Метою дослідження було здійснення комплексної оцінки ефективності алгоритмів машинного навчання для задачі персоналізованої рекомендації навчального контенту в дистанційних системах освіти. Робота мала теоретико-експериментальний характер і виконувалася на основі синтетичного датасету обсягом 10 000 студентських профілів, сформованого на основі структурних характеристик провідних платформ дистанційного навчання. Датасет охоплював три групи ознак: демографічні, поведінкові та контентні, що відтворюють ключові патерни взаємодії студентів із навчальним середовищем. Порівняльний аналіз ефективності методу опорних векторів, дерева рішень, випадкового лісу та багатошарової нейронної мережі засвідчив чіткі кількісні відмінності між моделями. Багатошарова нейронна мережа демонструє найвищу ефективність для глибокої персоналізації контенту, випадковий ліс виступає універсальною моделлю для масштабних освітніх платформ, метод опорних векторів є оптимальним для курсів із чіткою сегментацією студентів, тоді як дерево рішень доцільно використовувати як інтерпретований аналітичний модуль.