ПРИНЦИПИ ТА АРХІТЕКТУРНІ ПІДХОДИ ДО ПОБУДОВИ ІНТЕЛЕКТУАЛЬНОЇ АДАПТИВНОЇ НАВЧАЛЬНОЇ ПЛАТФОРМИ З ПЕРСОНАЛІЗОВАНОЮ ВЗАЄМОДІЄЮ НА ОСНОВІ ШІ

DOI: 10.31673/2412-4338.2026.019014

Анотація

У статті досліджено принципи та архітектурні підходи до побудови інтелектуальних адаптивних навчальних платформ із персоналізованою взаємодією на основі технологій штучного інтелекту. Актуальність роботи зумовлена зростанням ролі цифрових освітніх середовищ, потребою в індивідуалізації навчання та обмеженістю традиційних підходів до управління освітнім контентом. Проаналізовано сучасні наукові праці у сфері адаптивного навчання, AI-driven освітніх систем, гейміфікації та аналітики навчальних даних, що дозволило виокремити ключові тенденції розвитку інтелектуальних платформ. Систематизовано базові принципи побудови таких систем: персоналізація, динамічна адаптація контенту, моделювання учня, безперервний аналіз поведінкових даних, оперативний зворотний зв’язок, пояснюваність рішень ШІ та гейміфікована мотивація. Розглянуто архітектурні підходи до реалізації адаптивних платформ, зокрема модульні, data-driven, AI-орієнтовані та гнучкі runtime-архітектури, що забезпечують масштабованість і перебудову системи під час експлуатації. Запропоновано узагальнену гібридну архітектуру інтелектуальної адаптивної навчальної платформи, яка поєднує модель учня, доменну модель знань, механізми адаптації, аналітичний контур та підсистему персоналізованої взаємодії. Практичне значення результатів полягає у можливості використання запропонованих підходів під час проектування сучасних освітніх платформ, систем дистанційного навчання та інтелектуальних тьюторських систем. Отримані узагальнення формують теоретичну основу для подальших досліджень у галузі інтелектуальних освітніх технологій.

Ключові слова: адаптивне навчання, інтелектуальні навчальні системи, персоналізація навчання, штучний інтелект, модель учня, гейміфікація, аналітика навчальних даних, адаптивні інтерфейси, освітні платформи.

Список використаної літератури:

1. Gligorea, I., Cioca, M., Oancea, R., Gorski, A.-T., Gorski, H., & Tudorache, P. Adaptive Learning Using Artificial Intelligence in e-Learning: A Literature Review. Education Sciences, 13(12), 2023, 1216. DOI: 10.3390/educsci13121216.
2. Chen, X., Xie, H., Zou, D., Hwang, G.-J. Application and theory gaps during the rise of AI in Education. Computers and Education: Artificial Intelligence, 1, 2020, 100002. DOI: 10.1016/j.caeai.2020.100002
3. Kabudi, T., Pappas, I., Olsen, D. AI-enabled Adaptive Learning Systems: A Systematic Mapping of the Literature. Computers and Education: Artificial Intelligence. 2021, 2. 100017. 10.1016/j.caeai.2021.100017.
4. Xiao, J. Q. (2013) Research on Student Model of Adaptive Learning System Based on Semantic Web, Advanced Materials Research, 2013, Vol. 739, P. 562–565.
5. Swacha, J.; Gracel, M. (2023). Machine Learning in Gamification and Gamification in Machine Learning: A Systematic Literature Mapping. Applied Sciences. 13. 11427. 10.3390/app132011427.
6. Khakpour, A.; Colomo-Palacios, R. (2021). Convergence of Gamification and Machine Learning: A Systematic Literature Review. Technology, Knowledge and Learning. 26. 10.1007/s10758-020-09456-4.
7. Abu Saa, A.; Al-Emran, M.; Shaalan, K. (2019). Factors afecting students’ performance in higher education: A systematic review of predictive data mining techniques. Technology, Knowledge and Learning, 24, 567–598. https://doi.org/10.1007/s10758-019-09408-7.
8. Artamonov Y., Golovach I., Krant D., Rosinska H., Nechyporuk O., Stanko S. Dynamic Content Generation Methods Based on User Behavioral Ranking, 2022 IEEE 4th International Conference on Advanced Trends in Information Theory (ATIT), Kyiv, Ukraine, 2022, pp. 313-318, doi: https://doi.org/10.1109/ATIT58178.2022.10024196.
9. Pliakos K., Joo S.-H., Park J.Y., Cornillie F., Vens S., Van den Noortgate W. Integrating machine learning into item response theory for addressing the cold start problem in adaptive learning systems, Computers & Education, Volume 137, 2019, pp. 91-103. https://doi.org/10.1016/j.compedu.2019.04.009.
10. Acharya, S.; Matovu, R.; Serwadda, A.; Griswold-Steiner, I. (2019). Gamifcation of wearable data collection: A tool for both friend and foe. In Proceedings of the 2019 3rd international conference on compute and data analysis (pp. 68–77). ICCDA 2019. Kahului, HI, USA: Association for Computing Machinery. https://doi.org/10.1145/3314545.3314572.
11. Khajah, M. M.; Roads, B. D.; Lindsey, R. V.; Liu, Y.-E.; Mozer, M. C. (2016). Designing engaging games using bayesian optimization. In Proceedings of the 2016 CHI conference on human factors in computing systems (pp. 5571–5582). CHI’16. San Jose, California, USA: Association for Computing Machinery. https://doi.org/10.1145/2858036.2858253.
12. Artamonov, Y.; Okhrimenko, T.; Golovach, I.; Krant D.; Radchenko, A., Radchenko K., Zaloznyi T.  Adaptive user interfaces based on behavioral analysis. Proceedings of the Third International Conference on Cyber Hygiene & Conflict Management in Global Information Networks (Kyiv, Ukraine, January 24-27, 2024). 2024. pp. 205-214. https://ceur-ws.org/Vol-3925/paper17.pdf 
13. Hsu, C.L.; Chen, M.C. (2018) How does gamification improve user experience? An empirical investigation on the antecedences and consequences of user experience and its mediating role. Technol. Forecast. Soc. Chang. 2018, 132, 118–129. https: //doi.org10.1016/j.techfore.2018.01.023.
14. Fedytskyi, R. Dynamic Frontend Architecture for Runtime Component Versioning and Feature Flag Resolution in Regulated Applications. Software, 2025, 4(4), p. 32. https://doi.org/10.3390/software4040032
15. Скочинський, Б. Д. Можливості гейміфікації навчання з використанням технологій штучного інтелекту // Perspectives of contemporary science: theory and practice. Proceedings of the 7th International scientific and practical conference. SPC “Sci-conf.com.ua”. Lviv, Ukraine. 2024. pp. 228-234. URL: https://sci-conf.com.ua/vii-mizhnarodna-naukovo-praktichna-konferentsiya-perspectives-of-contemporary-science-theory-and-practice-19-21-08-2024-lviv-ukrayina-arhiv/.