Персонализированные траектории обучения на базе ИИ

В группе из 30 студентов или на онлайн-курсе с тысячами слушателей преподаватель физически не может подстроить темп и сложность под каждого. Сильные скучают, слабые отстают и бросают курс: по отраслевым публикациям, до завершения массовых онлайн-курсов доходит лишь 5–15 % записавшихся, а основная причина ухода — несоответствие материала уровню слушателя.

Стандартные LMS показывают всем одну и ту же последовательность модулей. Данные о том, где именно студент ошибается, какие темы пропускает и сколько времени тратит на задание, накапливаются, но не используются для управления обучением.

Решение строит для каждого обучающегося индивидуальную траекторию: модель знаний (knowledge tracing) оценивает вероятность освоения каждой темы по истории ответов, а рекомендательный движок подбирает следующий блок материала, тренажёр или проверочное задание нужной сложности. Языковая модель формулирует подсказки и объяснения ошибок в терминах конкретного курса.

• Сбор событий из LMS: ответы, время на задание, просмотры, повторные попытки.
• Модель трассировки знаний на трансформере, переобучаемая по мере накопления данных.
• LLM с RAG по методическим материалам курса для генерации объяснений и подсказок.
• Панель преподавателя: кто «застрял», на каких темах, рекомендация вмешательства.

Какие данные нужны

• Журнал событий LMS: ответы, попытки, время
• Структура курса и граф зависимостей тем
• Методические материалы и банк заданий
• Результаты контрольных срезов