Аннотация:В процессе работы преподавателя накапливается большое количество данных о прохождении курсов обучающимися. Эти данные необходимо обрабатывать для усовершенствования материалов и проверки педагогических гипотез. Однако с увеличением количества информации это становится практически нереализуемо. В статье рассматриваются подходы к анализу цифрового следа студентов и его нейросетевой генерации для построения интеллектуальных персонализированных траекторий обучения. Исследуются существующие подходы к адаптивному обучению и предлагается новая методика, основанная на анализе временных рядов и машинном обучении. Приводятся результаты применения цифровой образовательной платформы «Мирера» для сбора и обработки данных о студенческой активности, а также рассматриваются возможности прогнозирования учебных успехов студентов на основе их цифрового следа. Предлагается метод категоризации обучающихся на основе данных об их образовательных характеристиках и поведении, собранных в ходе обучения. Используется генерация синтетических данных для улучшения точности предсказательных моделей и построения долгосрочных предсказаний. Проведенный вычислительный эксперимент подтверждает эффективность предложенного подхода в сравнении с традиционными методами анализа образовательных данных. Полученные результаты могут быть использованы для автоматизации адаптивного обучения и повышения качества образовательного процесса.