Сильные скучают, слабые бросают
Первые проходят материал за неделю и уходят за новым, вторые накапливают пробелы, теряют опору и сдаются на середине модуля.
Персональные траектории
Учебная программа подстраивается под конкретного ученика
Собираем модель знаний: что ученик уже умеет, где ошибается и какой материал даст максимальный прирост. Вместо одного курса для всех — маршрут, который пересчитывается после каждого ответа.
Или сразу: +7 (962) 368-39-51 Telegram
IRT
оценка сложности заданий и уровня ученика
BKT
модель освоения темы после каждой попытки
SM-2 + FSRS
интервальные повторения вместо зубрёжки
A/B
проверка эффекта на контрольной группе
Почему одна программа не подходит всем
Курс, рассчитанный на среднего ученика, одновременно скучен для сильных и неподъёмен для отстающих — и теряет обе группы.
Диагностику делают один раз
Стартовый тест определяет уровень в первый день и больше не пересматривается, хотя ученик мог давно уйти вперёд или, наоборот, забыть пройденное.
Данных много, решений нет
Платформа записывает каждое событие: ответы, время, переключения. Но никто не превращает эти записи в решение о том, что дать ученику дальше.
Повторяют по календарю, а не по памяти
Материал закрепляют всей группой по расписанию: одни тратят время на то, что помнят, другие забывают ключевое к моменту проверки.
Персонализация похожа на витрину магазина
Система предлагает то, что ученику нравится, а не то, что закрывает пробел в компетенции: развлекательный контент вытесняет полезный.
Эффект нечем доказать
Сравнения с контрольной группой нет, поэтому невозможно понять, помогла адаптивность или просто сменился контент и подросла мотивация.
Как устроена адаптивная траектория
Адаптивность — это не модель ради модели, а правило выбора следующего шага. Мы формулируем его явно, чтобы методист мог его прочитать и оспорить.
Диагностика и модель знаний
Определяем стартовый уровень и держим его актуальным на протяжении всего курса.
- Адаптивная диагностика на 15–25 заданий вместо часового входного теста
- Оценка уровня ученика и сложности заданий по модели IRT, в том числе 2PL
- Модель освоения темы (BKT), обновляемая после каждого ответа
- Граф компетенций: предпосылки между темами и связи внутри предмета
Подбор следующего задания
Правило выбора описано словами и проверяется, а не существует в виде непрозрачной модели.
- Работа в зоне ближайшего развития: вероятность верного ответа 0,7–0,85
- Баланс между повторением пройденного и освоением новых тем
- Ограничения по длительности сессии и допустимой когнитивной нагрузке
- Объяснимость: ученик и методист видят, почему выдано именно это задание
Интервальные повторения
Расписание повторений считается индивидуально, а не по общему календарю группы.
- Алгоритмы SM-2 и FSRS с параметрами, настроенными под ваш предмет
- Прогноз вероятности забывания на конкретную дату проверки
- Пересчёт расписания при пропусках и сбоях в графике занятий
- Связка повторений с датами аттестации и продлением допусков
Измерение эффекта
Мы не верим графику роста без контрольной группы и заранее оговорённой метрики.
- A/B-тесты с фиксированной контрольной группой и равным составом потоков
- Метрики: прирост знаний, время до освоения темы, доля дошедших до конца
- Контроль качества модели: точность прогноза, калибровка, смещения по категориям
- Регулярная калибровка параметров заданий по накопленным ответам
Как мы внедряем адаптивность
Начинаем с данных, которые уже есть, и проверяем модель на исторических ответах — до того, как менять продукт.
-
01 1–2 недели
Аудит данных и целей
Смотрим, какие события уже собираются, хватает ли объёма для модели и какие решения она должна принимать. Фиксируем целевую метрику и способ её измерения.
-
02 2–4 недели
Проектирование модели
Строим граф компетенций, описываем формат заданий и правила адаптации. Проверяем модель offline на исторических данных, не трогая работающий продукт.
-
03 1–3 месяца
Внедрение в продукт
Сервис рекомендаций, обновлённый интерфейс ученика и панель методиста с объяснением решений. Запуск на части потока, чтобы сохранить чистую контрольную группу.
-
04 постоянно
Измерение и дообучение
Считаем эффект на контрольной группе, калибруем параметры заданий, устраняем смещения и переносим подход на новые курсы и предметы.
Что такое адаптивное обучение и чем оно не является
Адаптивное обучение — это управляемый выбор следующего учебного шага на основе данных о текущем состоянии ученика. Не «умный» интерфейс и не генерация текста моделью, а измеримая процедура: есть модель знаний, есть правило выбора задания, есть метрика результата. Если правило нельзя сформулировать и проверить, это не адаптивность, а случайная выдача материалов.
Часто под адаптивностью понимают сокращение курса: ученик отвечает верно — пропускаем блок. Это вырожденный случай и он опасен, потому что правильный ответ не всегда означает устойчивое знание: иногда это угадывание или знакомство с формулировкой. Нормальная система оценивает не только правильность, но и время ответа, сложность задания и уверенность модели в оценке темы.
Данные, без которых адаптивность не работает
Минимальный набор — это история ответов с идентификатором задания, темы и ученика, отметка времени и результат. Дополнительно полезны время до ответа, число попыток, использование подсказок и переходы между экранами: по ним видно, где ученик угадывает, а где действительно понимает. Такой набор обычно уже есть в базе LMS, вопрос лишь в том, что детальные взаимодействия часто не сохраняются и их приходится включать.
Второй по важности ресурс — тегирование контента. Пока задания не размечены по темам и сложности, никакая модель не построит траекторию: она просто не знает, что чему предшествует. Поэтому первая часть проекта часто посвящена не алгоритмам, а методической разметке банка заданий и построению графа компетенций.
Как проверять эффект персонализации
Корректный способ — рандомизированное сравнение: часть потока учится по адаптивной траектории, часть по обычной программе, и сравниваются заранее выбранные метрики. Сравнивать «до и после» бессмысленно: на результат влияют сезонность, изменение контента, состав набора и общая мотивация группы.
Метрики выбираются до запуска и обычно включают прирост знаний по итоговому срезу, время до освоения темы, долю дошедших до конца курса и долю тех, кто сохраняет знания через месяц после завершения. Отдельно отслеживается справедливость: если модель систематически занижает уровень для отдельной группы учеников, это дефект, а не «сложность материала».
Частые вопросы
Не обязательно. Хорошо работающая адаптивность часто строится на классических психометрических моделях (IRT, BKT) и алгоритмах интервальных повторений (SM-2, FSRS) — они предсказуемы, объяснимы и требуют меньше данных, чем нейросетевые подходы. Языковые модели полезны в другом: генерация вариантов заданий, разбор свободных ответов, подсказки. Мы применяем их там, где ошибка модели не разрушает учебный процесс.
Для оценки сложности заданий по IRT нужны сотни ответов на каждое задание, поэтому на старте мы используем экспертные оценки сложности и калибруем их по мере накопления статистики. Модель освоения темы начинает работать уже на десятках попыток ученика. Если исторических данных мало, запускаем систему в режиме гипотез: она рекомендует, но окончательное решение остаётся за программой курса, а данные для калибровки накапливаются параллельно.
Нет, если правило выбора опирается на вероятность верного ответа: мы целимся в диапазон 0,7–0,85, то есть задание должно быть решаемым, но не тривиальным. Сильный ученик быстрее проходит темы, но получает более сложные задания внутри них и углубляющие материалы, а не пропуск целых разделов. Эффект проверяется отдельно: если доля ошибок у верхней группы падает ниже порога, параметры заданий пересматриваются, чтобы вернуть сложность.
Для работы модели достаточно обезличенных учебных событий: идентификатор ученика, тема, сложность задания, результат, время. Персональные данные для обучения модели не требуются. Мы храним данные на серверах в России, разграничиваем доступ по ролям, ограничиваем срок хранения учебной аналитики и не передаём данные третьим лицам без отдельного основания. Решения модели, влияющие на аттестацию, всегда проверяемы человеком.
EdTech: другие направления
Смежные задачи, которые обычно решаются в одном проекте с этой.
Хотите персональные траектории в вашем продукте?
Покажите, какие данные об учениках уже собираются, — оценим, какую модель можно построить на них и какой прирост она даст.