| dc.contributor.author | Недашківський, Є. | uk |
| dc.contributor.author | Колесницький, О. К. | uk |
| dc.contributor.author | Nedashkivskyi, Y. A. | en |
| dc.contributor.author | Kolesnytskyi, O. K. | en |
| dc.date.accessioned | 2026-09-03T10:58:00Z | |
| dc.date.available | 2026-09-03T10:58:00Z | |
| dc.date.issued | 2026 | |
| dc.identifier.citation | Недашківський Є., Колесницький О. К. Використання штучного інтелекту в персоналізованому навчанні: стан досліджень та перспективи впровадження // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/30139. | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua/handle/123456789/53955 | |
| dc.description.abstract | навчанні. Проаналізовано основні напрями застосування ШІ та великих мовних моделей (ВММ) у побудові індивідуальних навчальних траєкторій, інтелектуальних навчальних системах, адаптивному зворотному зв’язку, навчальній аналітиці та рекомендаційних механізмах. Запропоновано узагальнену п’ятирівневу архітектуру ШІ-керованої системи персоналізованого навчання та визначено ключові педагогічні, етичні й організаційні умови її впровадження. Зроблено висновок, що ефективне використання ШІ в освіті потребує не заміни викладача, а переосмислення його ролі як дизайнера, модератора і валідатора індивідуалізованого навчального процесу. | uk |
| dc.description.abstract | main directions of applying AI and large language models (LLMs) are analyzed in the context of building individual learning trajectories, intelligent tutoring systems, adaptive feedback, learning analytics, and recommendation mechanisms. A generalized five-level architecture of an AI-driven personalized learning system is proposed, and the key pedagogical, ethical, and organizational conditions for its implementation are defined. It is concluded that the effective use of AI in education requires not the replacement of the teacher, but a reconception of the teacher’s role as a designer, moderator, and validator of the individualized learning process. | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/30139 | |
| dc.subject | штучний інтелект | uk |
| dc.subject | персоналізоване навчання | uk |
| dc.subject | індивідуальна навчальна траєкторія | uk |
| dc.subject | великімовні моделі | uk |
| dc.subject | інтелектуальні навчальні системи | uk |
| dc.subject | навчальна аналітика | uk |
| dc.subject | artificial intelligence | en |
| dc.subject | personalized learning | en |
| dc.subject | individual learning trajectory | en |
| dc.subject | large language models | en |
| dc.subject | intelligent tutoring systems | en |
| dc.subject | learning analytics | en |
| dc.title | Використання штучного інтелекту в персоналізованому навчанні: стан досліджень та перспективи впровадження | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.8:378.147 | |
| dc.relation.references | або розкласти складне завдання на простіші кроки. Типова архітектура ШІ-керованої системи персоналізованого навчання Узагальнюючи сучасні дослідження, можна запропонувати типову архітектуру системи персоналізованого навчання з використанням ШІ, що складається з п’яти рівнів (рис. 1). Рис. 1. Типова архітектура ШІ-керованої системи персоналізованого навчання Перший рівень – дані: результати тестів, історія виконання завдань, активність у системі управління навчанням (LMS), час роботи з матеріалом, типові помилки, обрані навчальні цілі та – за наявності правових підстав – контекстні характеристики навчання. Другий рівень – модель студента, яка відображає поточний рівень знань, прогалини, динаміку прогресу, навчальні переваги та ймовірні ризики й оновлюється в процесі навчання. Третій рівень – модель навчального контенту, що описує теми й поняття, зв’язки та залежності між ними, рівні складності й типи завдань. Четвертий рівень – ШІ-модулі: рекомендаційна система, модуль планування траєкторії, генерації пояснень, оцінювання відповідей, інтелектуальний наставник і модуль навчальної аналітики. П’ятий рівень – інтерфейс взаємодії, що має бути зрозумілим і для студента, і для викладача. На рівні ШІ-модулів можуть застосовуватися як класичні моделі машинного навчання, так і сучасні нейромережеві архітектури, зокрема трансформерні моделі, рекурентні мережі, згорткові мережі та спайкінгові нейронні мережі, залежно від типу даних і характеру задачі [6, 7, 8]. Принциповою є двоспрямованість архітектури: дані живлять моделі та ШІ-модулі, а результати взаємодії повертаються назад і оновлюють модель студента, забезпечуючи адаптацію. Студент має бачити не лише наступне завдання, а й пояснення, чому саме воно рекомендоване, а викладач – отримувати аналітику, яка допомагає приймати педагогічні рішення, а не замінює їх автоматичними висновками. Роль викладача в умовах персоналізації на основі ШІ Використання ШІ в персоналізованому навчанні не означає усунення викладача з освітнього процесу. Навпаки, роль викладача стає більш складною. Він перетворюється з основного джерела інформації на проєктувальника навчального середовища, модератора взаємодії, експерта з валідації рекомендацій ШІ і наставника, який допомагає студенту розуміти власну траєкторію навчання. Особливо важливим є формування грамотності щодо ШІ (AI literacy) як у студентів, так і у викладачів. Рекомендації UNESCO щодо ШІ-грамотності підкреслюють необхідність розвитку компетентностей, пов’язаних із розумінням принципів роботи ШІ, етичним використанням, критичним оцінюванням результатів і відповідальним проєктуванням рішень на основі ШІ [11, 12]. Це означає, що персоналізоване навчання з використанням ШІ потребує не лише технічної інфраструктури, а й методичної, етичної та організаційної підготовки. Ризики та обмеження Попри значний потенціал, використання ШІ в персоналізованому навчанні супроводжується низкою ризиків. До них належать помилкові або галюциновані відповіді, надмірна залежність студентів від ШІ-підказок, зниження самостійності мислення, алгоритмічні упередження, непрозорість рішень, проблеми захисту персональних даних і нерівний доступ до якісних цифрових інструментів [1, 2, 3]. Окрему увагу потрібно приділяти правовому регулюванню. У Європейському Союзі AI Act запроваджує ризик-орієнтований підхід до використання систем штучного інтелекту, а також підкреслює необхідність забезпечення достатнього рівня грамотності щодо ШІ для осіб, які працюють із такими системами [13]. Для освітніх закладів це означає, що впровадження персоналізації на основі ШІ має супроводжуватися документованими правилами використання, прозорістю для студентів, людським наглядом і процедурами реагування на помилки. Важливо також розрізняти персоналізацію і фрагментацію навчання. Якщо кожен студент отримує повністю окремий шлях без спільного освітнього контексту, може знижуватися роль групової взаємодії, дискусії та спільного опрацювання матеріалу. Тому персоналізоване навчання доцільно поєднувати з колективними формами роботи, проєктною діяльністю і педагогічно організованою рефлексією. Перспективи подальших досліджень Подальші дослідження доцільно спрямувати на створення прототипів ШІ-керованих персоналізованих навчальних систем, які поєднують великі мовні моделі з формальними моделями знань, навчальною аналітикою і механізмами педагогічної перевірки. Особливо перспективним є дослідження таких систем у вищій освіті, де студенти мають різний рівень підготовки, а дисципліни часто потребують індивідуального темпу опрацювання. Оцінювання ефективності таких систем має включати не лише академічні результати, а й мотивацію, когнітивне навантаження, якість зворотного зв’язку, рівень самостійності студента, довіру до системи та прийнятність для викладачів. Важливим напрямом є також дослідження пояснюваності рекомендацій: студент і викладач повинні розуміти, чому система пропонує саме таку траєкторію або саме таке завдання. Висновки Штучний інтелект створює передумови для переходу від уніфікованого навчального процесу до більш гнучкого, адаптивного і студентоцентричного навчання. Як показано вище, найбільшу цінність має не окремий інструмент, а цілісна архітектура, у якій великі мовні моделі діють під педагогічним контролем і спираються на модель студента та навчальну аналітику. Водночас ефективність таких систем не є автоматичною. Вона залежить від якості даних, коректності педагогічного дизайну, прозорості рішень, готовності викладачів, цифрової компетентності студентів і дотримання етичних норм. Тому ШІ в персоналізованому навчанні варто розглядати не як заміну викладача, а як інструмент посилення освітнього процесу, який за умови відповідального використання може підвищити доступність, гнучкість і результативність навчання. СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ | uk |
| dc.relation.references | Fortuna A., Prasetya F., Samala A. D., Rawas S., Criollo-C S., Kaya D., Raihan M., Andriani W., Safitri D., Nabawi R. A. Artificial intelligence in personalized learning: A global systematic review of current advancements and shaping future opportunities. Social Sciences & Humanities Open. 2025. Vol. 12. Article 102114. DOI: 10.1016/j.ssaho.2025.102114. | en |
| dc.relation.references | Shi Y., Yu K., Dong Y., Chen F. Large language models in education: a systematic review of empirical applications, benefits, and challenges. Computers and Education: Artificial Intelligence. 2025. Vol. 10. Article 100529. DOI: 10.1016/j.caeai.2025.100529. | en |
| dc.relation.references | Sharma S., Mittal P., Kumar M., Bhardwaj V. The role of large language models in personalized learning: a systematic review of educational impact. Discover Sustainability. 2025. Vol. 6. Article 243. DOI: 10.1007/s43621-025-01094-z. | en |
| dc.relation.references | Ng C., Fung Y. Educational Personalized Learning Path Planning with Large Language Models. arXiv:2407.11773. 2024. | en |
| dc.relation.references | Liu Z., Agrawal P., Singhal S., Madaan V., Kumar M., Verma P. K. LPITutor: an LLM based personalized intelligent tutoring system using RAG and prompt engineering. PeerJ Computer Science. 2025. Vol. 11. Article e2991. DOI: 10.7717/peerj-cs.2991. | en |