Информационно - коммуникационные и химические технологии

Том_ 1 № 30 (2026) / 2026-03-30 / Кол. просмотров: 165

ПРОЕКТИРОВАНИЕ КЛИЕНТ-СЕРВЕРНОГО ПРИЛОЖЕНИЯ С СИСТЕМОЙ ПЕРСОНАЛИЗИРОВАННЫХ РЕКОМЕНДАЦИЙ ДЛЯ ИЗУЧЕНИЯ АНГЛИЙСКОГО ЯЗЫКА

Авторы

Международный университет Астана
https://orcid.org/0009-0004-5803-8674
Международный университет Астана
https://orcid.org/0000-0001-7494-9794
Международный университет Астана
https://orcid.org/0000-0002-6381-9350
Международный университет Астана
https://orcid.org/0009-0000-7000-0653

Ключевые слова

персонализированные рекомендации, клиент-серверное приложение, адаптивное обучение, английский язык, проектирование системы, образовательные технологии, база данных, машинное обучение, XGBoost, ROC-AUC

DOI ссылка:

https://doi.org/10.58805/kazutb.v.1.30-1336

Как цитировать

Орынбай, Д.Д., и др. «ПРОЕКТИРОВАНИЕ КЛИЕНТ-СЕРВЕРНОГО ПРИЛОЖЕНИЯ С СИСТЕМОЙ ПЕРСОНАЛИЗИРОВАННЫХ РЕКОМЕНДАЦИЙ ДЛЯ ИЗУЧЕНИЯ АНГЛИЙСКОГО ЯЗЫКА». Вестник КазУТБ, т. 1, вып. 30, март 2026 г., doi:10.58805/kazutb.v.1.30-1336.

Аннотация

В статье представлено проектирование клиент-серверного приложения с персонализированными рекомендациями для изучения английского языка. Актуальность определена необходимостью преодоления ограничений традиционных методов, не учитывающих индивидуальные особенности студентов. Исследуются архитектурные решения для формирования индивидуализированных траекторий обучения на основе анализа прогресса и адаптации сложности по шкале CEFR.

Применены методы системного анализа образовательных платформ, объектно-ориентированного проектирования, нормализации баз данных и контентной фильтрации. Разработана трехуровневая архитектура: уровень представления (HTML5, CSS3, JavaScript), уровень бизнес-логики (PHP) и уровень данных (MySQL).

Спроектирована трехэтапная методика персонализации: начальное адаптивное тестирование из 20 вопросов, автоматическое формирование траектории с подбором пяти тематических уроков, и динамическая адаптация материалов. Разработана диаграмма с тремя типами актеров: неавторизованный пользователь, ученик с доступом к более чем 10 функциям и преподаватель с мониторингом прогресса.

Результаты включают масштабируемую архитектуру, методику с автоматическим подбором контента по баллам (0-10 - A1, 11-13 - A2, 14-17 - B1, 18-20 - B2), ML-сравнение трёх алгоритмов классификации (Logistic Regression, XGBoost, SVM) с метриками Precision/Recall/F1/ROC-AUC, оценку вычислительной сложности O(n·m) и интеграцию с четырьмя внешними API-сервисами.