Анализ рекомендательных подходов

Принцип работы MOOC List и Eclass очень похожи: они выступают в роли справочников, каталогов, агрегаторов курсов. По сути они не строят рекомендации, не отслеживают предпочтения студента. Их основная задача — собрать в одном месте как можно больше информации с разных платформ, тем самым обеспечить пользователям возможность удобного поиска курса не на платформе конкретного провайдера (которых на сегодняшний день уже насчитывают сотни), а в одном общем месте.

Каждому студенту предоставляются одинаковые рекомендации, основанные на глобальном рейтинге и системе оценок всех курсов. Безусловно, чем больше пользователей платформы поставит оценку, тем точнее платформа будет отображать действительную картину. В то же время, предпочтения студентов могут очень сильно разниться: если одному обучаемому курс понравился, заинтересовал его и был полезен, то у другого могут быть абсолютно противоположные впечатления. Таким образом, подход, основанный на рейтинговых системах, широко распространён, но далеко не в полной мере отображает реальную картину.

Платформа CourseTalk использует подход коллаборативной фильтрации: рекомендации строятся как на основании оценок самого пользователя, так и других студентов. Безусловно, такой подход более действенен: чем больше активности проявляет студент в рамках платформы (записывается на курсы, составляет своё расписание, оставляет отзывы, оценивает пройденный материал и пишет review), тем более качественно CourseTalk предлагает рекомендации, которые теоретически могут понравится и заинтересовать студента.

Платформа собирает данные обо всех действиях пользователя, тем самым анализируя, какие предметные области его интересуют. Далее рекомендации строятся по принципу, что если одному студенту понравился некоторый набор курсов S и курс C, а другому тоже понравился этот же набор курсов S, то есть высокая вероятность, что второму студенту также понравится курс C. При чём, чем больше мощность множества S и чем меньше различаются оценки пользователей, тем больше вероятность, что курс C будет полезен второму студенту.

Безусловно, каждая система использует свои рекомендательные алгоритмы и выполняет конкретные задачи. Но все они обладают одним большим недостатком — существующие рекомендательные подходы либо слабо учитывают предпочтения студента в обучении, либо совсем их не учитывают, строя рекомендации, основываясь на глобальном рейтинге онлайн-платформ и курсов.

На данный момент CourseTalk ближе всех подошёл к решению проблемы персонализации контента. Создателям удалось, хоть и совсем немного, но допиться именно персонализированных рекомендаций, основанных на предпочтениях студента, а не простому агрегированию онлайн-курсов с возможностью гибкой навигации по ним.

Всё же, CourseTalk не в полной мере решает проблему. Платформа лишь косвенно собирает информацию о студентах, а новым пользователям предлагаются рекомендации, просто основанные на рейтинге курсов. Действующий алгоритм коллаборативной фильтрации хорошо выполняет свои задачи, но степень персонализации может быть увеличена с помощью построения когнитивного профиля студента.