Концептуальна інформаційна модель та методи створення персоналізованого інформаційного сервісу науковця
Анотація
Сучасна наукова діяльність відбувається в умовах зростання обсягів даних і фрагментованості цифрових інструментів. Дослідники змушені використовувати численні незалежні сервіси – від пошукових систем і бібліографічних менеджерів до платформ аналітики та наукової комунікації. Це ускладнює робочі процеси, спричиняє дублювання дій та знижує ефективність досліджень. Метою проведеного дослідження було розроблення концептуальної моделі персоналізованого інформаційного сервісу науковця, здатного об’єднати пошукові, аналітичні, бібліографічні та комунікаційні функції в інтегрованому середовищі. Методологія дослідження передбачала інформаційне моделювання, інтеграцію даних із відкритих джерел через інтерфейс програмування застосунків та формалізацію користувацького профілю для автоматизованого добору релевантних сервісів. Результатом стало створення формалізованої інформаційної моделі, поданої у вигляді інформаційної квінтуплі F = (P, S, D, I, U), де P – модуль формування профілю, S – модуль відбору сервісів, D – модуль даних, I – інтерфейсний модуль, U – аналітична підсистема. Профіль користувача P описано як векторну структуру, що включає параметри інтересів, тематичних напрямів, інструментів і мов. Для кожного зовнішнього сервісу Si визначчено релевантність R (Si, P), обчислена за допомогою нормалізаційної функції fₙₒᵣₘ і метрики схожості Sim, що забезпечило побудову персоналізованої конфігурації сервісів. Практичне впровадження моделі у прототипі (Flutter + Firebase) продемонструвало її дієвість для скорочення часу пошуку релевантної інформації та підвищення ефективності наукової діяльності. Отримані результати можуть слугувати основою для створення адаптивних цифрових платформ, що підтримують відкриту науку та міждисциплінарну взаємодію
Ключові слова
адаптивні цифрові платформи; наукова комунікація; профіль користувача; персоналізація даних; інтеграція наукових ресурсів; користувацький інтерфейс; підтримка досліджень
Використані джерела
- Adewale, T. (2022). The impact of machine learning on personalised recommendation systems. Retrieved from https://www.researchgate.net/publication/386337230.
- Carrera-Rivera, A., Larrinaga, F., Lasa, G., Martinez-Arellano, G., & Unamuno, G. (2024). AdaptUI: A framework for the development of adaptive user interfaces in smart product-service systems. User Modeling and User-Adapted Interaction, 34, 1929-1980. doi: 10.1007/s11257-024-09414-0.
- Chen, J., Dong, H., Wang, X., Feng, F., Wang, M., & He, X. (2020). Bias and debias in recommender system: A survey and future directions. ArXiv. doi: 10.48550/arXiv.2010.03240.
- Fei, Y., Ruel, L., Ryan, T., Qian, X., Hong, C., Stan, K., Xuan, N.B., Anna, K., & Javed, M. (2020). Innovative UX methods for information access based on interdisciplinary approaches: Practical lessons from academia and industry. Data and Information Management, 4(1), 74-80. doi: 10.2478/dim-2020-0004.
- Ferri, P. (2022). The impact of artificial intelligence on scientific collaboration: Setting the scene for a future research agenda. In Proceeding of the Eu-SPRI conference «Challenging Science and innovation policy». Utrecht: Copernicus Institute of Sustainable Development, Utrecht University.
- Garzón, J., Patiño, E., & Marulanda, C. (2025). Systematic review of artificial intelligence in education: Trends, benefits, and challenges. Multimodal Technologies and Interaction, 9(8), article number 84. doi: 10.3390/ mti9080084.
- Gligorea, I., Cioca, M., Oancea, R., Gorski, A.-T., Gorski, H., & Tudorache, P. (2023). Adaptive learning using artificial intelligence in e-learning: A literature review. Education Sciences, 13(12), article number 1216. doi: 10.3390/ educsci13121216.
- Hussein, S., & Maan, N. (2023). UACA: Unified access control approach for heterogeneous database based-on service data object. Technium: Romanian Journal of Applied Sciences and Technology, 9, 26-40. doi: 10.47577/ technium.v9i.8686.
- Ko, H., Li, S., & Chen, Y. (2022). A survey of recommendation systems: Recommendation models, techniques, and application fields. Electronics, 11(1), article number 141. doi: 10.3390/electronics11010141.
- Kreutz, C.K., & Schenkel, R. (2022). Scientific paper recommendation systems: A literature review of recent publications. International Journal on Digital Libraries, 23, 335-369. doi: 10.1007/s00799-022-00339-w.
- Li, S., & Li, D. (2025). Research on personalised learning recommendation system based on machine learning algorithm. Scalable Computing: Practice and Experience, 26(1), 432-440. doi: 10.12694/scpe.v26i1.3844.
- Masciari, E., Umair, A., & Ullah, M.H. (2024). A systematic literature review on AI-based recommendation systems and their ethical considerations. IEEE Access, 12, 121223-121241. doi: 10.1109/ACCESS.2024.3451054.
- Nikiforova, L., Dohtieva, I., & Zharinov, S. (2025). Specificity of the design of the development of an information resource and an electronic register of scientific professional publications in the context of digitalisation of the scientific field. Innovation and Sustainability, 4, 62-75. doi: 10.31649/ins.2024.4.62.75.
- Petryna, D., Kornuta, V., & Kornuta, O. (2024). Using neural network tools to accelerate the development of Web interfaces. Information Technologies and Computer Engineering, 60(2), 42-50. doi: 10.31649/1999-9941-202460-2-42-50.
- Putri, C.A., Syaifuddin, A., Rohman, N., Aziz, A., & Ponijan, R.M.P. (2025). Optimizing the use of digital libraries in basic education. Edunesia: Jurnal Ilmiah Pendidikan, 6(1), 1-13. doi: 10.51276/edu.v6i1.940.
- Riordan, A., Echeverria, V., Jin, Y., Yan, L., Swiecki, Z., Gašević, D., & Martinez-Maldonado, R. (2024). Human-centred learning analytics and AI in education: Systematic literature review. Computers and Education: Artificial Intelligence, 6, article number 100215. doi: 10.1016/j.caeai.2024.100215.
- Roy, D., & Dutta, M. (2022). A systematic review and research perspective on recommender systems. Journal of Big Data, 9, article number 59. doi: 10.1186/s40537-022-00592-5.
- Shovkoplias, M.O., & Liubchak, V.O. (2024). Review of models and methods for individual customisation of a scientist’s information service. Information Technology: Computer Science, Software Engineering and Cyber Security, 2, 88-96. doi: 10.32782/IT/2024-2-11.
- Umbach, M. (2024). Open Science and the impact of Open Access, Open Data, and FAIR publishing principles on data-driven academic research: Towards ever more transparent, accessible, and reproducible academic output? Statistical Journal of the IAOS, 40(1), 59-70. doi: 10.3233/SJI-240021.
- Vargo, S.L., & Lusch, R.F. (2025). Service-dominant logic 2025. International Journal of Research in Marketing, 34(1), 46-67. doi: 10.1016/j.ijresmar.2016.11.001.
- Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., & Du, Z. (2024). Artificial intelligence in education: A systematic literature review. Expert Systems with Applications, 252(A), article number 124167. doi: 10.1016/j. eswa.2024.124167.
- Zhao, N., Wei, C., Zhang, X., & Li, J. (2025). The role of AI in facilitating interdisciplinary collaboration: Evidence from AlphaFold. ArXiv. doi: 10.48550/arXiv.2508.13234.