МЕТОД ПІДБОРУ ТА РОЗПОДІЛУ РЕКОМЕНДОВАНИХ НАВЧАЛЬНИХ КУРСІВ ДЛЯ ПРАЦІВНИКІВ ІТ-КОМПАНІЇ
DOI:
https://doi.org/10.30977/BUL.2219-5548.2026.112.0.122Ключові слова:
рекомендаційна система, метод на основі вмісту, персоналізоване навчання, розвиток навичок, оптимізаційна модель, метод ідеальної точки, максимізація корисностіАнотація
У статті розглядається проблема підбору та розподілу рекомендованих навчаль-них курсів для працівників ІТ-компанії. Метою роботи є розроблення ефективного методу, який забезпечує автоматизований вибір релевантних навчальних матеріалів та їх оптималь-ний розподіл між співробітниками. У межах дослідження здійснено аналіз освітніх потреб працівників, визначено ключові критерії відбору курсів, а також запропоновано метод підбору на основі аналізу вмісту та рекомендаційний підхід, що враховує індивідуальні компетенції, мету професійного розвитку та інтереси працівників. Розроблений метод дозволяє формувати персоналізовані освітні траєкторії, підвищувати ефективність навчання та сприяти більш раціональному розподілу ресурсів компанії. Впровадження запропонованого підходу забезпе-чить покращення професійних навичок персоналу та підвищить якість вирішення проєктних завдань у сфері інформаційних технологій.
Посилання
Батраченко В. О., Колесник Л. В. Розробка алгоритму підбору та розподілу рекоменда-ційних курсів працівникам ІТ-компанії. Ком-п’ютерно-інтегровані технології автомати-зації технологічних процесів на транспорті та у виробництві: тези доповіді. Харків. 2023. С. 280–284.
Tarnowska K., Ras Z. W., Daniel L. Recom-mender System for Improving Customer Loyalty. Cham: Springer International Publishing, 2020. DOI: 10.1007/978-3-030-13438-9.
Recommender System Applications. Recommen-der Systems. 2020. P. 39–62. DOI: 10.1142/ 9789811224638_0003.
Saleh I., Chartron G., Kembellec G. Recommender Systems. Wiley & Sons, Incorporated, John, 2021. 252 p.
Agarwal D. K., Chen B. C. Statistical Methods for Recommender Systems. Cambridge University Press, 2015. 284 р. DOI: 10.1017/ CBO97811 39565868.
Adomavicius G., Manouselis N., Kwon Y. Multi-criteria recommender systems. In: Ricci F., Ro-kach L., Shapira B., Kantor P.B. (Eds.). Recom-mender systems handbook. Boston, Springer, 2011. P. 769–803. DOI: 10.1007/978-0-387-85820-3_24.
Determining preferences in recommender systems based on comparator identification technology / V. Beskorovainyi et al. Innovative Technologies and Scientific Solutions for Industries. 2022. No. 2 (20). P. 14–21. DOI: 10.30837/ITSSI. 2022.20.014.
Mathebula J., Mbuli N. Application of TOPSIS for Multi-Criteria Decision Analysis (MCDA). A Sys-tematic Literature Review. Energies. 2025. Vol. 18 (13). No. 3478. DOI: 10.3390/en 18133478.
TOPSIS and AHP-Based Multi-Criteria Decision-Making Approach for Evaluating Redevelopment in Old Residential Projects / С. Park et al. Sus-tainability. 2025. Vol. 17. No. 7072. DOI: 10.3390/su17157072
Recommendation System Based on a Compact Hybrid User Model Using Fuzzy Logic Algo-rithms / N. Khairova et al. Ceur Workshop Pro-ceedings. 2025. Vol. 4015. P. 22–31.
Hansen S., Narayanan N. H., Hegarty M. Design-ing Educationally Effective Algorithm Visualiza-tions. Journal of Visual Languages & Computing. 2002. Vol. 13. No. 3. P. 291–317. URL: DOI:10.1006/jvlc.2002.0236.
Wengrow J. A. Common-Sense Guide to Data Structures and Algorithms. Pragmatic Bookshelf. 2020. 508 p.
Beebe N. H. F. Exponential and logarithm. The Mathematical-Function Computation Handbook. Cham, 2017. P. 267–298. DOI: 10.1007/978-3-319-64110-2_10.
