Publikace detail

Data Science Framework for Adaptive Expert Systems: Psychological Profiling and Knowledge Fusion in Higher Education

Autoři: Mesic Tomislav | Hub Miloslav

Rok: 2025

Druh publikace: článek v odborném periodiku

Název zdroje: Acta Informatica Pragensia

Strana od-do: 1-18

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Rámec datové vědy pro adaptivní expertní systémy: Psychologické profilování a fúze znalostí ve vysokoškolském vzdělávání	Souvislosti: Tradiční expertní systémy ve vzdělávání se spoléhají na statické znalostní báze a logiku založenou na pravidlech, což omezuje jejich schopnost přizpůsobit se rozmanitým a vyvíjejícím se potřebám studentů. Nedávný pokrok v oblasti umělé inteligence a psychologického profilování nabízí nové cesty pro budování personalizovaných podpůrných systémů. Cíl: Tato studie představuje rámec datové vědy pro vývoj adaptivních expertních systémů, které personalizují poskytování podpory pomocí dynamického psychologického profilování, se zaměřením na oblast vysokoškolského vzdělávání. Metody: Navrhovaný systém integruje pět základních komponent: MIND (multimodální informační orchestrátor), UEX (znalostní báze expertních systémů), ULM (doménovo-specifický model velkého jazyka), PAGE (generativní engine adaptivní k osobnosti) a SYNAPSE (modul dynamického profilování). Psychologické personalizace je dosaženo pomocí multimodálního klasifikátoru Myers-Briggs Type Indicator (MBTI), který byl vyvinut a validován v samostatné studii. V tomto článku je klasifikátor operacionalizován v systému, aby umožnil profilování v reálném čase. Chování systému je řízeno multimodální fúzí dat a průběžně aktualizováno na základě interakcí uživatelů. Hodnocení se zaměřuje na dopad personalizace založené na MBTI na spokojenost uživatelů, hodnocenou prostřednictvím kontrolovaného průzkumu porovnávajícího generické a personalizované odpovědi systému. Výsledky: V experimentu zahrnujícím 70 účastníků s identifikovanými profily MBTI 79 % preferovalo odpovědi generované pomocí PAGE (psychologicky personalizované) před generickými výstupy. Tato preference byla konzistentní u většiny typů MBTI, což naznačuje širokou použitelnost personalizace. U typů s preferencí stručné komunikace byly pozorovány drobné odchylky, což naznačuje variabilitu v účinnosti personalizace. Závěr: Zjištění ukazují, že začlenění psychologického profilování do pracovních postupů expertních systémů zvyšuje vnímanou relevanci
eng	Data Science Framework for Adaptive Expert Systems: Psychological Profiling and Knowledge Fusion in Higher Education	Background: Traditional expert systems in education rely on static knowledge bases and rule-based logic, limiting their ability to adapt to the diverse and evolving needs of students. Recent advancements in artificial intelligence and psychological profiling offer new pathways for building personalized support systems. Objective: This study presents a data science framework for developing adaptive expert systems that personalize support delivery using dynamic psychological profiling, with a focus on the higher education domain. Methods: The proposed system integrates five core components: MIND (a multimodal information orchestrator), UEX (expert system knowledge base), ULM (domain-specific large language model), PAGE (a personality-adaptive generative engine), and SYNAPSE (a dynamic profiling module). Psychological personalization is achieved using a multimodel Myers-Briggs Type Indicator (MBTI) classifier developed and validated in a separate study. In this paper, the classifier is operationalized within the system to enable real-time profiling. System behavior is driven by multimodal data fusion and continuously updated based on user interactions. The evaluation focuses on the impact of MBTI-based personalization on user satisfaction, assessed through a controlled survey comparing generic and personalized system responses. Results: In an experiment involving 70 participants with identified MBTI profiles, 79% preferred responses generated by PAGE (psychologically personalized) over generic outputs. This preference was consistent across most MBTI types, indicating the broad applicability of personalization. Minor deviations were observed for types with a preference for concise communication, suggesting variability in personalization effectiveness. Conclusion: The findings demonstrate that embedding psychological profiling into expert system workflows enhances perceived relevance and engagement of system responses. This adaptive framework enables real-time person	Data science; Psychological data mining; Adaptive user modeling; Expert recommendation systems; Multimodal data processing; Myers-Briggs Type Indicator

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte