Бобарчук, Олександр АнтоновичЗлотківська, Тетяна Володимирівна2025-10-242025-10-242025Бобарчук О.А., Злотківська Т.В. Застосування технологій багатоагентного штучного інтелекту для моделювання взаємодій в освітніх симуляторах / Комп'ютерні ігри та мультимедіа як інноваційний підхід до комунікації - 2025 / Матер. V Всеукр. наук.-техн. конф. мол. вчених, асп. і студ., Одеса, 25-26 вересня 2025 р. - Одеса, Видавництво ОНТУ, 2025 р. С. 473-475.https://er.kai.edu.ua/handle/KAI/679251. Guide to multi-agent systems (MAS). What is a multi-agent system? – Google Cloud. URL: https://cloud.google.com/discover/what-is-a-multi-agent-system (дата звернення 08.09.2025). 2. Agents in Artificial Intelligence. What are They and How They are Used. Overview. CASES, Springs, August 16, 2024. URL: https://cases.media/en/article/agents-in-artificial-intelligence-what-arethey-and-how-they-are-used?srsltid=AfmBOoqNsGeSp667ki--PXeTKMf2k-JScq5WlEqSOCd6xC0Sgi3Ug1as (дата звернення 08.09.2025). 3. Kubrak, Y., Plechystyy, D., Romanishyn, V. (2022). A multi-agent system of artificial intelligence forming principles. COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, (48). https://doi.org/10.36910/6775-2524-0560-2022-48-12 (дата звернення 08.09.2025). 4. Wang, L., Ahmad, K., Kim, S. Multi-Agent Reinforcement Learning for Emergent Gameplay in Complex Environments, 2023. Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment, 19(1). URL: https://arxiv.org/html/2504.21048v1 (дата звернення 08.09.2025). 5. Cahya Nugraha, Ade Irma Purnamasari, Agus Bahtiar, Edi Tohidi. Implementation of Finite State Machine on NPCs to Improve Game Productivity, June 2025. Journal of Artificial Intelligence and Engineering Applications (JAIEA) 4(3):1673-1677. URL: https://www.researchgate.net/publication/392709860_Implementation_of_Finite_State_Machine_on_NPCs_to_Improve_Game_Productivity (дата звернення 08.09.2025). 6. Zhengyang Li, Qijin Ji, Xinghong Ling, Quan Liu. A Comprehensive Review of Multi-Agent Reinforcement Learning in Video Games, January 2025. IEEE Transactions on Games PP(99):1-21. URL: https://arxiv.org/pdf/2509.03682 (дата звернення 08.09.2025). 7. Wenhui Fan, Peiyu Chen, Daming Shi, Xudong Guo. Multi-Agent Modeling and Simulation in the AI Age. Tsinghua University Press Tsinghua Science and Technology. URL: https://www.researchgate.net/publication/354998329_Multiagent_modeling_and_simulation_in_the_AI_age (дата звернення 08.09.2025). 8. Chen, X., Park, S. Adaptive Gamified Learning Systems Powered by Multi-Agent AI, 2024. IEEE Transactions on Learning Technologies, 17. URL: https://www.sciencedirect.com/science/article/pii/S2666920X21000114 (дата звернення 08.09.2025). 9. Li, W., Garcia, F. Multi-Agent Systems for Dynamic Difficulty Adjustment in Educational Games, 2025. Computers & Education, 195, 104721. URL: https://www.researchgate.net/publication/312028327_Dynamic_difficulty_adjustment_systems_for_various_game_genres (дата звернення 08.09.2025). 10. Бобарчук О.А., Злотківська Т.В. Інноваційні можливості розвитку штучного інтелекту за допомогою мультимодального підходу / Наука, технологія, інновації, №4, 2024. 11. Пушкар О. І., Бобарчук О.А., Денисенко С. М., Гальченко С.М., Злотківська Т.В. Шляхи розвитку штучного інтелекту в Освіті 4.0 / Штучний інтелект у науці та освіті (AISE 2025). Artificial intelligence in science and education : колективна монографія (Київ, 15-16 квітня 2025 р.) [Електронний ресурс] / [упоряд: А. Яцишин, В. Матусевич, В. Коваленко]. Київ : УкрІНТЕІ, 2025.Розглянуті багатоагентні системи як перспективний напрям розвитку штучного інтелекту з широкими можливостями для освіти. Вони являють собою середовище взаємодії автономних агентів, здатних співпрацювати, конкурувати й ухвалювати рішення у реальному часі. Поєднання методів машинного та глибинного навчання, підкріплювального навчання й еволюційних алгоритмів забезпечує їхню гнучкість та адаптивність. У сфері освіти такі системи відкривають можливості створення інтерактивних симуляторів і віртуальних лабораторій, що моделюють реальні наукові процеси. Це дозволяє персоналізувати освітні траєкторії, підвищувати мотивацію та залученість студентів через взаємодію з агентами різних ролей — викладачами, експертами чи віртуальними однокурсниками. Використання багатоагентних систем у навчанні сприяє формуванню практичних навичок та компетентностей, необхідних для професій майбутнього, а також підвищує ефективність освітнього процесу.ukбагатоагентні системи (БАС)штучний інтелект (ШІ)освітні симуляториімітаційне моделюванняперсоналізація навчанняадаптивні освітні середовищагейміфікаціямашинне навчанняThesis004.8:37.018.43