УДК 004.42:004.9:378.4

ПРОГРАМНЕ ЗАБЕЗПЕЧЕННЯ АДАПТИВНОЇ СИСТЕМИ ДИСТАНЦІЙНОГО НАВЧАННЯ З АНАЛІТИКОЮ УСПІШНОСТІ СТУДЕНТІВ

Євтодій О.П.,  науковий керівник Волошина Т.В.

Актуальність дослідження зумовлена необхідністю підвищення ефективності освітнього процесу шляхом використання інформаційних систем, здатних забезпечити автоматизований аналіз навчальної діяльності студентів та формування персоналізованих рекомендацій. Традиційні LMS-платформи орієнтовані переважно на веб-середовище та централізовану архітектуру, що обмежує можливість автономної роботи та ускладнює застосування інтелектуальних алгоритмів аналізу у реальному часі.

Об’єктом дослідження є процес дистанційного навчання та моніторингу навчальної успішності студентів, а предметом – методи та програмні засоби побудови адаптивних інформаційних систем із аналітичним ядром оцінювання знань. Метою роботи є підвищення ефективності навчального процесу шляхом розробки програмного забезпечення, яке забезпечує аналіз показників успішності та формування індивідуальних рекомендацій.

Запропонована система реалізує підхід автономного адаптивного навчання на основі десктопної архітектури, що відрізняє її від існуючих рішень інтеграцією локальної аналітики та механізму обчислення коефіцієнта знань Ki без використання зовнішніх серверів. На рисунку 1 наведено діаграму класів системи, яка відображає структурну модель взаємодії між користувачем, курсами, модулями та тестовими сесіями. Центральною сутністю є клас Enrollment, що забезпечує зв’язок між користувачем і курсом та зберігає показники прогресу і знань, що дозволяє реалізувати адаптивну модель навчання. Аналітичний компонент AnalyticsEngine виконує оброблення результатів тестування та формування звітів на основі накопичених даних.

Рис. 1 – Діаграма класів адаптивної системи дистанційного навчання з аналітикою успішності студентів

Архітектурна реалізація системи представлена на рисунку 2 у вигляді діаграми компонентів, де LMSClient реалізує графічний інтерфейс користувача на основі Java Swing, а взаємодія з іншими підсистемами здійснюється через чітко визначені програмні інтерфейси.

Рис. 2 – Діаграма компонентів програмного забезпечення адаптивної системи дистанційного навчання

Компонент AuthComponent забезпечує автентифікацію з підтримкою MFA/SSO, CourseComponent відповідає за управління навчальним контентом, а AnalyticsComponent реалізує алгоритми аналізу навчальних даних. Зберігання інформації виконується у локальній базі SQLite, що забезпечує автономність системи та можливість роботи без постійного мережевого підключення.

Методично система базується на поєднанні об’єктно-орієнтованого підходу, UML-моделювання та алгоритмів аналітики навчальних даних. Основним елементом інтелектуальної обробки є розрахунок коефіцієнта знань Ki, який визначається на основі результатів тестування, активності користувача та динаміки прогресу. Такий підхід дозволяє не лише оцінювати рівень знань, але й прогнозувати подальшу успішність та формувати рекомендації щодо коригування навчальної траєкторії.

У результаті експериментального тестування встановлено, що система забезпечує стабільний час відгуку інтерфейсу до 0,2 с, коректне оброблення до 10⁴ записів у локальній базі даних та підвищення прозорості контролю навчальної діяльності. Використання аналітичного модуля дозволило покращити інтерпретацію результатів навчання та забезпечити індивідуалізацію освітнього процесу.

Отримані результати підтверджують ефективність запропонованого підходу до побудови автономної адаптивної системи дистанційного навчання. Практична значущість роботи полягає у можливості використання системи як інструменту підтримки навчального процесу у закладах вищої освіти без залежності від хмарної інфраструктури.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. Barchenko N., Tolbatov V., Lavryk T. Adaptive learning models in e-learning systems // IEEE Access, 2022.
2. Sinitsyn E., Larionova V. Personalized learning analytics in higher education // Education and Information Technologies, 2021.
3. Siemens G. Learning Analytics: The Emergence of a Discipline // American Behavioral Scientist, 2013.
4. Ferguson R. Learning analytics: drivers, developments and challenges // International Journal of Technology Enhanced Learning, 2012.