resources, and prerequisite relations
• Пояснюваний ШІ — Explanation as a design feature that mediates understandability and trust
• Конструювання навчальної програми — Ordering decisions that recommenders model, infer, and reproduce
• Проєктування навчання — The planned sequence of activities that path analyses operate on
• Аналітика навчання — The data and methods behind recommendation, and the object of audit
• Когнітивна діагностика — Diagnosing knowledge states that seed remediation paths
• Відстеження знань — Modeling mastery over time to decide what a learner is ready for
• Моделювання здобувача та адаптивне навчання — Learner representations that recommendation consumes
• Персоналізоване навчання — The broader goal; this page covers the selection decision
• Адаптивне навчання — The real-time adjustment mechanism; this page covers ranking and sequencing
• Інтелектуальний тьюторінг — The platform that acts on recommendations in dialogue
• Пом’якшення упередженості — Fairness interventions in ranking and exposure
• Справедливість — Group-level differences in recommendation quality
• Людина в циклі — Oversight of automated resource navigation
• Самоспрямоване навчання — Learner-maintained pathways and lifelong navigation
• Навчання протягом життя — Graph-structured learning beyond a degree sequence
• Калібрування довіри — Matching reliance to recommendation reliability
• Підтримка та успішність здобувачів — recommending support, resources, and academic paths

Пов’язані статті

• A Hybrid Collaborative Filtering and Knowledge Graph-Based Cross-Domain Recommendation Method for Multimodal Teaching Resources — Hybrid collaborative filtering plus knowledge graph for multimodal teaching resources, with ability- and progress-aware fusion (Liu, Sun & Song 2026)
• Fair and explainable educational recommendations with a hybrid Graph-GRU framework — Heterogeneous knowledge graph + GRU recommender with GroupDRO fairness and counterfactual explainability (Evangelista & Bukhari 2026)
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations — Domain-driven explanations build more teacher trust than feature-importance charts (Feldman-Maggor et al. 2025)
• ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs — Prerequisite relation learning with an irreversibility constraint for directional consistency (Cheng et al. 2026)
• Automated Recommendation of Programming Learning Content Using Pattern-based Knowledge Components — Recommending programming practice by pattern-based knowledge-component similarity (Hoq et al. 2026)
• Learning paths and patterns in learning design: Insights from 500+ courses — Markov and pattern-mining analysis of 29,064 designed activities across 554 courses (Divjak, Svetec & Horvat 2026)
• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — Bayesian DINA diagnosis and shortest remediation paths, mediated by cognitive load (Feng & Huang 2026)
• Detecting Knowledge Gaps from Conversational AI Interactions Using Curriculum Prerequisite Graphs — Mapping AI TA questions to a GPT-4-extracted prerequisite graph to find curriculum-level gaps (Medhat et al. 2026)
• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs — Learnity graphs as a lifelong-learning alternative to fixed curricula (Szekely, Gal-Ezer & Harel 2026)
• What do you mean by human-AI collaboration: Prerequisite functions and the affordances needed to achieve it — Five-level taxonomy showing most human-AI interaction is consultation, not collaboration (Mutlu Cukurova 2026)
• How High-School Pressure and Autonomy Support Are Linked to Dual AI Learning Pathways: A Cross-Contextual SEM Analysis — Autonomy support versus pressure predicting constructive or compulsive AI pathways (Shen & Arunrugstichai 2026)
• Artificial Intelligence in Education: A Systematic Review of Personalized Learning Trends and Future Directions — PRISMA review of personalized learning trends, pathways, and recommendation models (Ikram et al. 2026)
• PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning — PersonaPath: a Knowledge-Centric planning benchmark showing LLMs reach 90.9% validity but only 44.3% adaptivity (Liu et al. 2026)
• Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing — exercise recommendation as a sequential decision over a semantically grounded tracer
• Behavioral clustering for adaptive learning object recommendation in higher education using learning analytics for personalized student success — Behavioral clustering of 14,003 records into six profiles, mapped to learning objects with a diversity-regularized recommendation framework (Najem et al. 2026)