В ході дослідження було опрацьовано більше 100 джерел: серед них книги, підручники, наукові статті, тематичні та проєктні сайти, обговорення, стандарти, патенти. Розглянуто вихідні коди проєктів з відкритим кодом (open source) дотичних до досліджуваної предметної області на таких мовах програмування як Java, C/C++, R, Python, Julia, Go, Prolog, Common Lisp. Шляхом розробки прототипів, підготовки та аналізу даних, реалізації тестових та навчальних завдань виконано апробацію моделей, пакетів, фреймворків та бібліотек, порівняння їх властивостей та меж застосування. З результатами та артефактами випробування досліджуваних засобів та методів можна ознайомитися у відкритому репозиторії магістерської роботи [20].
В результаті дослідження визначено шляхи інтелектуалізації існуючих систем EL через застосування онтологічних KB та AOD. Інтеграція EL з такими підсистемами як ITS та CBE.
ITS підтримує детальну модель навичок та історії навчання студента, яка представлена онтологією або графом знань. Ця модель допомагає системі відслідковувати поточний рівень знань і траєкторію навчання. ITS також включає онтології або графи знань, специфічні для дисципліни, яка викладається. Такі представлення охоплюють структуру предметної області та зв’язки між поняттями, дозволяючи системі надавати контекстуально релевантні рекомендації. ITS може адаптувати зміст і навчальні стратегії відповідно до індивідуальних потреб і прогресу студента. Вона може регулювати складність питань, надавати додаткові пояснення та за потреби пропонувати додаткові матеріали. ITS забезпечує миттєвий і конструктивний зворотний зв’язок зі студентами. Зворотній зв’язок може включати пояснення правильних і неправильних відповідей, підказки щодо вирішення проблеми та пропозиції щодо покращення. Вона надає можливість самооцінювання, успіхи студентів відстежуються для визначення сфер, які потребують покращення.
CBE надає карти компетентностей або графи знань, які забезпечують представлення зв’язків і залежностей між компетентностями. Вона підтримує індивідуальні навчальні маршрути для кожного студента на основі його поточних компетентностей і бажаних результатів навчання. Це включає в себе рекомендації щодо послідовності компетентностей, які необхідно опанувати, і навчальних ресурсів необхідних для використання. CBE може автоматизувати оцінювання компетентностей, як початкове, так і підсумкове, щоб визначити рівень володіння студентом конкретними компетентностями. Ці оцінки можуть адаптуватися до продемонстрованих студентом знань та навичок. CBE аналізує дані про компетентності, щоб визначити тенденції продуктивності навчання. Така інформація може допомогти викладачам і адміністраторам приймати рішення щодо коригування навчальних програми та підтримки підтримки студентів. CBE може вести систему цифрових відзнак або рейтингів на основі досягнутих студентами компетентностей, що може сприяти мотивації в навчанні.
Підходи AOD використовують IA для створення більш персоналізованого, інтерактивного та адаптивного освітнього середовища. IA слугують персональним гідом студента, контролюють індивідуальні сильні та слабкі сторони та вподобання у навчанні. На основі цієї інформації IA можуть рекомендувати персоналізовані навчальні шляхи, ресурси та заходи, адаптовані до потреб кожного учня та темпу навчання. Вони підтримують спільне навчання, сприяючи груповим обговоренням, взаємному оцінюванню та спільним проектам. IA можуть допомогти координувати діяльність групи та надати допомогу, коли це необхідно. Вони автоматизують оцінювання завдань, тестів та іспитів, надаючи миттєвий зворотний зв’язок студентам. IA також можуть виявити поширені помилкові уявлення та запропонувати дії для їх виправлення. Адміністративні IA допомагають викладачам в управлінні курсами, складанні розкладу та моніторингу прогресу студентів. Це дає викладачам можливості зосереджуватися більше на навчанні, а не на адміністративних завданнях. IA можуть створювати віртуальні лабораторні середовища та симуляції, що дозволяє студентам проводити експерименти чи симуляції безпечно та віддалено, інтегрувати навчальні ігри, щоб надавати вказівки, завдання та оцінки в ігровому середовищі.
Пропонується реалізація інтелектуальних підсистем навчання через проєктування MAS, яка б складалася з таких компонентів як інтерфейси викладача та студента, внутрішня шина обміну повідомленнями, гід студента, асистент викладача, профіль студента, супервізор, агент запитів до KB, агент навчальних ресурсів, адміністратор. При потребі до інтелектуальних підсистем можуть бути розроблені та додані нові типи IA з необхідними функціями та поведінкою при умові виконання вимог відповідних протоколів та інтерфейсів.
Практичне розгортання системи планується з використанням контейнерних технологій та інструментів. Система обміну повідомленнями [16], сховища KB [18], web-сервери, сервіси web-api, модулі агентів виконуються під управлінням системи управління контейнерами, таких як Docker. Така архітектура надає можливості розміщення системи в різноманітних середовищах, в тому числі хмарних, гнучкого масштабування, балансування навантажень, оптимізації використовуваних обчислювальних ресурсів. При розробці модулів агентів буде можливо використовувати широке коло мов програмування, пакетів, бібліотек, фреймворків забезпечуючи їхню взаємодію через уніфіковані протоколи та інтерфейси і систему обміну повідомленнями.
Підсумовуючи результати можна стверджувати, що досліджені та запропоновані підходи до застосування KBIA в галузі EL мають важливе інноваційне значення та актуальну практичну цінність і можуть бути використані для створення реального програмного проєкту та продукту, який стане розвитком існуючих систем EL в бік більшої інтерактивності, адаптивності та інтелектуальності.