Kad su se sustavi preporuka tek počeli nenametljivo implementirati na različite resurse, činilo se kao lijep dodatak procesu samopretrage. Kada je izbor proizvoda ili bilo kojeg sadržaja dovoljno velik, potraga se pretvara u uzbudljivo putovanje s često nepredvidivim rezultatima. Na primjer, nikad me nisu zanimali horori, više sam volio filmove malo drugačijeg smjera, međutim, zahvaljujući nasumičnim kopanjem po sadržaju, jednog sam dana naišao na klasik Dizač pakla, čije je neobavezno gledanje na mene ostavilo snažan i neizbrisiv dojam. Sigurna sam da se svaki od čitatelja barem jednom obogatio u kulturnom ili estetskom smislu upravo zahvaljujući slučajnom traženju i radnjama nasumce. S druge strane, otkrio sam puno zanimljivih stvari uz pomoć preporuka koje mi pružaju tematski izvori. Mnogi filmovi, knjige, glazba ili proizvodi postali su mi poznati (i zanimljivi) samo zahvaljujući uspješnom radu sustava preporuka. Ono što je tipično je da se sada gotovo uvijek oslanjam na preporuke, a puno rjeđe nešto tražim sama, jer za ovo drugo jednostavno nema vremena!

Ovo stanje pogoršava činjenica da vidim u kojoj su me mjeri algoritmi za preporuke počeli shvaćati. Ako se ranije uspješni pogoci nisu događali tako često, danas me barem dobra polovica preporučenih stvari u ovoj ili onoj mjeri zanima. A kad ipak pokušavam, umjesto ravnodušnog prihvaćanja onoga što mi se nudi, sama pronaći nešto vrijedno, brzo pokleknem pod pritiskom nevjerojatnog, neviđenog obilja. I što dalje idete, jasnija je slika ne tako daleke budućnosti, kada će se okolna stvarnost neprestano prilagođavati vašoj osobnosti, neprestano se transformirajući i učeći. Nikad prije u povijesti čovječanstva udobnost nije bila tako prijeteće apsolutna. I nikad dosad rupe za nevjerojatne slučajne pronalaske nisu tako brzo i kategorički povučene iz upotrebe.

Prihvaćajući nadolazeću budućnost onakvu kakva jest, vrijedi je naučiti kritički je procijeniti, identificirati sumnjive ili čak tamne strane s istim žarom kojim nastojimo koristiti inovacije u svakodnevnom životu koje nam olakšavaju sudbinu. Pokušajmo razumjeti predmet našeg današnjeg razgovora.

Metode filtriranja koje se koriste u sustavima preporuke

Kolaborativno filtriranje

Zajedničko filtriranje naširoko se koristi, ne samo zbog relativne jednostavnosti implementacije. Princip njegovog rada je doista jednostavan, iako se može podijeliti na dva različita pristupa.

Pristup koji se temelji na podudaranju korisnika (popularno poznat kao temeljen na korisniku) uzima u obzir sličnost određenog korisnika s drugim korisnicima uključenim u sustav. Na primjer, ako je Vasily pozitivno ocijenio Lady Gagu, Oasis i Led Zeppelin, onda Anastasia, koja voli Lady Gagu i Led Zeppelin, može pokušati predložiti Oasis.

Koncept usporedbe predmeta (na temelju predmeta), naprotiv, analizira same predmete i otkriva njihovu sličnost s onima koji su se nekoć sviđali Vasiliju. U praksi to izgleda ovako: Vasiliju su se jednom svidjeli Radiohead i Blur, zašto mu ne ponudimo i Oasis?

Suradničko filtriranje omogućuje vam dobivanje vrlo točnih i relevantnih preporuka na temelju analize i usporedbe razlika među korisnicima sa sličnim ponašanjem.

Vasily i Anastasia: međusobne automatske preporuke na temelju razlika u preferencijama.

Filtriranje sadržaja

Filtriranje sadržaja gradi unutarnje veze između predloženih proizvoda ili bilo kojeg sadržaja. Ovaj jednostavan princip očituje se u preporuci objekata korisniku koji su slični onima koje je prethodno odabrao. Na primjer, ako kupite priručnik o sviranju gitare u knjižari, automatski će vam biti ponuđeni drugi popularni vodiči ili priručnici istog autora. Velika prednost sustava preporuka koji koriste princip filtriranja sadržaja je mogućnost da novog korisnika zainteresiraju za ponude doslovno od njegovih prvih potrošačkih koraka. Ne morate dugo prikupljati podatke o preferencijama osobe, možete odmah uključiti posjetitelja u rad s resursom. Također, važna prednost filtriranja sadržaja je mogućnost da korisniku preporuči one objekte koji nisu ocijenjeni i preskočeni od strane drugih korisnika. Potonja se točka često pojavljuje kada se koristi metoda suradnje.

Filtriranje sadržaja potpuno zanemaruje mišljenja korisnika o određenim objektima. Gradeći veze isključivo između samih objekata, imamo priliku trenutno, bez prikupljanja ocjena i dodatnih osobnih podataka, ponuditi osobi nešto slično poziciji koja je zanima. Isključivanjem korisničkog iskustva iz sustava preporuka kao temeljne tvari, čini se da rješavamo problem tzv. “hladni start”, kada rijetkost korisničkih podataka sprječava sustav u razvoju personaliziranih preporuka. Međutim, loša strana filtriranja sadržaja su potpuno neprikladne i ponekad potpuno smiješne preporuke poput “Jeste li kupili Toyotu RAV4? Možda bi vas zanimala i Toyota Highlander!”

Još jedna poteškoća povezana s korištenjem principa filtriranja sadržaja je impresivna količina posla uključena u izgradnju veza između svih objekata u sustavu. Ali najviše glavni nedostatak Ova metoda se izražava u vrlo niskom, a ponekad i prilično uvjetnom pogotku u metu. Filtriranje sadržaja ne podrazumijeva visok stupanj personalizacije, pa je točnost preporuka relativno niska.

Filtriranje temeljeno na znanju (Znanje– temeljen sustava)

Sustavi ove vrste naširoko se koriste u internetskim trgovinama. U biti, preporuke temeljene na znanju slične su prethodnoj metodi filtriranja sadržaja, međutim, takvi algoritmi koriste dublju analizu objekata, gradeći veze među njima ne prema banalnim kriterijima sličnosti, već na temelju međusobne povezanosti određenih skupina dobara. .

U praksi to izgleda ovako – prilikom kupnje, primjerice, pametnog telefona, stranica vam nudi dodatke prikladne za korištenje s vašim novim uređajem. To mogu biti futrole, slušalice, memorijske kartice i sve slično. Kupca možete dodatno stimulirati popustima na dodatnu opremu, što može biti vrlo korisno pri kupnji novog uređaja.

Preporuke temeljene na znanju pokazuju dobre rezultate, povećavajući promet velikih mreža platforme za trgovanje za desetke posto. Osim toga, za razliku od filtriranja sadržaja, ova vrsta preporuke ima visoka točnost, nudeći korisniku nešto što bi mu zapravo moglo biti korisno.

Ako ste zainteresirani za točne preporuke, svakako biste trebali razmisliti o implementaciji sustava temeljenog na znanju na svojoj web stranici. Kao i filtriranje sadržaja, sustav preporuka temeljen na znanju proučava i analizira odnose između objekata (proizvoda), ali uz to uzima u obzir niz dodatnih opcija vezanih uz pojedinačna svojstva pojedinog korisnika.

a) Želje korisnika. Svima poznata situacija - stranica traži od korisnika da navede željene karakteristike, nakon čega nudi proizvode koji odgovaraju zahtjevu.

Yandex.Market i njegovi potvrdni okviri uspješan su i upečatljiv primjer sustava preporuka koji je vođen zahtjevima korisnika.

b) Demografska obilježja. Zapravo, demografske podatke koriste velike društvene mreže kao što su Facebook, LinkedIn, VKontakte i druge za davanje preporuka.

Naravno, za implementaciju takvog sustava potrebno je puno raditi - morat ćete prikupiti i obraditi ogromnu količinu podataka.

Hibridna filtracija

Najmoćniji i najteži alat za implementaciju. Očigledno, budućnost leži u kombiniranju različitih mehanizama preporuke u jedan moćan algoritam. Ta apsolutna udobnost i personalizirana stvarnost o kojoj smo govorili na početku članka bit će ostvarena upravo uz pomoć hibrida naj učinkovite metode preporuke.

Takav primjer pokazuje Netflix, čiji se kompleksni hibridni sustav preporuka, koji pokazuje jedinstvenu točnost, neprestano unapređuje i modernizira. Za razvoj ovako moćnog algoritma uvelike je zaslužno velikodušno financiranje istraživanja u ovom području od strane samog Netflixa, koji je 2006. godine ponudio 1.000.000 dolara za poboljšanje svog sustava preporuka za 10%.

BellKorov Pragmatic Chaos razvojni tim koji je uspio poboljšati algoritamNetflixza 10,09 posto.

Nekoliko riječi o praktičnim koracima kao zaključak

Odabir određene vrste filtracije ili kombinacije nekoliko metoda izravno ovisi o dva čimbenika - složenosti vašeg projekta i iznosu njegovog financiranja. Na primjer, stvaranje algoritma za sustav tematskih blogova koji se međusobno presijecaju relativno je jednostavan i umjereno skup zadatak. Veći i heterogeniji projekti, poput internetskih trgovina, zahtijevaju veće troškove, pogotovo ako je cilj povećati konverziju za uistinu značajne iznose. U pravilu, u takvim projektima nije moguće ograničiti se samo na jednu vrstu algoritma preporuke i potrebno je koristiti hibridno filtriranje, zbog čega se cijena i složenost razvoja povećava za redove veličine.

Za izradu, implementaciju i uklanjanje pogrešaka hibridnog algoritma trebat će vam cijeli tim iskusnih programera koji dobro znaju što su linearna i relacijska algebra, a također imaju niz vještina koje kreatore algoritama preporuke čine praktički zasebnom profesijom.

Na ovaj ili onaj način, pri razvoju projekta koji korisniku nudi mogućnost odabira određenih objekata iz općeg skupa, potrebno je uzeti u obzir brz napredak upotrebljivosti u apsolutno svim sferama ljudskog života - od optimizacije spavanja uz pomoć uređaja koji analiziraju sve procese koji se odvijaju u snu i izdaju preporuke za njegovo poboljšanje, do automatskog odabira svakodnevnih dobara na temelju trenutnih potreba korisnika. Kao što znate, neophodan uvjet za uspjeh bilo kojeg pothvata je njegova točna usklađenost s duhom vremena.

Počnimo s definiranjem što su sustavi preporuka. To su programi i servisi koji pokušavaju odrediti što korisnici žele vidjeti i pružiti im to (ili preporučiti, otuda i naziv). Svatko od nas vjerojatno se susreo sa sličnim tehnikama na raznim stranicama. Danas ćemo opisati vrste i principe rada takvih programa, a također ćemo dati primjere ovih algoritama na djelu. Pročitajte do kraja, bit će zanimljivo!

Gore smo opisali što su sustavi preporuka, sada ćemo vam detaljnije reći o njihovoj važnosti. Ovi programi su poboljšali način na koji stranica i posjetitelj komuniciraju jer umjesto pružanja statičnih informacija, korisnik dobiva interaktivno iskustvo.

Preporuke se generiraju zasebno za svaku osobu, na temelju njegovih prethodnih radnji na određenom web resursu ili na temelju prošlih aktivnosti. Osim toga, važno je i ponašanje prethodnih sudionika u procesu.

Za online trgovine to je u principu važna funkcija, a za velike kataloge poput Amazona jedan je od rijetkih načina učinkovitog rada. Metoda preporuke u ovom slučaju nije uobičajena dodatna opcija, ona omogućuje jednostavnost korisničke navigacije kroz web resurs. Ako elektronički katalog sadrži više od 20.000 naziva proizvoda, orijentacija se već čini pretjerano teškom, što reći ako se radi o milijunima proizvoda?

Koliko je potencijalnom kupcu naporno komunicirati s takvim mjestom? Odgovor je očit. Dolazi i widget za traženje proizvoda koji su vizualno slični onome što tražite, ili pripadaju istoj skupini proizvoda, ili komplementarnih proizvoda (kada vam se ponudi da odaberete torbicu uz par cipela, na primjer) u pomoć. Ovo rješenje ne samo da povećava broj pregleda, već pozitivno utječe na konverziju.

Kao što praksa pokazuje, ne samo internetske trgovine koriste ovu tehniku. Društveni mediji također ne zaostaju. Ispod je primjer iz VKontakte.

Također, slične tehnike lako se mogu vidjeti na raznim društvenim platformama, portalima posvećenim književnosti, putovanjima, izvorima vijesti, online trgovinama, jednom riječju - gotovo posvuda. Ova tehnika je stvarno vrlo popularna. Web resurs Kinopoisk još je jedan pristupačan primjer.

Tehnike

Dakle, prvi tip je eksplicitno prikupljanje podataka. Kao što možete pogoditi iz naziva, korisnik sam osigurava materijale potrebne za rad. Na primjer, kada sustavi preporuka Yandexa ili drugih tražilica traže od osobe da ocijeni različite elemente, napravi popis favorita u određenom području ili odgovori na nekoliko pitanja. Ako osoba sama odbije dati informacije, sljedeća tehnika će biti relevantna.

Drugi tip je implicitno prikupljanje podataka. Relativno govoreći, riječ je o špijunskoj misiji, prema kojoj se radnje sudionika u procesu snimaju programom za daljnju obradu i primjenu. Što vam je potrebno za ovo? Program prepoznaje kupnje, ocjene na stranicama, prikuplja informacije o pregledima i komentarima. Naravno, izbor takve tehnike podrazumijeva neke etički problemi, jer je zaštita osobnih podataka jedan od glavnih zahtjeva koje korisnik postavlja pred tražilice. No, za sada ostaje činjenica da je neka vrsta nadzora moguća, a obični posjetitelji web stranice ne mogu provjeriti događaju li se doista takvi događaji.

Prva osnovna tehnika naziva se kolaborativno filtriranje. Preporuke pomoću ove tehnike izrađuju se na temelju karakteristika ponašanja jedne osobe ili grupe ljudi, potonji je još učinkovitiji. Grupe okupljaju ljude slične po ponašanju i osobinama.

Navedimo primjer za lakše razumijevanje informacija. U izradi je web stranica na kojoj će se glazbena djela preporučivati ​​publici. Kako će usluge preporuke temeljene na metodologiji suradnje funkcionirati u ovom slučaju? Prema ovom principu: kao osnova će se uzeti jedna zajednica, gdje sudionici dodaju pjesme istog žanra na popis za reprodukciju. Zatim se određuje najpopularnije od svih glazbenih djela i preporučuje jednom korisniku iz grupe koji još nije slušao tu melodiju.

Drugi pristup naziva se filtriranje temeljeno na sadržaju. Ovdje se preporuka formira na temelju ljudskog ponašanja. Ovaj pristup također može uzeti povijest pregledavanja određenog sudionika kao osnovu.

Ovaj put dat ćemo primjer s tematskim online časopisima. Dakle, u slučaju kada je osoba prethodno čitala sadržaj o brdskom biciklizmu i redovito komentirala članke na blogu s takvim sadržajem, tada će metoda filtriranja sadržaja koristiti te prošle informacije kako bi identificirala slične resurse i predložila mu ih kao preporuku za tog korisnika .

Postoje i mješoviti pristupi, prema kojima se provodi razvoj sustava preporuka.

Mješoviti pristup je kombinacija suradničkog i filtriranja sadržaja. Kao što znamo, više je bolje, pa se miješanjem ove dvije tehnike povećava učinkovitost sustava preporuka, odnosno značajno se povećava točnost predviđanja za određene osobe.

Algoritmi

Pearsonova korelacija

Ovaj algoritam vam omogućuje odabir Opće karakteristike između nekoliko korisnika. Kako? Koristeći jednostavnu matematiku, naime, određivanje linearnog odnosa između dva elementa. Važna stvar je da ova tehnika nije prikladna za zajednicu ljudi.

Grupiranje

Ovaj princip rada sustava preporuka temelji se na utvrđivanju sličnosti između elemenata (korisnika) izračunavanjem njihove međusobne blizine u tzv. prostoru značajki. Znakovi su oni elementi na kojima se konvergiraju interesi pojedinih sudionika u procesu (za glazbene izvore to su pjesme, za filmske portale - filmovi). Korisnici sličnih karakteristika spajaju se u tzv. klastere.

Algoritam suradničkog filtriranja

Hard clustering može se zamijeniti drugim algoritmom, koji radi po prilično složenoj formuli, a kao i svi prethodni, temelji se na ponašanju korisnika iz svoje skupine. Međutim, ova tehnika ima nekoliko prilično značajnih nedostataka. Prvo, novim ili netipičnim korisnicima (onima koji ne formiraju grupe) teško je pronaći preporuke. Drugo, takozvani "hladni start", kada novi objekti ne ulaze u sustave preporuka.

Algoritam za filtriranje sadržaja

Algoritam je simetričan prethodnom, ali ako smo u prvom slučaju pošli od pretpostavke da će se objekt svidjeti korisniku jer se sviđa njegovim “drugovima iz razreda”, onda ćemo ovdje preporučiti na temelju sličnih objekata koje je već zabilježio za sam. I ovdje se tradicionalno može identificirati nekoliko problema. Isti "hladni početak" i činjenica da su preporuke često svakodnevne.

Umjesto zaključka

Dakle, pružili smo sve informacije koje bi početnik ili običan laik trebao znati o sustavima preporuke. Budimo iskreni, algoritmi su donekle teški za neobučenu osobu, tako da ovaj članak ne sadrži matematičke formule, iako se algoritmi temelje na njima.

Programi preporuke korisne su usluge kako za obične korisnike interneta tako i za istraživače i online poslovne ljude. Oni koji žele povećati konverzije i broj pregleda trebali bi obratiti pozornost na ovu tehniku ​​i svakako je implementirati kako bi povećali učinkovitost web resursa, posebno internetske trgovine.

Postoje dvije glavne strategije za stvaranje sustava preporuka: filtriranje sadržaja i zajedničko filtriranje.

Na filtriranje sadržaja se stvaraju profilima korisnicima i objektima.

• Korisnički profili mogu uključivati ​​demografske podatke ili odgovore na određeni skup pitanja.
• Profili objekata mogu uključivati ​​nazive žanrova, imena glumaca, umjetnika itd. - ovisno o vrsti objekta.

Ovaj pristup se koristi u projektu Projekt glazbenog genoma: Glazbeni analitičar procjenjuje svaku pjesmu na temelju stotina različitih glazbenih karakteristika koje se mogu koristiti za prepoznavanje korisnikovih glazbenih preferencija.

Na kolaborativno filtriranje koriste se podaci o ponašanju korisnika u prošlosti - na primjer, podaci o kupnjama ili ocjenama. U ovom slučaju nije važno s kojim se tipovima objekata radi, ali se mogu uzeti u obzir implicitne karakteristike koje bi bilo teško uzeti u obzir prilikom izrade profila. Glavni problem ove vrste sustava preporuka je “hladni start”: nedostatak podataka o korisnicima ili objektima koji su se nedavno pojavili u sustavu.

Metodologija

Primjeri eksplicitnog prikupljanja podataka

• traženje od korisnika da ocijeni objekt na diferenciranoj ljestvici;
• traženje od korisnika da rangira grupu objekata od najboljeg do najgoreg;
• predstavljanje korisniku dva predmeta i pitanje koji je bolji;
• prijedlog za izradu popisa objekata koje korisnik voli.

Primjeri implicitnog prikupljanja podataka

• praćenje onoga što korisnik gleda u online trgovinama ili drugim vrstama baza podataka;
• održavanje evidencije ponašanja korisnika na mreži;
• praćenje sadržaja korisničkog računala;

Primjena

Sustavi preporuka uspoređuju slične podatke iz razliciti ljudi i izračunati popis preporuka za određenog korisnika. Neki primjeri njihove komercijalne i nekomercijalne uporabe navedeni su u članku o suradničkom filtriranju. Sustavi preporuka prikladna su alternativa algoritmima pretraživanja jer vam omogućuju otkrivanje objekata koji se ne mogu pronaći zadnji. Zanimljivo je da sustavi preporuka često koriste tražilice za indeksiranje neobičnih podataka.

• Imhonet (filmovi, literatura, fotografije)
• Last.fm (glazba)
• Ozon (knjige, CD-i, itd.)
• Software Informer (softver)
• Laboratorij znanstvene fantastike (site o znanstvenoj fantastici i fantaziji)
• Imdb - filmovi (stranica na engleskom)
• Rehelper - filmovi
• Savjetnik - mjesta
• Mir4 je eksperimentalni sustav koji može raditi s bilo kojim sadržajem, uključujući i kratkotrajni sadržaj. Za sada radi samo s vijestima.

Linkovi

Bilješke

Književnost

• Melville P., Mooney R., Nagarajan R. Kolaborativno filtriranje pojačano sadržajem za poboljšane preporuke // Sveučilište u Teksasu, SAD: Zbornik radova sa skupa. / AAAI-02, Austin, TX, USA, 2002. - 2002. - str. 187-192.

Zaklada Wikimedia. 2010.

Grana znanstvenih i praktične aktivnosti, jedna od vrsta bibliografije (V. Bibliografija). Glavna javna namjena R. b. u SSSR-u i drugim socijalističkim zemljama za promicanje općeg i strukovno obrazovanje i samoobrazovanje... Velika sovjetska enciklopedija

URL: http://imhonet.ru Reklama: No Sa tipa ... Wikipedia

Ovaj članak trenutno aktivno uređuje Član: Mošanin. Molimo vas da ga ne mijenjate dok ovaj oglas ne nestane. U protivnom može doći do sukoba uređivanja. Ovo... ... Wikipedia - Predlaže se preimenovanje ove stranice u Međunarodna agencija za atomsku energiju. Objašnjenje razloga i rasprava na stranici Wikipedije: Preimenovati / 24. srpnja 2012. Možda njegov trenutni naziv ne odgovara standardima moderne ... Wikipedia

BIBLIOGRAFIJA DJEČJE KNJIŽEVNOSTI- bibliografski odjel čija je zadaća knjigovodstvo i informiranje o tiskanim djelima za djecu i mladež. Ove informacije su usmjerene na dva glavna načina. obraća se: odraslima (učiteljima, roditeljima, odgajateljima, stručnjacima profesionalno povezanim sa... ... Ruska pedagoška enciklopedija

Ekonomija zemlje- (Nacionalna ekonomija) Ekonomija zemlje su društveni odnosi za osiguranje bogatstva zemlje i blagostanja njenih građana.Uloga nacionalne ekonomije u životu države, suština, funkcije, sektori i pokazatelji gospodarstva zemlje, strukture zemalja... ... Enciklopedija investitora

Likvidnost- (Likvidnost) Likvidnost je pokretljivost sredstava, koja osigurava mogućnost nesmetanog plaćanja obveza Ekonomske karakteristike i koeficijent likvidnosti poduzeća, banke, tržišta, imovine i ulaganja kao važan ekonomski... ... Enciklopedija investitora

28. travnja 2016. službeno smo najavili pokretanje prvog adaptivnog tečaja na Stepic.org, koji odabire Python probleme ovisno o razini učenika. Prije toga smo na platformi implementirali i preporučene lekcije, kako učenici ne bi zaboravili ono što su već završili, te otkrili nove teme koje bi ih mogle zanimati.

U rezu postoje dvije glavne teme:

• o online obrazovanju, za/protiv/zamke;
• klasifikacija sustava preporuka, njihova primjenjivost u obrazovanju, primjeri.

O online obrazovanju, njegovim prednostima, manama i zamkama

Ovaj dio je uglavnom uvodni, karakterizira online edukaciju, uzbudljive detalje sustava preporuke ispod sljedeće slike :)

U suvremenom svijetu online obrazovanje postupno postaje sve popularnije. Prilika za učenje od vodećih profesora obrazovne ustanove, istražuje nova područja, stječe znanja potrebna za rad bez napuštanja doma, privlači veliki broj od ljudi.

Jedan od najčešćih oblika online učenja su masovni otvoreni online tečajevi (MOOCs, Massive Open Online Courses). Najčešće uključuju video zapise, slajdove i tekstualne sadržaje koje priprema nastavnik, kao i testove znanja koji se obično automatski provjeravaju, ali učenici mogu provjeravati i jedni drugima. Kao zadaci mogu se ponuditi najrazličitije vrste zadataka: od jednostavnog odabira točnog odgovora do pisanja eseja pa čak, kao što imamo na Stepiku, zadataka programiranja s automatskom provjerom.

Online obrazovanje ima svoje karakteristike koje ga razlikuju od konvencionalnog, offline obrazovanja. Među prednostima, prije svega, već spomenuta dostupnost svima koji imaju pristup internetu. Drugo, ima gotovo neograničenu skalabilnost: zahvaljujući automatiziranoj provjeri zadataka, tisuće ljudi mogu istovremeno učiti na tečaju, što se ne može usporediti s konvencionalnim tečajevima u učionicama. Treće, svaki učenik može odabrati prikladno vrijeme i tempo za dovršavanje gradiva. Četvrto, edukatori imaju pristup mnoštvu podataka o tome kako korisnici završavaju njihove tečajeve, koje mogu koristiti za analizu i poboljšanje svojih materijala.

U isto vrijeme, postoje i nedostaci online učenja. Za razliku od tradicionalnog obrazovanja, gdje je student uvijek motiviran procjenom svog akademskog uspjeha, u slučaju online tečajeva ne postoji kazna za pad kolegija. Zbog toga udio onih koji su završili tečaj u odnosu na one koji su ga upisali rijetko prelazi 10% (na našem Stepiku je tečaj Anatolija Karpova “Osnove statistike” bio najbolji prema EdCrunch Awards 2015; rekordnih 17% od oni koji su se prijavili prošli su prvo lansiranje, ali ovo je prije iznimka). Osim toga, zbog velikog broja učenika nastavnik nema mogućnost posvetiti individualnu pažnju svakom učeniku u skladu s njegovom razinom i mogućnostima.

Postavili smo si zadatak kreirati sustav preporuka koji bi studenta mogao savjetovati o sadržaju koji mu je zanimljiv te uzeti u obzir njegovu razinu pripremljenosti i nedostatke u znanju. Osim toga, sustav mora moći procijeniti složenost sadržaja. To je posebno potrebno za prilagodljive preporuke koje će korisniku pomoći u proučavanju gradiva, fleksibilno mu se prilagođavajući, nudeći točno onaj sadržaj koji mu je sada potreban za učenje. Takav sustav koristit će korisnicima personaliziranim preporukama lekcija koje im mogu pomoći u učenju određene teme ili ponuditi nešto novo.

Općenito, učenje je trebalo postati još zanimljivije!

Jedan od prvih primjera modernog sustava preporuka je movielens.org, koji korisnicima predlaže filmove na temelju njihovih preferencija. Ova je usluga zanimljiva jer svima pruža opsežan skup podataka o filmovima i ocjenama koje im daju korisnici. Ovaj skup podataka korišten je u brojnim istraživanjima u području sustava preporuka tijekom posljednja dva desetljeća.

• Sustavi temeljeni na filtriranju sadržaja. Takvi sustavi korisnicima nude sadržaj sličan onome što su prethodno proučavali. Sličnost se izračunava pomoću karakteristika objekata koji se uspoređuju. Na primjer, žanrovski afinitet ili glumačka postava mogu se koristiti za preporučivanje filmova. Ovaj pristup koristi se u servisu za ocjenjivanje, pretraživanje i preporuku filmova Internet Movie Database.
• Sustavi koji koriste kolaborativno filtriranje. U tom slučaju korisniku se nudi sadržaj koji je zanimljiv sličnim korisnicima. Preporuke usluge MovieLens temelje se upravo na ovom pristupu.
• Hibridni sustavi koji kombiniraju dva prethodna pristupa. Ovakav sustav koristi Netflix, servis za online gledanje filmova i TV serija.

Stvorili smo hibridni sustav s aktivnijim korištenjem filtriranja sadržaja i manje aktivnim korištenjem kolaborativnog filtriranja.

Postoji mnogo istraživanja o sustavima preporuka za tehnološki poboljšano učenje. Specifičnost zadatka u ovom slučaju dodaje nove smjernice za razvoj sustava preporuka.

Koje su značajke sustava preporuka obrazovnog projekta?

Prvo, moguće je izgraditi adaptivni sustav preporuka koji će se prilagoditi potrebama korisnika u određenom trenutku i ponuditi mu najbolje načine za proučavanje gradiva. U ovom formatu mogu se implementirati različiti simulatori, na primjer, u matematici ili nekom programskom jeziku, koji sadrže mnogo zadataka različite složenosti, od kojih će različiti biti prikladni za različite učenike u bilo kojem trenutku.

Drugo, moguće je izdvojiti ovisnosti između materijala za obuku iz podataka o tome kako ih korisnici ispunjavaju.

Ovi podaci mogu pomoći izdvojiti pojedinačne teme u materijalima, veze između tih tema i njihove složene odnose.

Coursera, EdX, Udacity (online platforme za učenje) koriste svoje sustave preporuka kako bi korisnicima preporučili tečajeve koji bi ih mogli zanimati. Nedostatak ovih preporuka je što mogu ponuditi samo cijeli tečaj, ali ne i neki njegov dio, čak i ako korisnika zanima samo taj dio. Također, ovako izgrađen sustav ne može pomoći korisniku u studiranju kolegija koji je odabrao.

Sustav preporuke resursa MathsGarden, naprotiv, radi s najmanjim dijelovima sadržaja - pojedinačnim zadacima. To je simulator elementarne aritmetike za učenike osnovna škola, koji učeniku nudi zadatke koji mu u određenom trenutku po zahtjevnosti optimalno odgovaraju.
Da bi to učinio, sustav izračunava i dinamički mijenja relativnu karakteristiku studentovog znanja, kao i karakteristiku složenosti zadataka, ali o tome kasnije.

U sljedećim člancima detaljnije ćemo govoriti o uređaju Stepic.org i implementaciji sustava preporuka, definirati što je adaptivni sustav preporuka te detaljno analizirati dobivene rezultate. To će biti zabavno:)