Abstract
Возрастающая сложность образовательной среды и рынка труда требует создания систем профориентации, способных анализировать разнородные данные и формировать персонализированные, интерпретируемые рекомендации. Целью настоящего исследования является разработка гибридной системы профориентации на основе искусственного интеллекта, объединяющей алгоритмы кластеризации, нейросетевой классификатор и модуль экспертных правил. Предлагаемая система обрабатывает четыре группы данных: психологические профили пользователей, результаты обучения, поведенческие показатели, полученные из цифровой образовательной среды, а также информацию о рынке труда. Для выявления групп пользователей со схожими профессиональными интересами и особенностями обучения применяются алгоритмы K-means и DBSCAN, а многослойный перцептрон прогнозирует наиболее подходящее профессиональное направление. Экспертный модуль дополняет результаты модели, формируя прозрачные и интерпретируемые рекомендации. Эффективность системы оценивалась с использованием метрик accuracy, F1-score, средней абсолютной ошибки (MAE), а также экспертной оценки интерпретируемости рекомендаций. Экспериментальные результаты показали, что гибридная модель достигла точности около 0,71–0,78 и обеспечила повышение среднего значения F1-score примерно на 12 % по сравнению с отдельной нейросетевой моделью. Полученные результаты подтверждают, что объединение методов машинного обучения, нейронных сетей, кластеризации и экспертных знаний позволяет повысить точность, устойчивость и объяснимость рекомендаций по профессиональной ориентации. Разработанная система может использоваться в школах, колледжах и университетах и адаптироваться к изменениям рынка труда без необходимости полной переработки модели.