ВІД ТЕОРЕТИЧНИХ МОДЕЛЕЙ ПЕРСОНАЛІЗОВАНОГО НАВЧАННЯ ДО ВИМОГ ДО ОСВІТНЬОГО ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ НА ОСНОВІ ШТУЧНОГО ІНТЕЛЕКТУ В ІНКЛЮЗИВНІЙ ОСВІТІ
Анотація
Персоналізоване навчання дедалі частіше розглядається не лише як педагогічна мета, а і як конкретне завдання для проєктування освітнього програмного забезпечення, особливо в інклюзивних класах. Ґрунтуючись на аналітичному синтезі дев’яти нещодавніх публікацій, ця стаття систематизує чотири теоретичні основи – адаптивне навчання, технологію повного засвоєння знань, компетентнісний підхід та універсальний дизайн навчання – і трансформує їх у систему вимог до освітнього програмного забезпечення на базі ШІ. У роботі роз’яснюється, як педагогічні наміри співвідносяться з функціоналом, що підлягає реалізації, зокрема: діагностикою та моделюванням профілю учня, генерацією динамічних освітніх траєкторій, адаптивним поданням контенту, а також підтримкою зворотного зв’язку та оцінювання, що допомагає виявляти прогалини у знаннях, зберігаючи критерії прогресу чіткими. Крім того, структура вимог визначає інструменти моніторингу для вчителя, журнали аудиту рекомендацій, а також механізми коригування або скасування рішень системи. Нефункціональні вимоги розглядаються як пріоритетні обмеження: конфіденційність на етапі проектування, безпечна обробка чутливої інформації про учнів, прозорість та інтерпретованість, стійкість і надійність, а також захист від упереджених або дискримінаційних результатів. Архітектурні аспекти розглядаються через призму модульних сервісів, що забезпечують масштабованість, зручність та інтеграцію з інституційною інфраструктурою. Особлива увага приділяється компонентам генеративного ШІ, які можуть розширити можливості створення контенту та зворотного зв’язку, але вимагають суворішого регулювання та нагляду з боку педагогів. Результати дослідження свідчать на користь моделі, де вчитель залишається ключовою ланкою, а ШІ підсилює його фахову експертизу й допомагає долати бар’єри в освітньому процесі. Стаття завершується окресленням того, як оцінювати інклюзивний вплив у реальних умовах та як узгодити алгоритмічну оптимізацію з ключовими освітніми цілями, такими як розвиток суб’єктності та компетентностей учнів.
Посилання
Merino-Campos, C. (2025). The Impact of Artificial intelligence on Personalized Learning in Higher Education: A Systematic review. Trends in Higher Education. 4(2). 17. DOI: https://doi.org/10.3390/higheredu4020017. [in English]
Tapalova, O., & Zhiyenbayeva, N. (2022). Artificial Intelligence in Education: AIED for Personalised Learning Pathways. The Electronic Journal of e-Learning. 20(5). Pp. 639–653. DOI: https://doi.org/10.34190/ejel.20.5.2597. [in English]
Li, J., Yan, Y., & Zeng, X. (2025). Exploring Artificial Intelligence in Inclusive Education: A Systematic Review of Empirical studies. Applied Sciences. 15(23). 12624. https://doi.org/10.3390/app152312624. [in English]
Laak, K., & Aru, J. (2024). AI and personalized learning: bridging the gap with modern educational goals. arXiv (Cornell University). DOI: https://doi.org/10.48550/arxiv.2404.02798. [in English]
Xu, Q. (2025, August). Design of an Artificial Intelligence-Based Personalized Learning System. In Proceedings of the 2025 International Conference on Generative Artificial Intelligence for Business (pp. 424-429). [in English]
Fitas, R. (2025). Inclusive Education with AI: Supporting Special Needs and Tackling Language Barriers. arXiv (Cornell University). DOI: https://doi.org/10.48550/arxiv.2504.14120. [in English]
Vorotnykova, I. P., Dziabenko, O., & Morze, N. V. (2025). Vyklyky vprovadzhennia personalizovanoho navchannia z vykorystanniam shtuchnoho intelektu u vyshchii osviti [Challenges of implementing personalised learning using artificial intelligence in higher education]. Informatsiini tekhnolohii i zasoby navchannia. 105(1). Pp. 144-157. DOI: https://doi.org/10.33407/itlt.v105i1.5893. [in Ukrainian]
Tu, Y., Chen, J., & Huang, C. (2025). Empowering Personalized Learning with Generative Artificial Intelligence: Mechanisms, Challenges and Pathways. Frontiers of Digital Education. 2(2). DOI: https://doi.org/10.1007/s44366-025-0056-9. [in English]




