Индивидуальный образовательный маршрут: ожидание vs реальность

Объясняем разницу между по-настоящему индивидуальным образовательным маршрутом и тем, что обычно так называют.

С ростом популярности нейросетей востребованный edtech-термин вышел на новый уровень. Большинство образовательных платформ сейчас заявляют, что у них реализован индивидуальный маршрут. Однако под этим названием разные платформы предлагают пользователям принципиально разные опции. Мы как школа на практике протестировали разные возможные вариации индивидуального образовательного маршрута. И в этой статье разложим по полочкам пользу и риски популярных решений.

Дальше в статье речь пойдёт про «индивидуальный образовательный маршрут», а для простоты мы будем называть его «персонализацией».

На некоторых онлайн-платформах для обучения (не только в школах) под персонализацией понимается возможность:

В нашей Домашней школе «ИнтернетУрок» тоже много гибкости в образовательном процессе, но мы не относим это к персонализации обучения. Мы считаем, что предоставляем варианты выбора, то есть индивидуальную настройку. Но это ещё не образовательный маршрут.

Примеры индивидуальной настройки в ИнтернетУроке:

Подобные настройки в большинстве онлайн-школ называют «персонализацией». Это нам кажется не совсем верным. Главное отличие персонализации от всех таких настроек — это то, что в настройках выбор остаётся за пользователем: он сам решает, по какому образовательному маршруту двигаться. Да, маршруты ученику предлагаются самые разные, но окончательное решение (вместе с ответственностью) перекладывается на его плечи.

Настоящая же персонализация, тот самый индивидуальный образовательный маршрут, в нашем понимании — это ситуация, в которой система сама подсказывает ученику наиболее эффективный и правильный следующий шаг лично для него, с учётом накопленных данных, успехов и интересов пользователя.

Проще понять это через аналогию. Карта города — это настройка: она даёт выбор — двигаться из точки А в точку Б множеством способов, но выбор маршрута остаётся за вами. А вот навигатор построит вам оптимальный маршрут — это и будет персонализация.

Ещё один вид персонализации обучения на edtech-платформах — AI чаты/тьюторы/учителя. Это чат-системы разной направленности, которые помогают изучать предмет или отвечают на вопросы. Например, чат-бот, с которым можно вести диалог по истории или обществознанию или который даёт задания по математике всё более высокого уровня сложности либо разъяснения по допущенным ошибкам. На некоторых образовательных платформах вам напоминают о плохо выполненных заданиях и дают аналогичные для повторного прохождения.

В основе таких решений могут лежать:

При этом варианте с помощью линейных алгоритмов разрабатывается один базовый образовательный маршрут (например, программа с заданиями для подготовки к стандартизированному экзамену). У него может быть несколько веток, но «все ходы записаны». Это похоже на прохождение RPG-игр. У них может быть несколько сценариев завершения сюжетной линии. Выбор того или иного финала будет зависеть от ваших действий. Но это не индивидуальная игра, которая делалась под вас. Это заранее разработанные сценарии — вас просто «проведут» по одной из готовых линий развития сюжета.

Так же линейно работают и алгоритмы повторения. Допустим, вы решали тест или запоминали слова, но ошиблись в трёх заданиях. На следующий день вы заходите на платформу и она даёт вам как раз те три задания, в которых вы допустили ошибки. Это уже больше похоже на персонализированное обучение, так как здесь учитывается ваша личная образовательная история. Но в целом работает простой алгоритм. Он запоминает ваши ошибки и перестаёт рекомендовать вам задания, если вы перестаёте допускать в них ошибки. Интервалы времени напоминания, число необходимых повторных прохождений, чтобы убрать задание из «очереди» напоминалок, — всё это настраивается в алгоритмах.

Популярность генеративных нейросетей обусловлена их способностью учиться на данных, предсказывать ответ, вести диалог, который визуально похож на настоящий. Например, они могут отвечать на запросы от имени Пифагора или Сократа.

Обычно берутся уже предобученные крупные современные модели, затем проходит их дообучение на собственных данных, то есть модель адаптируют под конкретную образовательную платформу.

Но в таких моделях, как правило, всё плохо с достоверностью фактов. Модель предсказывает наиболее вероятные (а не правильные) ответы исходя из своего опыта. Нейросеть комбинирует эти ответы в свой уникальный — под запрос пользователя — и пишет, что «вероятно, ответ такой». Здесь нет правильных ответов, есть наиболее вероятные. И такие модели, к сожалению, в текущем виде нельзя использовать в образовании. По крайней мере, без предварительного фактчекинга.

То есть нейросеть может выступать в роли помощника живого учителя, но не его замены. В результате снижение трудозатрат (если оно вообще есть) оказывается значительно меньше ожиданий. Нейросеть может выдать очень убедительный и очень похожий на правильный ответ, но не факт, что он будет верным. Рассмотрим это на примере.

После подобных диалогов возникает закономерный вопрос: может ли школа позволить себе такие неточности, если она отвечает за знания учеников и призвана как раз быть источником достоверных данных? Далеко не каждый ученик сможет распознать неверный ответ в таких случаях.

Другой подводный камень: моделям на генеративных нейросетях необходимо сильно ограничить темы, чтобы их нельзя было сбить с толку. Ведь пользователи, особенно дети, любят поговорить не только о сути проблемы, но и обо всём на свете. Для ресурса, предоставляющего детское образование, это влечёт за собой огромный пласт работ по проверке всех потенциально опасных сценариев и тем.

В целом мы считаем, что за большими данными и нейронными сетями будущее. Однако, учитывая описанные выше риски, мы пока лишь экспериментируем с такими моделями.

Мы считаем, что к персонализации не следует относить гибкость настройки обучения и возможность для пользователя самостоятельно выбирать образовательный маршрут.

По нашему мнению, настоящая персонализация образовательного процесса состоит в том, чтобы помочь пользователю сделать правильный выбор (или даже сделать выбор за него). Индивидуализация образовательного маршрута в нашей концепции состоит в подборе материалов и проверочных заданий для конкретного пользователя с учётом его успехов и ошибок, образовательной истории в целом, его интересов, психотипа и т. д. Система даёт персональные рекомендации: что нужно повторить, куда двигаться дальше, какие уроки изучать, какие задачи решать.

Именно так поступает хороший репетитор. Он анализирует уровень знаний подопечного, пробелы в них. Разбирается сначала с этими пробелами, а затем помогает двигаться дальше. Ученик, который щёлкает задачи, как орехи, и ученик, у которого есть сложности с освоением материала, будут получать задания разной степени сложности и двигаться каждый в своём темпе.

Определившись, каким мы хотим видеть индивидуальный образовательный маршрут, мы наметили собственный путь развития и уже предприняли в этом направлении первые шаги.

Предположим, что в зависимости от результатов пользователя мы решили дать ему рекомендацию — что-то повторить или двигаться дальше к новой теме. Возникает вопрос: как понять, что именно порекомендовать ученику? Ведь у нас миллионы единиц контента. Какую из них нужно изучить, чтобы разобраться с конкретным вопросом? И подойдёт ли она для учеников, допустивших разные ошибки? Важен и вопрос о том, что изучать дальше. Как система может это узнать?

А откуда это знает хороший учитель? В первую очередь — из своего опыта: он может понять, что стало причиной допущенных ошибок, и отправить ученика повторять материалы, который тот уже должен был пройти. А при ответе на вопрос «Что изучать дальше?» учителю помогает программа обучения — утверждённая в школе учебная программа, составленный заранее план подготовки к экзаменам или просто список параграфов учебника.

И вот мы подошли к самому любопытному: как система может автоматически строить корректные прогнозы?

Как вариант, можно посмотреть, как до этого решали те же задания тысячи учеников (чем больше, тем лучше): как шли дальше, почему возвращались назад. Так можно искать лучшие маршруты с точки зрения успеваемости. И это допустимый вариант, но он требует огромного массива данных в связке с результатами успеваемости. Кроме того, мы не можем гарантировать эффективность маршрута — модель может выдать самый причудливый вариант просто потому, что так случайно совпало, что ученики делали такие переходы.

Другой вариант — создавать карту дисциплин, каждого предмета и каждого класса, если мы говорим об учениках. За основу можно взять ФГОС (федеральные государственные образовательные стандарты). Грубо говоря, это список того, что должен изучить школьник. Выделяем в этом списке отдельные смысловые единицы (темы и подтемы), формируем связи между ними. В итоге получаем определённую карту связей разных тем как внутри предмета, так и между предметами.

Проведя тестирование ученика, мы можем увидеть, какие темы им освоены слабо, а какие он знает хорошо, и нанести на эту карту текущие знания ученика. Далее мы можем понять по карте, нужно ли ученику вернуться. И если да, то куда и как — какие темы ему нужно разобрать ещё раз, чтобы двигаться дальше. Или он уже готов сделать следующий шаг? Тогда мы знаем, какие темы ему предложить.

Наша школа сама производит образовательный контент. Каждый элемент относится к определённым дисциплине, классу, теме и подтеме. Но взять и нарисовать карту всех тем (даже для каждой отдельной дисциплины) очень сложно, и результат может оказаться слишком субъективным и малоэффективным.

Мы решаем эту проблему иначе. В нашей школе была разработана собственная система тестирования. Самой мелкой единицей в тесте является один вопрос. И таких вопросов у нас десятки тысяч. Каждый вопрос относится к определённой теме/подтеме, а также связан с другими темами/подтемами.

В результате мы можем построить направленный взвешенный граф по каждой дисциплине. Его веса будут определяться как количеством вопросов, относящихся к теме, так и собираемыми системой данными в обезличенном виде о том, как наши ученики выполняют тесты. Таким образом мы сопоставляем структуру и связи, созданные нашими методистами на основе их собственного педагогического опыта, и результаты пользователей на основе большого массива накапливаемых данных. Фактически мы синхронизируем теорию и практику педагогического мастерства.

Построенная и уточнённая на реальных данных карта станет каркасом и основой для наших последующих рекомендательных алгоритмов. На неё удобно «нанизывать» другие обезличенные данные о результатах тестов или оценках за домашние задания, времени просмотра образовательных видео и т. д.

Мы планируем использовать рекомендательные сервисы, в основе которых будут лежать построенные карты дисциплин, чтобы:

Сейчас мы ведём разработку взвешенных графов по предметам, собираем данные. А в дальнейшем планируем перейти и к следующим шагам. Мы надеемся, что подобные разработки позволят дать каждому ребёнку индивидуальный образовательный маршрут, повысят его вовлечённость и интерес, помогут испытать чудо понимания и ощущение продвижения вперёд по лестнице знаний. Ведь это по-настоящему мотивирует учиться.

Автор: Алексей Постный, заместитель руководителя отдела по проектам онлайн-школы «ИнтернетУрок»