В условиях цифровой трансформации образования MOOC-платформы сталкиваются с необходимостью оптимизации операционных процессов при сохранении качества обучения. Традиционные подходы к управлению ресурсами часто не учитывают сложные временные паттерны поведения пользователей и индивидуальные особенности обучения. В работе предлагается решение на основе интерпретируемого обучения с подкреплением (RL), интегрированного с методом Shapley Value для анализа вклада факторов. Исследование демонстрирует, как данные о времени активности, идентификаторах пользователей, целях обучения и других параметрах могут быть использованы для обучения RL-агента, способного оптимизировать распределение ресурсов платформы. Разработанный подход позволяет: количественно оценивать вклад каждого фактора в операционную эффективность; выявлять скрытые временные закономерности активности пользователей; персонализировать управление нагрузкой в пиковые периоды. Статья содержит математическое обоснование метода, практическую реализацию в MATLAB, а также результаты апробации, показавшие снижение операционных затрат при одновременном повышении удовлетворенности пользователей. Особое внимание уделяется интерпретируемости решений RL-агента, что критически важно для образовательной сферы. Работа предоставляет готовую методологию для внедрения интеллектуальных систем управления в цифровом образовании, сочетая теоретические разработки с практическими рекомендациями по реализации. Результаты исследования открывают новые возможности для повышения эффективности MOOC-платформ в условиях растущей конкуренции на рынке образовательных технологий.
1. Бойко Т.А. Качественный и количественный анализ MOOC-платформ. Инновации и инвестиции. 2019;(11):175–180.
2. Reich J., Ruipérez-Valiente J.A. The MOOC Pivot. Science. 2019;363(6423):130–131.
3. Caicedo J.C., Lazebnik S. Active Object Localization with Deep Reinforcement Learning. In: 2015 IEEE International Conference on Computer Vision (ICCV), 07–13 December 2015, Santiago, Chile. IEEE; 2015. P. 2488–2496. https://doi.org/10.1109/ICCV.2015.286
4. Rozemberczki B., Watson L., Bayer P., et al. The Shapley Value in Machine Learning. arXiv. URL: https://arxiv.org/abs/2202.05594v2 [Accessed 10th March 2025].
5. Саттон Р.С., Барто Э.Дж. Обучение с подкреплением: введение. Москва: ДМК Пресс; 2020. 552 c.
6. Li X., Xu H., Zhang J., Chang H.-H. Deep Reinforcement Learning for Adaptive Learning Systems. arXiv. URL: https://arxiv.org/abs/2004.08410v1 [Accessed 10th March 2025].
7. Ashwini, Reddy K.V. Predicting the User Behavior Analysis using Machine Learning Algorithms. International Research Journal of Engineering and Technology (IRJET). 2020;7(7):1740–1746.
8. Schwartz H.M. Multi-Agent Machine Learning: A Reinforcement Approach. John Wiley & Sons, Inc.; 2014. 256 p.
9. Ивашкин Ю.А. Мультиагентное моделирование в имитационной системе Simplex3. Москва: Лаборатория знаний; 2016. 350 с.
10. Соколова Е.С. Мультиагентный подход к моделированию межмодульных взаимодействий в стохастических сетевых распределённых системах. Системы управления и информационные технологии. 2020;(1):67–71.
11. Шевская Н.В. Объяснимый искусственный интеллект и методы интерпретации результатов. Моделирование, оптимизация и информационные технологии. 2021;9(2). https://doi.org/10.26102/2310-6018/2021.33.2.024
Прохорова Ольга Константиновна
Кандидат экономических наук
Воронежский институт высоких технологий
Воронеж, Российская Федерация
Петрова Елена Сергеевна
Воронежский государственный технический университет
Воронеж, Российская Федерация
