Процесс цифровизации сопряжён с увеличением количества цифрового контента и цифровых «следов» активности пользователей. В условиях избыточности цифровых информационных и образовательных ресурсов возрастает риск «перегрузки выбора», фрагментации образовательной траектории и снижения вовлеченности обучающихся в образовательный процесс. Это создаёт необходимость создания и внедрения автоматизированной поддержки пользователей для обеспечения персонализированной траектории обучения с учетом индивидуальных особенностей обучающихся. Для решения данной проблемы можно рассматривать рекомендательные системы.
В литературе под рекомендательными системами принято понимать как «интеллектуальные системы, предсказывающие и предлагающие подходящие предметы пользователям на основе характеристик и прошлых взаимодействий» [1]. В контексте образовательной деятельности авторы Токтарова В.И., Казанцева О.Г. определяют рекомендательные системы как «интеллектуальные компьютерные программы и алгоритмы, которые определяют и предлагают пользователям (студентам, преподавателям, администраторам и т. д.) различные ресурсы, учебные материалы, курсы и другие виды рекомендательной информации, наиболее подходящие под их индивидуальные потребности и цели» [8].

Анализ исследований Глазуновой И.Н., Захаровой И. Г., Токтаровой В.И., и других [3, 4, 8] в области внедрения рекомендательных систем показывает, что образовательные рекомендательные системы предполагают выполнение следующих функций:
-       подбор учебных курсов на основе анализа данных об обучающемся;
-       рекомендации по управлению образовательной деятельностью пользователя: составление расписания занятий, времени выполнения заданий и т.п.;
-       прогноз учебной успешности и варианты мер по снижению рисков в связи с академической неуспеваемостью обучающихся;
-       поддержка индивидуальных образовательных траекторий с учетом требований рынка труда и образовательных стандартов; рекомендации по внеучебным активностям и развитию.

В качестве примеров практического внедрения рекомендательных систем в образовательный процесс рассмотрим проекты, демонстрирующие разные аспекты использования их возможностей:
1. Томский государственный университет. Внедрение рекомендательной системы происходило поэтапно: сначала студенту предлагались материалы и возможности, связанные с его профилем подготовки, являющееся основным ориентиром для определения персональных интересов. Затем система стала учитывать дополнительные сигналы – например, данные об интересах пользователя в социальной сети, а также возможность уточнения рекомендаций самим студентом. Разработанная рекомендательная система была встроена непосредственно в личный кабинет LMS (lms.tsu.ru) в виде видимого блока рекомендаций. Это означает, что студент получает предложения от системы в привычной для него среде, что повышает вероятность того, что он обратит на них внимание и воспользуется ими [2].
2. Ульяновский государственный университет реализовал рекомендательную систему в формате компонента мобильного приложения navigatorULSU. Это приложение ориентировано на поддержку внеучебной деятельности студентов: в нём реализованы подсказки, в каких мероприятиях можно участвовать, как развивать личную активность и вовлечённость в университетскую жизнь, и другие направления воспитательной деятельности вуза. Дополнительно используются элементы геймификации — поощрения и методы вовлечения участников, которые делают взаимодействие с сервисом более мотивирующим для студентов [6].
3. Московский городской педагогический университет показывает ещё один сценарий применения рекомендаций – их использование в сфере педагогической практики и методической работы [7]. На материалах Московской электронной школы были разработаны инструменты, которые позволяли анализировать, как пользователи работают со сценариями уроков и другими цифровыми ресурсами. Для этого применялись методы кластеризации пользователей с учетом индивидуальных особенностей использования учебно-методических материалов. На этой основе формировались рекомендации по выбору сценариев для дальнейшего использования. В этом примере рекомендательная система используется не как инструмент сопровождения студента в рамках его образовательного маршрута, а как средство методической поддержки: она может помогать ориентироваться в большом массиве цифровых разработок и подбирать наиболее подходящие материалы для подготовки будущих учителей к профессиональной деятельности.
Несмотря на то, что разработка и внедрение рекомендательных систем в образовательный процесс вызывает интерес исследователей и является актуальным объектом для изучения, анализ источников и примеров показывает, что для развития этого направления необходима единая универсальная система оценивания результатов внедрения рекомендательной системы. Это необходимо ввиду того, что в образовательной среде практически невозможно полностью отделить успех студента от «успеха» рекомендательной модели. Если в коммерческих системах эффективность рекомендации сопоставима со временем удержания пользователя на ресурсе или количеством совершенных действиях (клик, покупка, переход на страницу и т.п.), то в образовании результат зависит множества факторов: не только от качества рекомендации, но и от мотивации студента, уровня его подготовки, методических подходов преподавателя и структуры учебного курса и т.п. Поэтому улучшение результатов обучения после внедрения рекомендательной системы ещё не означает, что именно интеллектуальная модель стала ключевой причиной этого улучшения.

Анализ примеров разных рекомендательных систем и подходов к их использованию показал, что для оценки результатов их внедрения в образовательный процесс можно выделить несколько уровней:
– технический уровень, отражающий работоспособность разработанной рекомендательной модели, т.е. релевантность результатов для каждого отдельного пользователя; точность, полнота, объяснимость, устойчивость рекомендаций;
– поведенческий уровень, отражающий, воспользовался ли студент рекомендацией, изменил ли образовательное поведение, стал ли чаще обращаться к материалам, активнее взаимодействовать с цифровой средой.
– образовательный, включающий в себя оценку успеваемости, удержание и продвижение обучающегося по образовательной траектории, развитие компетенций в рамках изучаемой образовательной программы.

На основе проведенного анализа были сформулированы принципы, которые могут использованы для построения универсальной рекомендательной модели, ориентированной на поддержку образовательного процесса:
– принцип инверсии ответственности: основным объектом оценивания становится не только обучающийся, но и сама рекомендательная система. Любой результат, достигнутый при подтверждённом участии студента, рассматривается не только как характеристика его знаний и действий, но и как показатель качества работы алгоритмов рекомендательной системы. Таким образом, объектом оценивания становится не только успешность студента, но и способность системы обеспечивать образовательные результаты в различных учебных ситуациях.
– принцип объяснимости означает, что рекомендации должны быть понятны всем участникам образовательного процесса. Система должна не только выдавать решение, но и позволять увидеть, на каких данных, признаках или учебных действиях оно основано. Объяснимость необходима для формирования доверия к системе, для педагогической интерпретации её выводов и для возможности коррекции рекомендаций в случае их низкой релевантности.
– принцип педагогической встраиваемости заключается в том, что рекомендательная система должна рассматриваться не как автономный технический модуль, а как часть образовательной практики. Рекомендация становится значимой только тогда, когда она может быть использована в реальной педагогической ситуации: при выборе задания, изменении образовательного маршрута, организации поддержки или принятии решения о следующем шаге обучения. Следовательно, система должна работать не только с цифровыми данными, но и с теми учебными материалами, форматами заданий и способами взаимодействия, которые характерны для традиционного и смешанного обучения.

Проведённый анализ показал, что рекомендательные системы в высшем образовании уже становятся инструментом навигации по цифровому пространству, сопровождения индивидуальных образовательных траекторий и выявления рисков снижения учебной успешности. Вместе с тем, практика их внедрения остаётся неоднородной: многие решения описаны на уровне проектных публикаций без достаточного раскрытия алгоритмов, метрик и методик оценки образовательного эффекта, что затрудняет сопоставление результатов разных образовательных организаций и усложняет процесс создания универсальной рекомендательной системы, ориентированной на усовершенствование образовательного процесса.

Литература:
1.      Lampropoulos G. (2023). Recommender systems in education: A literature review and biblio-metric analysis // Advances in Mobile Learning Educational Research, 2023. – 3(2). – pp. 829-850.
2.      Артем Фещенко (цитируется как представитель разработчиков). ТГУ стал первым вузом России, «подружившим» Moodle и соцсети. Новость Томский государственный университет от 22.11.2021. (URL: news.tsu.ru/news/tgu-stal-pervym-vuzom-rossii-podruzhivshim-moodle-/)
3.      Глазунова И. Н., Кузьмин Н. Н., Терещенкова В. В., Чистякова Н. А. Искусственный интеллект в информационно-методическом сопровождении студентов // Управление образованием: теория и практика / Education Management Review, 2025. – Том 15. № 3-1. – DOI: 10.25726/k2192-7915-7873-l.
4.      Захарова И. Г., Воробьева М. С., Боганюк Ю. В. Сопровождение индивидуальных образовательных траекторий на основе концепции объяснимого искусственного интеллекта // Образование и наука, 2022. – Т. 24. – № 1. – С. 163–190. – DOI: 10.17853/1994-5639-2022-1-163-190.
5.      Лядова Л. Н., Малькова К. М., Тимофеев М. В. Архитектура рекомендательной системы, настраиваемой на предметные области // В кн.: «Технологии разработки информационных систем (ТРИС-2017): Материалы VIII Международной научно-технической конференции». Ростов-на-Дону: Южный федеральный университет, 2017. – С. 98–108.
6.      Отчет о результатах самообследования за 2023 год. Ульяновский государственный университет. Указаны запуск цифрового рекомендательного сервиса (navigatorULSU), показатели числа пользователей и вовлеченности (на 31.12.2023). (URL:https://www.ulsu.ru/media/sveden/document/отчет_2023_VRd4AtN.pdf)
7.      Проекты. НИР «Построение рекомендательной системы на основе библиотеки объектов МЭШ с применением методов машинного обучения» (2019–2020) и связанные результаты. Официальный сайт Московский городской педагогический университет (URL: https://www.mgpu.ru/obrazovanie/institutes/ide/npd/projects/)
8.      Токтарова В. И., Казанцева О. Г. Интеграция рекомендательных систем на основе искусственного интеллекта в образовательный процесс вуза // Известия РГПУ им. А. И. Герцена, 2024. – № 212. – С. 102–114. – DOI: 10.33910/1992-6464-2024-212-102-114.