Модель ухвалення рішень з пріоритетизацією сигналів для освітніх LLM-агентів

Автор(и)

  • Олександр Олександрович Радовецький Київський національний економічний университет імені Вадима Гетьмана https://orcid.org/0009-0006-2446-6480

DOI:

https://doi.org/10.18372/1990-5548.89.21471

Ключові слова:

адаптивні навчальні системи, аналітика навчання, детекція розбіжностей, LLM-агенти з інструментальним доповненням, освітня підтримка прийняття рішень, референсна архітектура

Анотація

Статтю присвячено розробці архітектури підтримки прийняття рішень для агентів штучного інтелекту, які використовуються у вищій освіті. У роботі запропоновано модель ухвалення рішень з пріоритетизацією, яка ранжує три сигнали оцінювання – розбіжність між самооцінкою та оцінкою викладача, тренд успішності та порівняння з однокурсниками – ще до будь-якого звернення до мовної моделі, завдяки чому ті самі вхідні дані завжди дають однаковий пріоритет втручання. Модель базується на детермінованому сервісі зважування прогресу, описаному формулами (1) – (9), з порогом розбіжності, що налаштовується для курсу (τ = 0,15 у референсній конфігурації), та чотирма ваговими коефіцієнтами, сума яких дорівнює 1. У роботі розроблено референсну реалізацію з типізованою схемою даних, бекендом на FastAPI та агентом на основі LLM, обмеженим чотирма інструментами лише для читання. Розрахунковий приклад демонструє, що позначена розбіжність (d = 0,25 > τ) перекриває тренд, що покращується (L: 0,58 → 0,64 → 0,67), правильно пріоритезуючи сигнал калібрування над рутинним оновленням. Результати роботи можуть бути використані для проєктування прозорих LLM-систем рекомендацій в освіті та інших галузях, де потрібно узгоджувати кілька сигналів свідчень перед зверненням до генеративної моделі.

Біографія автора

Олександр Олександрович Радовецький , Київський національний економічний университет імені Вадима Гетьмана

Магістр

Кафедра інформаційних систем в економіці

Посилання

R. Sajja, Y. Sermet, M. Cikmaz, D. Cwiertny, and I. Demir, “Artificial intelligence-enabled intelligent assistant for personalized and adaptive learning in higher education,” Information, vol. 15, no. 10, Article 596, 2024. https://doi.org/10.3390/info15100596

[2] R. K. Jangale, S. B. Wankhade, S. N. Raut, and Y. S. Kute, “The impact of AI assistants on students' academic performance and learning behavior,” International Journal on Science and Technology, 2025. URL: https://www.ijsat.org/papers/2025/4/9222.pdf

[3] Amplify Learn. AI, AI as a teaching partner: project report, Colleague AI Classroom. 2025. URL: https://www.amplifylearn.ai/wp-content/uploads/2025/12/AI_as_teaching_partner.pdf

[4] R. Sajja, Y. Sermet, B. Fodale, and I. Demir, “Evaluating AI-powered learning assistants in engineering higher education: student engagement, ethical challenges, and policy implications,” arXiv. 2025. https://doi.org/10.48550/arXiv.2506.05699

[5] Z. Xu, F. H. Choudhury, S. Ma, T. P. Murphrey, and K. E. Dooley, “Leveraging learning analytics to model student engagement in graduate statistics: a problem-based learning approach in agricultural education,” Behavioral Sciences, vol. 15, no. 10, Article 1360, 2025. https://doi.org/10.3390/bs15101360

[6] H. Xue and Y. Niu, “Multi-output based hybrid integrated models for student performance prediction,” Applied Sciences, vol. 13, no. 9, Article 5384, 2023. https://doi.org/10.3390/app13095384

[7] L. Loble and J. Lodge, “Artificial intelligence, cognitive offloading and implications for education,” University of Technology Sydney / Australian Network for Quality Digital Education. 2026. URL: https://www.uts.edu.au/news/2026/03/experts-warn-unstructured-ai-use-in-schools-risks-cognitive-atrophy

[8] C. Herlihy, K. Truong, A. Chouldechova, and M. Dudík, “A structured regression approach for evaluating model performance across intersectional subgroups,” arXiv. 2024. https://doi.org/10.48550/arXiv.2401.14893

[9] E.-M. Schön, M. Neumann, C. Hofmann-Stölting, R. Baeza-Yates, and M. Rauschenberger, “How are AI assistants changing higher education?” Frontiers in Computer Science, vol. 5, Article 1208550. 2023. https://doi.org/10.3389/fcomp.2023.1208550

[10] C. Cohn, S. Rayala, N. Srivastava, J. H. Fonteles, S. Jain,et al., “A theory of adaptive scaffolding for LLM-based pedagogical agents,” arXiv. 2025. https://doi.org/10.48550/arXiv.2508.01503

[11] C. Cohn, S. Guo, S. Rayala, H. D. Wang, N. Mohammed, et al., Evidence-decision-feedback: theory-driven adaptive scaffolding for LLM agents. arXiv. 2026. https://doi.org/10.48550/arXiv.2602.01415

[12] Y. Fan, L. Tang, H. Le, K. Shen, S. Tan, et al., Beware of metacognitive laziness: effects of generative artificial intelligence on learning motivation, processes, and performance, British Journal of Educational Technology. 2024. https://doi.org/10.1111/bjet.13544

[13] A. C. Graesser, S. D'Mello, and W. Cade, “Instruction based on tutoring. Handbook of research on learning and instruction,” ed. by R. E. Mayer, P. A. Alexander. Routledge, 2011, pp. 408–426.

[14] A. Mavroudi and G. Torgersen, “A large language model implementing an AI assistant in a higher education setting,” CEUR Workshop Proceedings, vol. 3685, 2024. URL: https://ceur-ws.org/Vol-3685/short13.pdf

[15] H. Lee and N. Bosch, “Calibration discrepancy predicts students' subsequent metacognitive strategy use in computer-based learning environments,” International Journal of Artificial Intelligence in Education, vol. 35, no. 6, pp. 3746–3779. 2025. https://doi.org/10.1007/s40593-025-00514-5

[16] M. D. Johnson, Learners' self-assessment and metacognition when using an open learner model with drill down: PhD thesis. University of Birmingham, 2018. URL: https://etheses.bham.ac.uk/id/eprint/8590/

[17] C. Milton, V. Lokesh, and G. Thiruvengadam, “Examining the impact of AI-powered writing tools on independent writing skills of health science graduates,” Advanced Education, vol. 12, no. 25, pp. 143–161, 2024. https://doi.org/10.20535/2410-8286.315068

[18] S. Yao, J. Zhao, D. Yu, N. Du, I. Shafran, et al., “ReAct: synergizing reasoning and acting in language models,” Proceedings of the 11th International Conference on Learning Representations (ICLR 2023), 2023. https://doi.org/10.48550/arXiv.2210.03629

[19] T. Schick, J. Dwivedi-Yu, R. Dessì, R. Raileanu, M. Lomeli, et al., “Toolformer: language models can teach themselves to use tools,” Advances in Neural Information Processing Systems, vol. 36, 2023, pp. 68539–68551. https://doi.org/10.52202/075280-2997

[20] E. Schluntz and B. Zhang, Building effective agents. Anthropic Engineering Blog. 2024. URL: https://www.anthropic.com/engineering/building-effective-agents.

Downloads

Опубліковано

2026-09-18

Як цитувати

Радовецький , О. О. (2026). Модель ухвалення рішень з пріоритетизацією сигналів для освітніх LLM-агентів. Електроніка та системи управління, 3(89), 35–44. https://doi.org/10.18372/1990-5548.89.21471

Номер

Том 3 № 89 (2026)

Розділ

КОМП’ЮТЕРНІ НАУКИ

Ліцензія

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Науковий журнал "Електроніка та системи управління" дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.

Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).

Авторські права

Автори, які публікують свої роботи в журналі ""Електроніка та системи управління":

  • зберігають за собою авторські права на свої публікації;

  • надають журналу право на перше опублікування статті;

  • погоджуються на поширення матеріалів за ліцензією CC BY 4.0;

  • мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.