Ontological modeling of adult learning ecosystem as a personalization tool
The article is devoted to the development of methods for semantic expansion of adult learners' profiles for per sonalization of education in the context of the digital transformation. We analyse metadata standards used for describing of learners and learning objects and define that these standa...
Saved in:
| Date: | 2026 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
PROBLEMS IN PROGRAMMING
2026
|
| Subjects: | |
| Online Access: | https://pp.isofts.kiev.ua/index.php/ojs1/article/view/877 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Problems in programming |
| Download file: |  |
Institution
Problems in programming| _version_ | 1859494749491167232 |
|---|---|
| author | Rogushina, J.V. Yurchenko, K.Yu. |
| author_facet | Rogushina, J.V. Yurchenko, K.Yu. |
| author_sort | Rogushina, J.V. |
| baseUrl_str | https://pp.isofts.kiev.ua/index.php/ojs1/oai |
| collection | OJS |
| datestamp_date | 2026-02-12T15:27:30Z |
| description | The article is devoted to the development of methods for semantic expansion of adult learners' profiles for per sonalization of education in the context of the digital transformation. We analyse metadata standards used for describing of learners and learning objects and define that these standards have insufficient flexibility for pro filing adults, especially in the andragogical context. We consider some practical situations that demonstrate the need for additional semantic properties of the profile (professional specialisation, educational mobility and multilingualism, the life circumstances of the learner, special needs for inclusive learning, informal education and micro-qualifications, learning under fire in a state of martial law, and psycho-emotional trauma) and de termine the additional semantic properties and the expected effect of their use. On this base an approach to flexible extension of standards based on ontological modelling of the adult learning ecosystem is proposed. This approach uses classification of additional semantic properties of the profile of an adult learner by groups: type of educational activity, learning context, motivation, professional goal, social role, psycho-emotional state, institution. An prototype system for intelligent support of postgraduate students based on Semantic MediaWiki and large language mdels is described. The system implements a generation architecture with advanced search, combining ontologically structured knowledge with the capabilities of generative text analysis. Testing of the approach at the Institute of Software Systems of the National Academy of Sciences of Ukraine confirmed the effectiveness of semantic profiling for building personalised educational trajectories and intelligent search for educational resources.Prombles in programming 2025; 4: 63-77 |
| first_indexed | 2026-03-12T21:22:53Z |
| format | Article |
| fulltext |
Семантик Веб та лінгвістичні системи
63
УДК 004.8:004.724 https://doi.org/10.15407/pp2025.04.063
Ю.В. Рогушина, К.Ю. Юрченко
ОНТОЛОГІЧНЕ МОДЕЛЮВАННЯ ЕКОСИСТЕМИ
ОСВІТИ ДОРОСЛИХ ЯК ІНСТРУМЕНТ
ПЕРСОНІФІКАЦІЇ
Стаття присвячена розробці методів семантичного розширення профілів дорослих здобувачів освіти
для персоніфікації навчального процесу в умовах цифрової трансформації. Проаналізувавши міжнаро-
дні стандарти метаданих для профілювання здобувачів освіти та навчальних об'єктів, ми виявили, що
жоден із них не забезпечує достатньої гнучкості для профілювання дорослих здобувачів освіти, особ-
ливо в контексті андрагогіки. Ми розглянули кілька типових практичних ситуацій, що демонструють
необхідність додаткових семантичних властивостей профілю (професійна спеціалізація, освітня мобі-
льність та мультимовність, життєві обставини здобувача освіти, особливі потреби для інклюзивного
навчання, неформальна освіта та мікрокваліфікації, навчання під обстрілами в умовах воєнного стану,
психоемоційна травма), визначили потрібні додаткові семантичні властивості та очікуваний ефект від
їх використання. На базі цього запропоновано підхід до гнучкого розширення стандартів на основі он-
тологічного моделювання екосистеми навчання дорослих, який використовує класифікацію додаткових
семантичних властивостей профілю дорослого здобувача освіти за групами: тип освітньої активності,
контекст навчання, мотивація, професійна ціль, соціальна роль, психоемоційний стан, інституція.
Переваги запропонованого рішення демонструє прототип системи інтелектуальної підтримки аспіран-
тів, що використовує Semantic MediaWiki та великі мовні моделі. Система реалізує архітектуру генера-
ції з розширеним пошуком, поєднуючи онтологічно структуровані знання з можливостями генератив-
ного аналізу текстів. Апробація системи в Інституті програмних систем Національної академії наук Ук-
раїни підтвердила ефективність семантичного профілювання для побудови персоніфікованих освітніх
траєкторій та інтелектуального пошуку навчальних ресурсів.
Ключові слова: онтологічне моделювання, семантичне профілювання, дорослі здобувачі освіти, персо-
ніфіковане навчання, Semantic MediaWiki, великі мовні моделі, цифрова екосистема навчання.
Ju.V. Rogushina, K.Yu. Yurchenko
ONTOLOGICAL MODELING OF ADULT LEARNING
ECOSYSTEM AS A PERSONALIZATION TOOL
The article is devoted to the development of methods for semantic expansion of adult learners' profiles for per-
sonalization of education in the context of the digital transformation. We analyse metadata standards used for
describing of learners and learning objects and define that these standards have insufficient flexibility for pro-
filing adults, especially in the andragogical context. We consider some practical situations that demonstrate the
need for additional semantic properties of the profile (professional specialisation, educational mobility and
multilingualism, the life circumstances of the learner, special needs for inclusive learning, informal education
and micro-qualifications, learning under fire in a state of martial law, and psycho-emotional trauma) and de-
termine the additional semantic properties and the expected effect of their use. On this base an approach to
flexible extension of standards based on ontological modelling of the adult learning ecosystem is proposed.
This approach uses classification of additional semantic properties of the profile of an adult learner by groups:
type of educational activity, learning context, motivation, professional goal, social role, psycho-emotional
state, institution.
An prototype system for intelligent support of postgraduate students based on Semantic MediaWiki and large
language mdels is described. The system implements a generation architecture with advanced search,
combining ontologically structured knowledge with the capabilities of generative text analysis. Testing of the
approach at the Institute of Software Systems of the National Academy of Sciences of Ukraine confirmed the
effectiveness of semantic profiling for building personalised educational trajectories and intelligent search for
educational resources.
Keywords: ontological modeling, semantic profiling, adult learners, personalized learning, Semantic Me-
diaWiki, large language models, digital learning ecosystem.
© Ю.В. Рогушина, К.Ю. Юрченко, 2025
ISSN 1727-4907. Проблеми програмування. 2025. №4
Семантик Веб та лінгвістичні системи
64
Вступ
Цифрова трансформація (ЦТ) науки
й освіти зумовлена потребою ефективної
роботи з великими обсягами даних, однак
більшість освітніх і наукових матеріалів
усе ще подані у слабоструктурованій фор-
мі. Це ускладнює пошук пертинентних
ресурсів і потребує моделей, здатних роз-
ширювати наявні стандарти та адаптувати
їх до конкретних завдань.
Особливо складною є побудова пе-
рсоналізованих рекомендацій та індивіду-
альних освітніх траєкторій, що вимагає
аналізу різнорідних природномовних опи-
сів. Для дорослих здобувачів ці завдання
ускладнюються гетерогенністю досвіду й
мотивації. У межах цифрової екосистеми
навчання (DLE), що поєднує біотичні та
абіотичні компоненти освітнього середо-
вища [1], виникає потреба у розширених
параметрах профілю здобувача, здатних
коректно відображати специфіку андраго-
гічного навчання.
Семантичне профілювання
здобувачів освіти
Розробка динамічного профілю до-
рослого здобувача освіти в різноманітних
освітніх системах вимагає (у семантично
збагаченому моделюванні освітніх потреб,
мотиваційних установок, життєвих обста-
вин та неформального досвіду) розширен-
ня структури метаданих у контексті андра-
гогіки – науки про навчання дорослих.
Семантичне розширення профілю
потребує чіткого визначення змісту додат-
кових параметрів, їх узгодження з наявни-
ми елементами профілю та розуміння того,
як ці параметри можуть бути використані
для підвищення ефективності організації
навчального процесу.
Система підтримки професійної ді-
яльності андрагога передбачає персоніфі-
кацію процесу навчання, а саме – допомо-
гу у розробці індивідуальних освітніх тра-
єкторій (Personal Learning Trajectory –
PLT) на основі семантичного співставлен-
ня профілів, навчальних ресурсів, курсів та
компетенцій [2].
Важливо розуміти, що для дорослих
здобувачів освіти такі профілі можуть ма-
ти значно більше відмінностей та містити
багато додаткових параметрів.
Найпоширеніші стандарти профілів:
• IMS Learner Information Package
(LIP) – Стандарт для опису профілю здо-
бувача освіти: особисті дані, результати
навчання, компетенції, уподобання [3];
• IEEE PAPI (Public and Private
Information for Learners) – Модель для уп-
равління приватною та публічною інфор-
мацією про здобувачів освіти у навчальних
системах [4];
• Dublin Core Metadata Initiative
(DCMI) – Загальний стандарт метаданих,
що використовується для опису освітніх
ресурсів і профілів [5];
• xAPI (Experience API / Tin Can API)
– Стандарт для запису навчальних дій здо-
бувачів освіти у форматі "актор – дія – об'-
єкт" [6]
• SCORM (Sharable Content Object
Reference Model) – Стандарт для інтеграції
навчального контенту та відстеження про-
гресу здобувачів освіти [7]
Зараз ці стандарти широко застосову-
ються у системах підтримки навчального
процесу (Learning Management Systems,
LMS) (Таб.1).
Таблиця 1. Використання стандартів у навчальних системах
Система Опис URL Використані стан-
дарти
Moodle Відкрита LMS, що підтримує SCORM,
xAPI, IMS LIP через плагіни. moodle.org SCORM, xAPI, IMS
LIP
Canvas LMS Комерційна LMS з підтримкою xAPI, IMS
LIP, інтеграцією з SIS. canvaslms.com xAPI, IMS LIP
Blackboard
Learn
Потужна LMS з підтримкою SCORM,
xAPI, Dublin Core.
blackboard.co
m
SCORM, xAPI,
Dublin Core
Семантик Веб та лінгвістичні системи
65
Кожен із цих стандартів має певні
переваги та недоліки, обумовлені цілями їх
створення.
IMS Learner Information Package
(IMS LIP)
IMS LIP – один із найдетальніших
стандартів для опису профілю здобувача
освіти, що охоплює різноманітні аспекти
навчання та ідентифікації особистості.
IMS LIP [8] уможливлює глибоке
моделювання освітньої траєкторії, він гну-
чкий для адаптивного навчання та суміс-
ний з іншими стандартами. Проте склад-
ний у реалізації, а поведінкові аспекти мо-
делюються слабо, без розширень.
IEEE PAPI (Public and Private
Information for Learners)
PAPI [9] фокусується на структуро-
ваному зберіганні публічної та приватної
інформації про здобувачів освіти
Стандарт доволі простий, що забез-
печує його застосування не лише в освіті, а
й у суміжних сферах, але має меншу дета-
лізацію порівняно з IMS LIP. Адаптивне
навчання підтримується поверхово.
Dublin Core Metadata Initiative
(DCMI) [5] – це універсальна схема мета-
даних, яка часто використовується для
опису освітніх ресурсів, але також може
застосовуватись для опису профілів.
Стандарт легко реалізується завдя-
ки простій структурі. Він придатний для
індексації освітніх ресурсів і широко вико-
ристовується в бібліотечних та наукових
системах. Тому профілі здобувачів освіти,
побудовані на його основі, зручно інтегру-
вати з тими LO, які вони мають вивчати.
Але DCMI не орієнтований саме на моде-
лювання профілю здобувача освіти, і тому
він пропонує досить обмежені можливості
для опису навчального досвіду, поведінки
або оцінювання. Для глибшої семантики
потрібні додаткові модулі RDF або OWL.
Experience API (xAPI / Tin Can API)
xAPI [6] – сучасний стандарт для
опису навчальних подій за моделлю: "ак-
тор – дія – об’єкт".
Перевагою стандарту є висока гну-
чкість – xAPI дозволяє збирати дані з будь-
яких джерел, таких як мобільні застосунки
та ігрові платформи. Аналіз поведінки
здобувача освіти стає глибоким і багато-
вимірним. Працює незалежно від LMS,
використовуючи Learning Record Store
(LRS). Але у стандарті немає єдиної струк-
тури профілю – лише фрагментарні записи
дій, тому він потребує додаткової інфра-
структури LRS.
SCORM (Sharable Content Object
Reference Model)
SCORM [7] – один із найстаріших і
найпоширеніших стандартів у LMS.
Найважливішими перевагами цього
стандарту є проста інтеграція у навчальні
платформи, підтримка багатьох форматів
контенту та можливість обміну. З іншого
боку, стандарт має значні недоліки: заста-
рілий формат, обмежена підтримка сучас-
них технологій, відсутність фіксації не-
структурованих даних та підтримки адап-
тивного чи персоналізованого навчання.
Цей аналіз демонструє, що кожен
стандарт має своє призначення: від глибо-
кої персоналізації (IMS LIP) до масштаб-
ного збору подій (xAPI). Аналіз показує
необхідність інтеграції стандартів із сема-
нтичними веб-технологіями (RDF, OWL,
Linked Data), появу гібридних моделей та
глибшу підтримку персоналізованого нав-
чання з психометричними профілями та
мотиваційними індикаторами.
Семантичне профілюваня
викладачів
Аналіз публікацій та документів зі
створення ІОТ показує, що профіль викла-
дача використовується переважно форма-
льно, без урахування компетенцій та дос-
віду практичної діяльності. Для освіти до-
рослих профіль андрагога має розглядати-
ся як специфічний підклас профілю викла-
дача [10], доповнений елементами струк-
тури профілю дослідника [11] та експерта
в рекомендаційних системах [12].
Крім того, у створенні системи підт-
римки аспірантів для викладачів потрібно
виокремлювати наступні ролі: науковий
керівник або науковий консультант, рецен-
зент, опонент, викладач навчального курсу.
Ці ролі потребують співставлення з
характеристиками здобувача освіти, але у
більшості стандартів, що використовують-
ся для профілювання викладачів у систе-
мах освіти, їх порівняння не передбачені.
Семантик Веб та лінгвістичні системи
66
Тому профілі викладачів доцільно
доповнювати елементами, специфічними
саме для наукової діяльності. А це:
• Набір публікації андрагога та кіль-
кість цитувань у наукометричних базах;
• Набір LO, які він обирає, дозволяє
генерувати набір ключових слів (відповід-
но до предметної області в розумінні цього
науковця);
• Досвід попереднього спілкування
для прогнозування успішності навчання.
Крім професійної компетентності,
доцільно відображати у профілі викладача
й інші параметри, що можуть вплинути на
ефективність взаємодії зі здобувачем осві-
ти [13].
Метаописи
навчальних об’єктів
Для побудови ІОТ необхідно вико-
ристовувати відомості про ті відкриті осві-
тні інформаційні ресурси, що пертинентні
певній спеціальності та можуть бути вико-
ристані в процесі її вивчення. Для навчан-
ня аспірантів відбір та оцінювання якості
таких LO мають здійснювати їхні наукові
керівники та викладачі. Для аналізу інфо-
рмації потрібно визначити, які характерис-
тики мають бути враховані. Далі LO ми
розглядаємо як інформаційний ресурс, за-
безпечений метаданими, релевантними до
навчального процесу.
Основні категорії LO – це: підруч-
ник; нормативний документ; наукова пуб-
лікація; словник; портал; навчальний курс;
енциклопедія.
Недоліки існуючих підходів до по-
шуку LO полягають у складності повного
розуміння метаописів, що визначають вла-
стивості та значення цифрових ресурсів, у
жорсткості схем опису, які не дозволяють
додавати параметри відповідно до семан-
тики певної предметної області чи особли-
востей слухачів. А також у зорієнтованості
таких репозиторіїв на великі освітні спіль-
ноти, а не на роботу невеликих груп – зок-
рема, дослідницької спільноти конкретної
наукової установи. Тому доцільним є до-
повнення існуючих підходів інструмента-
ми, що на основі семантичних технологій
підтримують розвиток структури й змісту
цифрових ресурсів для створення персона-
лізованого інформаційного середовища
андрагога.
Нині існує широкий спектр інстру-
ментів та середовищ для обробки й аналізу
навчальних об’єктів, що забезпечують їх
пошук та індексацію. Стандарт Learning
Objects Metadata (LOM) визначає навчаль-
ний об’єкт як джерело знань і описує його
різні аспекти. У цьому дослідженні навча-
льний об’єкт трактується як поєднання
інформаційного ресурсу та його метаопи-
су, що визначає властивості ресурсу й
впливає на його вибір для використання у
навчанні певного курсу чи досягненні
компетентності.
Аналіз сучасних публікацій свід-
чить, що стандарти подання LO доцільно
інтегрувати з онтологічним поданням
знань щодо предметної області навчання.
Онтології забезпечують формалізацію
знань і створюють основу для їх повторно-
го використання; підтримують інтеропера-
бельність між різними системами та плат-
формами; підвищують функціональну
стійкість інтелектуальних систем.
Наприклад, у роботі [14] здійснено
масштабний аналіз застосування онтологій
у різних галузях — від економіки до кібе-
рнетики. Автори підкреслюють, що онто-
логії забезпечують уніфіковану модель
знань, яка дозволяє інтегрувати дані з різ-
них джерел та підвищує відтворюваність
результатів. Це особливо важливо у кон-
тексті цифрової трансформації, де дані є
гетерогенними та швидко змінюваними. У
[15] аналізується використання IEEE LOM
у національному репозиторії, підкреслючи
роль семантичних властивостей у відкри-
тих LOR.
У [16] розглядається семантичне
розширення стандартів метаданих, яке за-
безпечує більш точне зіставлення навчаль-
них об’єктів із потребами користувачів. У
[17] досліджено розширення репозиторіїв
LO на основі онтологій, а [18] досліджує
інтеграцію репозиторіїв LO із семантич-
ними технологіями та вікі-середовищами
для підвищення інтероперабельності.
Крім того, дослідники приділяють
увагу використанню онтологій для гібрид-
них систем управління знаннями в освітній
сфері [19], що може бути викристано для
Семантик Веб та лінгвістичні системи
67
їх поєднання із LLM як інструменту для
здобуття знань із природномовних джерел.
Середовище Semantic
MediaWiki
Важливим аспектом створення ін-
телектуальної системи підтримки аспіран-
тури є технологічне рішення, що забезпе-
чує гнучке використання міжнародних
стандартів метаданих у репозиторії, який
містить відомості про суб’єкти та об’єкти
навчання. Таке середовище має дозволяти
накопичувати, аналізувати й інтегрувати
досвід, а також взаємодіяти із зовнішніми
джерелами.
У дослідженні запропоновано вико-
ристання семантичного розширення вікі-
технології як основи для реалізації репози-
торію, що забезпечує персоніфіковану під-
тримку навчання аспірантів і підвищує
ефективність освітнього процесу. SMW
визначено як перспективну платформу для
створення таких семантичних репозиторі-
їв, оскільки вона підтримує RDF, OWL,
SPARQL, RDFa, Microdata, а також інтег-
рацію онтологій і експорт у формати
Linked Data.
Аналіз показав, що Dublin Core є
найбільш сумісним із SMW завдяки підт-
римці RDF і Microdata; IMS LIP та IEEE
PAPI можуть бути адаптовані через онто-
логічне моделювання властивостей, тоді як
xAPI і SCORM потребують зовнішніх
компонентів для повноцінної інтеграції.
Репозиторій містить навчальні ресурси,
профілі аспірантів і наукових керівників, а
також нормативні документи. Основна
мета системи — задоволення індивідуаль-
них інформаційних потреб учасників
освітнього процесу та підтримка добору
навчальних ресурсів відповідно до темати-
ки досліджень.
Особливості профілювання
дорослих здобувачів освіти
Профілювання дорослих здобувачів
освіти має свою специфіку, яка відрізня-
ється від традиційного підходу до молоді-
жної аудиторії.
Ключові особливості дорослих здо-
бувачів освіти: самостійність, практична
мотивація.
Аналізуючи особливості освіти до-
рослих, дослідники визначають такі фун-
даментальні умови мотивації для дорос-
лих, як інклюзія, ставлення, значущість і
компетентність [20]. Крім того, дорослі
здобувачі освіти демонструють чотири
різні мотиваційні профілі, які ґрунтують-
ся на ступені автономної мотивації [21].
Ці профілі значно впливають на рівень
залучення, самооцінки та глибину нав-
чання.
Інші дослідження [22] розширюють
цю ідею у змішаному аналізі мотивації в
онлайн-навчанні, досліджує мотиваційні
профілі дорослих здобувачів освіти за до-
помогою кількісного та якісного аналізу.
Вони демонструють, що ефективне нав-
чання дорослих неможливе без урахування
гетерогенних мотиваційних факторів – від
інструментальної цінності до емоційної
причетності.
У [23] розглядається профілювання
таких аспектів, як саморегуляція та цифро-
ва готовність. Автори рекомендують за-
стосовувати комплексні моделі характери-
стик здобувачів освіти з можливістю гнуч-
кого доповнення параметрів профілю за-
лежно від контексту – наприклад, рівня
цифрової грамотності або стилю самонав-
чання.
Крім того, важливо профілювати
якість мотивації: самодетерміновані здо-
бувачі освіти показали найвищі результа-
ти, зусилля та оцінки [24], щоб реєструва-
ти у профілі та аналізувати мотиваційну
динаміку.
Проаналізовані дослідження свід-
чать, що фіксовані стандарти метаданих не
здатні повністю охопити профіль доросло-
го здобувача освіти.
Аналіз практичних прикладів про-
філювання дорослих здобувачів освіти
дозволяє виокремити основні групи пара-
метрів, якими доцільно доповнювати розг-
лянуті стандарти в Таблиці 2 для побудови
профілю дорослого здобувача освіти.
Семантик Веб та лінгвістичні системи
68
Таблиця 2. Додаткові параметри профілювання дорослих здобувачів освіти
Освітній бекграунд Раніше здобута освіта, сертифікати, курси
Професійний досвід Посада, сфера діяльності, навички, стаж
Мотивація навчання Цілі (кар’єрні, особистісні), очікування
Навчальні уподобання Стиль навчання (візуальний, аудіальний, практичний), формат
(онлайн/офлайн)
Психосоціальні аспекти Сімейний статус, наявність дітей, графік роботи, бар’єри до навчання
Технічна готовність Доступ до пристроїв, інтернету, цифрова грамотність
Потреби в адаптації Особливі потреби, мова навчання, культурні особливості
Ці додаткові елементи профілю до-
зволяють ангдрагогу якісніше проєктувати
план навчання, об’єктивно оцінювати до-
сягнуті результати, робити акценти на ті
знання та навички, які будуть потрібні
здобувачу освіти у майбітньому. Крім то-
го, врахування цих параметрів дозволяє
робити сам процес навчання ефективнішим,
обираючи ті засоби, джерела та умови, що
відповідають індивідуальним потребам
здобувача освіти. Але потрібно проаналі-
зувати, як розглянуті вище стандарти підт-
римують профілювання дорослих здобува-
чів освіти та потребують відповідного ро-
зширення (Таблиця 3).
Таблиця 3. Підтримка профілювання дорослих здобувачів освіти у стандартах
Стандарт Підтримка профілів
дорослих Коментар
IMS LIP Висока Моделює освітні цілі, досвід, компетенції, доступність,
мотивацію
IEEE PAPI Середня Охоплює особисті та поведінкові дані, але менш гнучкий
xAPI Висока Фіксує дії здобувача освіти, дозволяє аналізувати поведін-
ку, але не має цілісного профілю
SCORM Низька Зберігає лише базові дані про проходження курсів
Dublin Core Обмежена Орієнтований на ресурси, не на здобувачів освіти
Семантичне розширення профілю
здобувача освіти: приклади
Розглянемо приклади ситуацій у
таблиці 4, коли профіль дорослого здобу-
вача освіти потребує доповнення семанти-
чними властивостями, що впливають на
побудову персоналізованої траєкторії нав-
чання (PLT) [25].
Якщо додати до профілю семантич-
ну властивість
learningContext:emergencyCondition або
ex:studyingUnderThreat, то це дозволяє на-
голосити, що навчання відбувається в умо-
вах небезпеки, і тоді викладачі бачать не-
обхідність адаптувати дедлайни та формат
завдань.
Існуючі стандарти не фіксують пси-
хоемоційний стан, але, на жаль, внаслідок
обстрілів здобувачі освіти можуть отрима-
ти ознаки посттравматичного стресового
розладу, тривожності, депресії, що негати-
вно впливають на здатність до навчання.
Якщо додати до профілю семантичну вла-
стивість mentalHealthStatus або
traumaExposureLevel, то це дозволить пе-
редбачити можливість адаптації наванта-
ження із застосуванням програм психоло-
гічної підтримки, враховувати стан здобу-
вачів освіти у плануванні його навчання.
Узагальнені приклади ситуацій на-
ведено в таблиці 4.
Семантик Веб та лінгвістичні системи
69
Таблиця 4. Узагальнення ситуацій семантичного розширення профілю здобувача освіти
Ситуація Проблема без
розширення
Семантична
властивість
Очікуваний ефект
Професійна
спеціалізація
Абстрактні освітні
цілі
desiredOccupational
Sector
Пропозиція релевантних
навчальних матеріалів
Освітня
мобільність та
мультимовність
Відсутність
інформації про мови
linguisticProficiency Адаптація мови подання
матеріалів;
Життєві
обставини
(змішане
навчання)
Некоректна
інтерпретація
активності
familyResponsibilities,
caregivingRole
Об'єктивне оцінювання
продуктивності з
урахуванням сімейних
обставин
Особливі потреби
(інклюзія)
Відсутність
адаптованого
контенту
accessibilityNeeds Автоматична подача
контенту у доступному
форматі.
Неформальна
освіта та
мікрокваліфікації
Повторне вивчення
вже засвоєних тем.
nonFormalEducation
Credential
Врахування наявних
компетенцій;
оптимізація навчальної
траєкторії
Воєнний контекст Некоректна оцінка
активності
learningContext:
emergencyCondition,
studyingUnderThreat
Адаптація дедлайнів і
форматів завдань до
надзвичайних обставин
Психоемоційна
травма
Відсутність
урахування ПТСР,
тривожності,
депресії.
mentalHealthStatus,
traumaExposureLevel
Адаптація
навантаження;
інтеграція з програмами
психологічної підтримки
Кожна додаткова властивість до-
зволяє системі та андрагогу ухвалювати
більш обґрунтовані рішення щодо персо-
налізації освітнього процесу, особливо в
складних життєвих обставинах здобувача
освіти.
Недоліки та виклики
семантичного розширення
профілю здобувача освіти
Розширюючи профіль здобувача
освіти, необхідно враховувати й ті про-
блеми, до яких таке розширення може при-
зводити.
1.Зростання обчислювальної склад-
ності
Для генерації PLT для 10 000 здо-
бувачів освіти з унікальними параметрами
потрібно у 5-10 разів більше ресурсів порі-
вняно зі SCORM [26] .
2.Складнощі інтеграції між плат-
формами та інтероперабельності
Довільні розширення викликають
проблеми інтеграції. Додавання властивос-
тей вимагає узгодження термінів, визна-
чення семантики та конвертації форматів
[27]. Тому, чим більше додаткових власти-
востей додається до профілю здобувача
освіти, тим більше складнощів викликає як
експорт, так і імпорт даних до системи.
3.Ризики надмірного збору особистих даних
Розширення може порушити принципи
мінімізації даних, викликаючи етичні ри-
зики [28]. Потрібен додатковий захист пе-
рсональних даних.
Семантичне розширення метаданих
профілю дорослого здобувача освіти є не-
обхідним компонентом адаптивного, ін-
клюзивного та ефективного навчання, тому
що воно може значно підвищити ефектив-
ність навчального процесу. Проте таке ро-
зширення може викликати загрози для пер-
сональних даних тощо, і це необхідно вра-
ховувати у розробці прикладних систем.
Семантик Веб та лінгвістичні системи
70
Класифікація семантичних
властивостей, якими доцільно
доповнювати профіль дорослого
здобувача освіти
Аналіз наведених вище ситуацій та
узагальнення наукових досліджень в цій
сфері дозволяє виокремити наступні групи
семантичих властивостей, якими доцільно
доповнювати профіль дорослого здобувача
освіти, а для більш ефективного моделю-
вання PLT з урахуванням воєнних обста-
вин, мотивації, соціальних ролей та психо-
емоційного стану (Таблиця 5).
Таблиця 5. Класи додаткових семантичних властивостей профілю
дорослого здобувача освіти
Класи властивостей Підкласи властивостей, для яких визначаються
значення у профілі
Тип освітньої активності
(LearningActivity) Курс, заняття, проєкт, сертифікація
Контекст навчання (LearningContext) Місце навчання, воєнний стан, ресурсність
Мотивація (LearningMotivation) Цілі, цінності, внутрішня та зовнішня мотивація
Професійна ціль (CareerGoal) Професійна або рольова трансформація
Соціальна роль (SocialRole) Сімейний статус, волонтерство, військова участь
Психоемоційний стан (MentalHealth) Тривога, стрес, особливі потреби, адаптація
Інституція (Institution) Освітня установа, місце проходження курсів
З онтологічного погляду ці власти-
вості можуть бути розглянуті як опційні
атрибути класу AdultLearner, що уточню-
ють зв’язки з іншими класами освітньої
екосистеми.
Постановка задачі
Зараз навчання дорослих потребує
врахування багатьох індивідуальних фак-
торів: професійного досвіду, соціального
статусу, мотиваційних установок, бар’єрів
до навчання. Традиційні моделі метаданих
мають жорстку структуру, яка не дозволяє
додавати довільні властивості. У цьому
контексті виникає потреба в семантичному
розширенні профілю здобувача освіти —
тобто додаванні до профілю нових семан-
тичних властивостей, що їх системи мо-
жуть інтерпретувати та використовувати
для адаптації навчання. Якщо розширюва-
ти профіль здобувача освіти в конкретно-
му застосунку довільно, без зв’язків зі ста-
ндартами та без визначення семантики
додаткових параметрів, то це значно
ускладнить інтеграцію такого застосунку з
іншими освітніми системами, унеможли-
вить імпорт та експорт профілів здобувачів
освіти та не дозволить повторно викорис-
товувати згенеровані знання.
Тому потрібно розробити інструме-
нти та моделі представлення знань, які
можуть формалізувати інформацію про ці
властивості для їх чіткого та однозначного
розуміння всіма користувачами та сервіса-
ми системи. А також з урахуванням спе-
цифіки сфери навчання та вимог до проце-
су його організації. Прикладом такої задачі
є організація процесу навчання в аспіран-
турі.
Для розв’язання цієї проблеми про-
понується побудувати онтологічну модель
всієї екосистеми навчання та на її основі
явно задавати властивості, зв’язки з інши-
ми компонентами (навчальним об’єктами,
дисциплінами, викладачами) та обмеження
для додаткових параметрів профілю здо-
бувача. Така модель запобігає неоднознач-
ності інтерпретації понять та вибору їхніх
можливих значень. Крім того, наявність
онтологічної моделі значно полегшує ім-
порт та експорт профілів здобувачів освіти
та взаємодію з іншими інтелектуальними
застосунками. Це забезпечить інтеропера-
бельність створеної системи знань та до-
зволить повторно використовувати не
тільки самі профілі, а й досвід, згенерова-
ний на основі їх узагальнення.
Семантик Веб та лінгвістичні системи
71
Програмна реалізація системи
підтримки аспрантів ІПС НАНУ
Інститут програмних систем Націо-
нальної академії наук України здійснює
підготовку здобувачів ступеня доктора
філософії за спеціальністю 122
«Комп’ютерні науки». Метою освітньо-
наукової програми є формування в
аспірантів високого рівня наукової компе-
тентності та здатності до самостійного
проведення досліджень у галузі
комп’ютерних наук.
Розробка інтелектуальної програм-
ної системи для підтримки навчального
процесу та наукової діяльності спрямована
на здобуття та впровадження наявного
досвіду підготовки здобувачів освіти та
надання індивідуальних рекомендацій.
Ключові функції системи: формування
персонального навчального простору, ав-
томатизоване компонування навчального
контенту відповідно до цілей користувача,
аннотоване зберігання LO, підтримка вза-
ємодії між здобувачами освіти та їх науко-
вими керівниками.
Розглянемо запропонований підхід
до профілювання дорослих здобувачів
освіти на прикладі подання інформації
щодо аспірантів ІПС НАНУ в інформацій-
ній системі, що дозволяє надавати персо-
ніфіковані рекомендації аспірантам та абі-
турієнтам щодо вступу та навчання, вибо-
ру наукових керівників та процесу навчан-
ня в аспірантурі.
У межах онтологічної моделі системи
аспірант розглядається як специфічний під-
клас класу AdultLearner і позначається кла-
сом PhDStudent. Цей підклас має розшире-
ний набір властивостей, що відображають
особливості наукової діяльності: тему дисе-
ртації, наукового керівника, публікаційну
активність, участь у конференціях і рівень
сформованості дослідницьких компетентно-
стей. Наприклад, профіль аспіранта включає
такі параметри, як [[Тема дисерта-
ції::Семантичне профілювання у системах
підтримки навчання]], [[Науковий керів-
ник::Сініцин Ігор Петрович]], [[Публіка-
ції::Yurchenko, K. Semantic Annotation in
Learning Ecosystems, 2025]] тощо.
Профіль аспіранта пов’язаний се-
мантичними посиланнями з іншими сутно-
стями освітньо-наукової екосистеми: нав-
чальними об’єктами, науковими керівни-
ками та викладачами, установами, публі-
каціями, конференціями та науковими
проєктами. Це створює цілісну мережу
знань, у якій кожен об’єкт може бути
знайдений або рекомендований на основі
логічних зв’язків. Наприклад, за допомо-
гою SMW-запиту типу ask система автома-
тично виводить перелік публікацій аспіра-
нта, що дозволяє аналізувати його наукову
продуктивність або генерувати звіти для
кафедри та наукового керівника.
Технічна архітектура системи
Технічна архітектура інтелектуальної сис-
теми включає три основні компоненти:
• онтологічну модель екосис-
теми навчання аспірантів (рис.1), що фор-
малізує зв’язки між об’єктами класів
Екземпляр класу “Аспірант”
Екземпляр класу “Науковий керівник”
Рис. 1. Опис екземплярів класів в онтологічній моделі
Семантик Веб та лінгвістичні системи
72
PhDStudent, Supervisor, LearningObject,
Institution та Publication (рис.2);
• семантичний репозиторій
знань на базі Semantic MediaWiki, який
забезпечує структуроване зберігання про-
філів аспірантів та наукових керівникків
(рис.3), навчальних ресурсів і наукових
публікацій;
• інтерфейс користувача у ви-
гляді чат-бота, який забезпечує зручний
доступ до знань і рекомендаційних серві-
сів.
Рис. 2. Семантичні відношення між екземплярами класів в онтлогічній моделі
Сторінка аспіранта
Сторінка LO
Фрпагмент вікікоду
Рис. 3. Представлення екземпляру класу “Аспірант” та його властивостей у семантичному
вікірепозиторії
Семантик Веб та лінгвістичні системи
73
Усі дані, внесені через шаблони
SMW, можуть бути експортовані у форма-
тах RDF/XML або JSON-LD, що забезпе-
чує їхню інтероперабельність із зовнішні-
ми системами (наприклад, Scopus, ORCID
або Wikidata).
Функціонально система виконує кі-
лька взаємопов’язаних завдань. По-перше,
вона забезпечує рекомендаційний меха-
нізм, що добирає курси, наукових керівни-
ків і наукові заходи на основі теми дисер-
тації, рівня підготовки та ключових слів
профілю. По-друге, реалізовано аналітич-
ний модуль, який на основі семантичних
властивостей формує агреговані показни-
ки: розподіл тем досліджень, рівень циф-
рової готовності або активність аспірантів
у публікаціях. По-третє, передбачено інте-
лектуальний чат-бот, який взаємодіє з ко-
ристувачами природною мовою та виконує
запити до SMW у режимі реального часу.
На рис. 3 наведено приклад запиту
щодо придатних LO, який вбудовується в
сторінку здобувача освіти, та може вико-
ристовувати значення додаткових семан-
тичних властивостей цієї сторінки (це де-
монстраційний приклад, тому що побудова
PLT враховує значно більшу кількість па-
раметрів LO, здобувач освіти та андраго-
га). У прикладі передбачено пошук LO для
курсів, які вивчає здобувача освіти, тими
мовами, які він знає. Крім того, такий за-
Сторінка аспіранта
Код вбудованого
запиту
Результат
запиту
Рис. 5. Виконання вбудованих запитів для персоналізованого пошуку LO
[[Category:LO]]
[[Course: Ontological Analysis]]
[[Language::English]]
?Course_title
?Course_author
?Course_date
?Course_status
Рис. 4. Створення запиту за допомогою сторінки семантичного пошуку
Семантик Веб та лінгвістичні системи
74
пит відкидає LO за темами, щодо вивчення
яких здобувач освіти вже має сертифікати.
Важливо, що перелік відповідних LO оно-
влюється автоматично, коли у репозиторій
додаються нові LO.
Для створення коду запиту доцільно
скористатися спеціальною вікісторінкою
“Семантичний пошук” (рис.4), а потім за-
мінити конкретні значення властвостей на
відповідні змінні поточної сторінки для
вбудованого запиту або створити код у
форматі JSON, або RDF для API-запитів
від зовнішніх сервісів.
Вбудовування запиту у вікісторінку
спрощує процес отримання рекомендацій
та є основою для накопичення досвіду
(рис. 5).
Крім того, доцільно передбачити, як
обробляти кілька додаткових СВ одночас-
но – їхній вплив може посилювати однин
одного (наприклад, learning Context:
emergency Condition та mentalHealthSta-
tus:bad), зменшувати (як-от, learning
Context: emergency Condition та ex:role
Substitution Reason) або ж вони взагалі не
пов’язані між собою (наприклад,
linguisticProficiency та SocialRole). Цю ін-
формацію про взаємозв’язки потрібно ві-
добразити в онтологічній моделі для пода-
льшого застосування.
Використання системи KASIS
У межах дослідження, що здійсню-
ється в аспірантурі Інституту програмних
систем НАН України, створено експери-
ментальну систему KASIS (Knowledge-
Augmented Semantic Integration System) для
підвищення ефективності діяльності аспі-
рантури ІПС НАН України. Архітектурно
система KASIS ґрунтується на поєднанні
сучасних технологій обробки природної
мови, онтологічного моделювання та гене-
ративного аналізу. Система реалізує ар-
хітектуру Retrieval-Augmented Generation
(RAG) з інтеграцією SMW та інтегрованої
великої мовної моделі за допомогою API.
Такий підхід забезпечує поєднання генера-
тивного аналізу текстів із онтологічно
структурованими знаннями, створюючи
інтелектуальне середовище для накопи-
чення, систематизації та персоналізованого
доступу до наукової інформації.
Архітектура та основні
компоненти
Центральний модуль GUI (Gradio)
об'єднує процесор документів, клієнта
SMW, LLM та векторного сховища. Мо-
дуль обробки документів: конвертація
через Pandoc, вилучення метаданих та
Рис. 6. Інтерфейс завантаження та статус обробки документа
Семантик Веб та лінгвістичні системи
75
автоматична розмітка RDF за допомою
LLM.
Векторне сховище реалізовано на
основі FAISS, що забезпечує ефективне
обчислення косинусної схожості між ем-
бедингами документів. Це створює пере-
думови для інтеграції KASIS з
внутрішніми сховищами знань і корпора-
тивними навчальними платформами.
Інтерфейс системи організовано як
багатовкладковий додаток, який охоплює
основні напрями взаємодії: завантаження
документів, пошук, чат із документами та
контроль стану системи (рис.6,7).
Контентна підтримка забезпечуєть-
ся через семантичний репозиторій із запи-
тами через SMW API.
Це дозволяє абітурієнтам знаходити реле-
вантні матеріали та, зокрема, орієнтувати-
ся у виборі наукового керівника.
Поточний стан та перспективи
розвитку
Система KASIS у контексті цифро-
вої трансформації аспірантури розгляда-
ється як перспективний інтелектуальний
інструмент підтримки, який має забезпечи-
ти допомогу аспірантам у роботі з науко-
вими джерелами, формуванні профілів
досліджень, відстеженні прогресу та фор-
муванні звітності. Семантична основа
SMW гарантує прозорість і трасованість
результатів, що надалі дозволить
здійснювати експертну перевірку виснов-
ків системи. Інтеграція з великою мовною
моделлю створює можливості для узагаль-
нення, аналітики та пояснення даних із
збереженням посилань на джерела та кон-
текст наукових матеріалів.
Отже, система формує когнітивне
середовище, здатне адаптуватися до по-
треб аспірантів, наукових керівників і
адміністраторів освітнього процесу. Її роз-
гортання у науково-освітній інфраструк-
турі ІПС НАНУ підтверджує доцільність
використання семантичних технологій і
великих мовних моделей для розв’язання
задач інтелектуальної підтримки аспіран-
тури та персоналізації освітньо-наукових
процесів.
Висновки
Проведене дослідження підтверди-
ло доцільність використання семантичних
вікітехнологій і онтологічного аналізу для
структурування природномовної інформа-
ції, що забезпечує ефективний пошук та
задоволення персоналізованих інформа-
ційних потреб у науково-освітньому сере-
довищі [2929]. Запропонована методика
розширення параметрів профілів на основі
онтологічної моделі забезпечує гнучкість
та адаптивність до динамічних предметних
областей.
Рис. 7. Додаткові вікна інтерфейсу
Семантик Веб та лінгвістичні системи
76
Апробація підходу на прикладі сис-
теми KASIS довела його ефективність для
складних і слабо формалізованих сфер.
Розроблена архітектура забезпечує збері-
гання формалізованих відомостей, інтелек-
туальний пошук, генерацію рекомендацій і
побудову персоніфікованих траєкторій.
Досвід тестування підтвердив перс-
пективність поєднання генеративних мов-
них технологій із семантичними репозито-
ріями знань. Це створює основу для адап-
тивних когнітивних сервісів із природно-
мовною взаємодією, експертною верифі-
кацією та прозорою трасованістю джерел.
Результати демонструють, що по-
єднання семантичних технологій, онтоло-
гічного аналізу та великих мовних моделей
формує нову парадигму інтелектуальних
систем управління знаннями, здатних до
самонавчання, пояснюваності та адаптації
до потреб користувачів.
Література
1. Hecht M., Crowley K. Unpacking the learning
ecosystems framework: Lessons from the
adaptive management of biological
ecosystems. Journal of the Learning Sciences.
2020. Vol. 29, No 2. P. 264–284. DOI:
10.1080/10508406.2019.1693381.
2. Rogushina J., Gladun A., Anishchenko O.,
Pryima S. Matching criteria of andragogue
profile components into the adult learning
ecosystem. Proceedings of the 1st Workshop
Software Engineering and Semantic
Technologies (SEST 2025). CEUR Workshop
Proceedings. 2025. Vol. 4053. P. 160–170.
3. IMS Global Learning Consortium. IMS
Learner Information Package Specification.
2001. URL: https://www.imsglobal.org/lip.
4. IEEE LTSC. Draft Standard for Learning
Technology—Public and Private Information
(PAPI) for Learners. IEEE Standards
Association. 2001. URL:
https://standards.ieee.org
5. Weibel S. The Dublin Core: A simple content
description model for the web. Journal of
Electronic Publishing. 1999. Vol. 6, No 3.
DOI: 10.3998/3336451.0006.303..
6. Advanced Distributed Learning Initiative.
Experience API Specification. 2013. URL:
https://xapi.com
7. Dodds P. SCORM Explained. Advanced
Distributed Learning. 2002. URL:
https://adlnet.gov/scorm
8. Smythe C., Tansey F., Robson R. IMS
Learner Information Package Information
Model Specification. IMS Global. 2001. URL:
https://www.imsglobal.org/specifications/lear
ner-information-package
9. IEEE LTSC. Draft Standard for Learning
Technology—Public and Private Information
for Learners. 2000. URL:
https://archives.iw3c2.org/www2002/papi/pap
i_learner_07_main.pdf
10. Lopez D. A lecturer profile categorization for
evaluating education practice quality. 2019
IEEE Frontiers in Education Conference
(FIE). Cincinnati, OH, USA, 2019. P. 1–5.
DOI: 10.1109/FIE43999.2019.9028407.
11. Cruz-Ruiz I., Bravo M., Reyes-Ortíz J. A.
Ontology-based population and enrichment of
researcher profiles. Research in Computing
Science. 2019. Vol. 148, No 3. P. 181–194.
DOI: 10.13053/rcs-148-3-14.
12. Middleton S. E., Shadbolt N. R., De Roure D.
C. Ontological user profiling in recommender
systems. ACM Transactions on Information
Systems. 2004. Vol. 22, No 1. P. 54–88. DOI:
10.1145/963770.963773.
13. Рогушина Ю. В., Гладун А. Я., Прийма С.
М., Аніщенко О. В. Побудова профіля анд-
рагога на основі відкритих джерел інфор-
мації. Матеріали XХIV Міжнародної нау-
ково-практичної конференції «Інформа-
ційні технології та безпека» ІТБ-2024. Київ
: Інжиніринг, 2024. С. 49–52. ISBN: 978-
617-8180-00-3. URL:
https://drive.google.com/file/d/1wsLVnueNR
d62g-k179IHihuJNOYZqR9G/view
14. Stănescu G., Oprea S. V. Recent trends and
insights in semantic web and ontology-driven
knowledge representation across disciplines
using topic modeling. Electronics. 2025. Vol.
14, No 7. Article 1313. DOI:
10.3390/electronics14071313.
15. Megalou E., Oikonomidou M. Photodentro
LOR: A national repository of educational
objects in Greece. 2023. DOI:
10.12681/icodl.12345.
16. Esteban-Gil A., Fernández-Breis J. T.,
Castellanos-Nieves D., Valencia-García R.,
García-Sánchez F. Semantic enrichment of
SCORM metadata for efficient management
of educative contents. Procedia - Social and
Behavioral Sciences. 2009. Vol. 1, No 1. P.
927–932. DOI: 10.1016/j.sbspro.2009.01.163.
Семантик Веб та лінгвістичні системи
77
17. Behr A., Mendes A., Cascalho J., Rossi L.,
Vicari R., Trigo P., Guerra H. Enhancing
learning object repositories with ontologies.
World Conference on Information Systems
and Technologies. Cham : Springer
International Publishing, 2021. P. 463–472.
DOI: 10.1007/978-3-030-72657-7_44.
18. Verbert K., Gašević D., Jovanović J., Duval E.
Ontology-based learning content repurposing.
Special interest tracks and posters of the 14th
international conference on World Wide Web.
Chiba, Japan, 2005. P. 1140–1141. DOI:
10.1145/1062745.1062905.
19. Paquette G. An ontology-driven system for e-
learning and knowledge management. Visual
knowledge modeling for semantic web
technologies: Models and ontologies.
Hershey, PA : IGI Global Scientific
Publishing, 2010. P. 302–324. DOI:
10.4018/978-1-60566-694-6.ch015.
20. Wlodkowski R. J., Ginsberg M. B. Enhancing
adult motivation to learn: A comprehensive
guide for teaching all adults. 3rd ed. San
Francisco: Jossey-Bass, 2008. 530 p. ISBN
978-0-7879-9520-1. URL:
ekladata.com/iJLoOLufKEurVuG5mA2Ke1rJ
5dQ/-Raymond_J._Wlodkowski-
_Enhancing_adult_motivation-Bokos-Z1-.pdf
21. Rothes A., Lemos M. S., Gonçalves T.
Motivational profiles of adult learners. Adult
Education Quarterly. 2017. Vol. 67, No 1. P.
3–29. DOI: 10.1177/0741713616669588.
22. Zhang F., Xia Y., Wang Y., Liu J., Xia J.,
Chen C. A mixed methods study of adult
learners' online learning motivation profiles.
Education and Information Technologies.
2025. Vol. 30. P. 14043–14068. DOI:
10.1007/s10639-025-13382-2.
23. Vanslambrouck S., Zhu C., Lombaerts K.
Adult learners' readiness for online learning:
Examining learner characteristics and
motivation. Educational Technology Research
and Development. 2018. Vol. 66, No 1. P. 1–
20. DOI: 10.1007/s11423-017-9506-1.
24. Boiché J., Stephan Y. Motivational profiles
and achievement in physical education: A
self-determination perspective. Journal of
Educational Psychology. 2014. Vol. 106, No
2. P. 564–576. DOI: 10.1037/a0034395.
25. Tlili A., Salha S., Shehata B., Zhang X.,
Endris A., Arar K., Jemni M. How to maintain
education during wars?: An integrative
approach to ensure the right to education.
Open Praxis. 2024. Vol. 16, No 2. P. 160–
179. DOI: 10.55982/openpraxis.16.2.627.
26. Yadav R., Singh V. P., Bhasker B. Ontology-
based learner profiling and personalized
recommendations. Journal of Intelligent
Systems. 2022. Vol. 31, No 1. P. 1015–1034.
DOI: 10.1515/jisys-2022-0055.
27. Sánchez-Alonso S., Sicilia M. A., García-
Barriocanal E. Interoperability issues in
learning object metadata. Journal of
Information Science. 2011. Vol. 37, No 3. P.
293–308. DOI: 10.1177/0165551511406335.
28. Zicari R. V. et al. Ethical Guidelines for
Trustworthy AI. EU High-Level Expert Group
on AI Report. 2021. URL: https://digital-
strategy.ec.europa.eu/en/library/ethics-
guidelines-trustworthy-ai.
29. Pryima S., Rogushina J., Strokan O. Use of
semantic technologies in the process of
recognizing the outcomes of non-formal and
informal learning. Workshop Proceedings
Proc. of the 11th International Conference of
Programming UkrPROG, 2018, CEUR Vol-
2139. P.226-235. http://ceur-ws.org/Vol-
2139/226-235.pdf.
Одержано: 17.12.2025
Внутрішня рецензія отримана: 21.12.2025
Зовнішня рецензія отримана: 22.12.2025
Про авторів:
Рогушина Юлія Віталіївна,
канд.фіз.-мат.наук, с.н.с., доц.
ORCID ID: 0000-0001-7958-2557
Юрченко Костянтин Юрійович,
аспірант,
молодший науковий співробітник.
ORCID ID: 0000-0003-3150-0027
Місце роботи авторів:
Інститут програмних систем
НАН України,
03187, м. Київ, проспект
Академіка Глушкова, 40, корпус 5.
E-mail: ladamandraka2010@gmail.com,
urchikak8@gmail.com.
|
| id | pp_isofts_kiev_ua-article-877 |
| institution | Problems in programming |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-03-12T21:22:53Z |
| publishDate | 2026 |
| publisher | PROBLEMS IN PROGRAMMING |
| record_format | ojs |
| resource_txt_mv | ppisoftskievua/0e/261de575e8fcebbcc10376424f024d0e.pdf |
| spelling | pp_isofts_kiev_ua-article-8772026-02-12T15:27:30Z Ontological modeling of adult learning ecosystem as a personalization tool Онтологічне моделювання екосистеми освіти дорослих як інструмент персоніфікації Rogushina, J.V. Yurchenko, K.Yu. ontological modeling; semantic profiling; adult learners; personalized learning; Semantic MediaWiki; large language models; digital learning ecosystem UDC 004.8:004.724 онтологічне моделювання; семантичне профілювання; дорослі здобувачі освіти; персоніфіковане навчання; Semantic MediaWiki; великі мовні моделі; цифрова екосистема навчання УДК 004.8:004.724 The article is devoted to the development of methods for semantic expansion of adult learners' profiles for per sonalization of education in the context of the digital transformation. We analyse metadata standards used for describing of learners and learning objects and define that these standards have insufficient flexibility for pro filing adults, especially in the andragogical context. We consider some practical situations that demonstrate the need for additional semantic properties of the profile (professional specialisation, educational mobility and multilingualism, the life circumstances of the learner, special needs for inclusive learning, informal education and micro-qualifications, learning under fire in a state of martial law, and psycho-emotional trauma) and de termine the additional semantic properties and the expected effect of their use. On this base an approach to flexible extension of standards based on ontological modelling of the adult learning ecosystem is proposed. This approach uses classification of additional semantic properties of the profile of an adult learner by groups: type of educational activity, learning context, motivation, professional goal, social role, psycho-emotional state, institution. An prototype system for intelligent support of postgraduate students based on Semantic MediaWiki and large language mdels is described. The system implements a generation architecture with advanced search, combining ontologically structured knowledge with the capabilities of generative text analysis. Testing of the approach at the Institute of Software Systems of the National Academy of Sciences of Ukraine confirmed the effectiveness of semantic profiling for building personalised educational trajectories and intelligent search for educational resources.Prombles in programming 2025; 4: 63-77 Стаття присвячена розробці методів семантичного розширення профілів дорослих здобувачів освіти для персоніфікації навчального процесу в умовах цифрової трансформації. Проаналізувавши міжнаро дні стандарти метаданих для профілювання здобувачів освіти та навчальних об'єктів, ми виявили, що жоден із них не забезпечує достатньої гнучкості для профілювання дорослих здобувачів освіти, особ ливо в контексті андрагогіки. Ми розглянули кілька типових практичних ситуацій, що демонструють необхідність додаткових семантичних властивостей профілю (професійна спеціалізація, освітня мобі льність та мультимовність, життєві обставини здобувача освіти, особливі потреби для інклюзивного навчання, неформальна освіта та мікрокваліфікації, навчання під обстрілами в умовах воєнного стану, психоемоційна травма), визначили потрібні додаткові семантичні властивості та очікуваний ефект від їх використання. На базі цього запропоновано підхід до гнучкого розширення стандартів на основі он тологічного моделювання екосистеми навчання дорослих, який використовує класифікацію додаткових семантичних властивостей профілю дорослого здобувача освіти за групами: тип освітньої активності, контекст навчання, мотивація, професійна ціль, соціальна роль, психоемоційний стан, інституція. Переваги запропонованого рішення демонструє прототип системи інтелектуальної підтримки аспіран тів, що використовує Semantic MediaWiki та великі мовні моделі. Система реалізує архітектуру генера ції з розширеним пошуком, поєднуючи онтологічно структуровані знання з можливостями генератив ного аналізу текстів. Апробація системи в Інституті програмних систем Національної академії наук Ук раїни підтвердила ефективність семантичного профілювання для побудови персоніфікованих освітніх траєкторій та інтелектуального пошуку навчальних ресурсів.Prombles in programming 2025; 4: 63-77 PROBLEMS IN PROGRAMMING ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ ПРОБЛЕМИ ПРОГРАМУВАННЯ 2026-02-12 Article Article application/pdf https://pp.isofts.kiev.ua/index.php/ojs1/article/view/877 PROBLEMS IN PROGRAMMING; No 4 (2025); 63-77 ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ; No 4 (2025); 63-77 ПРОБЛЕМИ ПРОГРАМУВАННЯ; No 4 (2025); 63-77 1727-4907 uk https://pp.isofts.kiev.ua/index.php/ojs1/article/view/877/930 Copyright (c) 2026 PROBLEMS IN PROGRAMMING |
| spellingShingle | ontological modeling semantic profiling adult learners personalized learning Semantic MediaWiki large language models digital learning ecosystem UDC 004.8:004.724 Rogushina, J.V. Yurchenko, K.Yu. Ontological modeling of adult learning ecosystem as a personalization tool |
| title | Ontological modeling of adult learning ecosystem as a personalization tool |
| title_alt | Онтологічне моделювання екосистеми освіти дорослих як інструмент персоніфікації |
| title_full | Ontological modeling of adult learning ecosystem as a personalization tool |
| title_fullStr | Ontological modeling of adult learning ecosystem as a personalization tool |
| title_full_unstemmed | Ontological modeling of adult learning ecosystem as a personalization tool |
| title_short | Ontological modeling of adult learning ecosystem as a personalization tool |
| title_sort | ontological modeling of adult learning ecosystem as a personalization tool |
| topic | ontological modeling semantic profiling adult learners personalized learning Semantic MediaWiki large language models digital learning ecosystem UDC 004.8:004.724 |
| topic_facet | ontological modeling semantic profiling adult learners personalized learning Semantic MediaWiki large language models digital learning ecosystem UDC 004.8:004.724 онтологічне моделювання семантичне профілювання дорослі здобувачі освіти персоніфіковане навчання Semantic MediaWiki великі мовні моделі цифрова екосистема навчання УДК 004.8:004.724 |
| url | https://pp.isofts.kiev.ua/index.php/ojs1/article/view/877 |
| work_keys_str_mv | AT rogushinajv ontologicalmodelingofadultlearningecosystemasapersonalizationtool AT yurchenkokyu ontologicalmodelingofadultlearningecosystemasapersonalizationtool AT rogushinajv ontologíčnemodelûvannâekosistemiosvítidoroslihâkínstrumentpersonífíkacíí AT yurchenkokyu ontologíčnemodelûvannâekosistemiosvítidoroslihâkínstrumentpersonífíkacíí |