Персонализация и адаптивные треки обучения

Это инженерные рекомендации, а не юридическая консультация. Требования к обработке данных учащихся согласуйте с юристом.

Кратко

Персонализированное обучение – это цель: каждый учащийся получает контент, темп и поддержку под себя. Адаптивное обучение – один из способов её достичь: программа следит за действиями учащегося и сама меняет следующий шаг, не заставляя его выбирать. Самое сложное здесь – не рекомендация, а модель учащегося, то есть текущая оценка того, что человек знает. Она работает, только если платформа фиксирует детальные данные (каждый ответ, каждый фрагмент видео, каждую попытку) в виде стандартных утверждений, которые умеет читать движок. Большинство «адаптивных» продуктов на деле прогоняют учащегося по авторскому дереву ветвления – конечному набору путей, которые дизайнер нарисовал заранее. Это полезно, но это не настоящая адаптивность, и путать одно с другим – самая дорогая ошибка в этой области. Статья объясняет, что именно адаптируется, чем настоящая адаптивность отличается от иллюзии ветвления, какими четырьмя способами строят модель учащегося (правила, IRT, knowledge tracing и LLM), какие данные нужны движку и стоит ли вам всё это вообще.

Зачем это читать

Если у вас каталог курсов, обучающий продукт или корпоративная программа, «персонализированное адаптивное обучение» сейчас обещает почти каждый вендор. При этом рост российского EdTech замедляется: по данным Smart Ranking, выручка 100 крупнейших компаний в 2025 году выросла на 12% против 19% годом ранее. В такой ситуации идея удержать учащегося персональным треком звучит всё громче, и вопрос «купить или построить» встаёт всерьёз. Но адаптивность дорога: ей нужно больше контента, больше тестовых заданий, больше работы с данными и больше оценки эффекта, чем линейному курсу. Многие команды за всё это платят, а выпускают то, что только выглядит адаптивным. Здесь вы найдёте словарь, чтобы отличать настоящую адаптивность от авторского ветвления, инженерную сторону каждого подхода, требования к данным и рамку «строить или покупать». С этим проще ставить задачи инженерам и методистам, спорить с демо вендора и тратить бюджет там, где он влияет на результат. Статья продолжает материал о том, где ИИ встраивается в обучающий продукт, и чётко отделяет адаптивность от авторских ветвящихся сценариев.

Что на самом деле значат «персонализация» и «адаптивность»

Эти слова используют как синонимы, и из-за этой размытости принимают плохие решения, поэтому сначала разведём их.

Персонализированное обучение – это результат: учащийся получает обучение под свои потребности, цели, имеющиеся знания и темп, а не один курс на всех. Это понятие ничего не говорит о том, как достигается подгонка. Персонализирует живой наставник. Персонализирует учащийся, который выбирает факультативы. Персонализирует меню необязательных треков. Главный признак – соответствие человеку, а не технология.

Адаптивное обучение – один из методов добиться такого соответствия: программа наблюдает за поведением и результатами учащегося и автоматически меняет следующий шаг (следующий вопрос, следующее видео, следующий уровень сложности) в реальном времени, без выбора со стороны учащегося. Главный признак – автоматическая подстройка по данным. Любая адаптивная система персонализирована, но не любая персонализированная система адаптивна.

Простая аналогия: персонализация – это костюм по фигуре. Адаптивное обучение – портной, который снимает мерки, пока вы двигаетесь, и перекраивает костюм на ходу. Вешалка с тремя размерами – тоже персонализация, ведь вы берёте подходящий, но не адаптивность: вас никто не измеряет и ничего не перекраивает. На этом различии построена вся статья.

Нажмите, чтобы увеличить

Что действительно адаптируется: пять рычагов

Когда система «адаптируется», она задействует один или несколько из пяти рычагов. Когда они названы, расплывчатое обещание уже не сойдёт за функцию: вендор должен ответить, какие рычаги у него работают.

Первый рычаг – темп: вместо общего графика учащийся, освоивший тему, идёт дальше, а тот, у кого не получается, получает больше времени. Второй – путь, или последовательность: меняется порядок тем, пропускается то, что учащийся уже знает, или добавляется недостающая база. Третий – сложность: задания становятся труднее или легче в зависимости от недавних результатов; на этом рычаге построено адаптивное тестирование. Четвёртый – контент, или формат: одну и ту же идею можно дать видео, текстом или разбором примера, выбирая ту форму, с которой учащийся лучше работает. Пятый – поддержка: подсказки, наводящие шаги или напоминание о повторении, когда данные показывают, что учащийся застрял.

Большинство реальных продуктов хорошо управляют одним-двумя рычагами. Система, которая заявляет полностью автоматическую работу всех пяти, либо очень зрелая, либо переоценивает себя. Отличить одно от другого помогает вопрос: какие данные управляют каждым рычагом? Рычаг без данных за ним – декорация.

Нажмите, чтобы увеличить

Иллюзия ветвления: авторские пути и настоящая адаптивность

Именно это различие отделяет настоящий адаптивный продукт от маркетингового обещания, а большинство команд его даже не формулируют.

Авторский ветвящийся сценарий – это дерево решений, которое дизайнер рисует заранее: ответ A ведёт по ветке 1, ответ B – по ветке 2 и так далее. На таких деревьях построены симуляции «выбери свой путь» из материала о ветвящихся сценариях, и учащемуся они могут казаться отзывчивыми. Но пути конечны и фиксированы. Дизайнер заранее продумал каждый маршрут, а система лишь выполняет правило, которое сработало на ответ. Модели учащегося здесь нет; есть блок-схема, по которой учащийся идёт.

Настоящая адаптивность постоянно обновляет оценку того, что знает учащийся (модель учащегося), и выбирает следующий шаг по этой оценке, а не по заранее нарисованной ветке. Двое учащихся, выбравших один и тот же ответ, могут получить разные следующие шаги, потому что их модели различаются: у одного хорошие результаты по теме и единичная осечка, у другого – серия ошибок. В этом и граница: ветка реагирует на последний клик, адаптивный движок – на всю историю.

Почему это важно в деньгах: авторское ветвление упирается в число веток, которые команда способна спроектировать и поддерживать, а это число растёт очень быстро. Аккуратное дерево глубиной в пять решений с двумя вариантами на каждом – это уже 32 конечных пути, и каждый нужно написать и протестировать. Настоящая адаптивность масштабируется за счёт дробности контента и данных, а не нарисованных вручную путей, но ей нужны модель учащегося и данные для неё. Купить «адаптивность» и получить ветвление – значит заплатить цену адаптивности и упереться в потолок ветвления. Всегда спрашивайте: здесь модель учащегося или дерево?

Нажмите, чтобы увеличить

Как строят модель учащегося: четыре подхода

Модель учащегося – это двигатель всей системы. Её строят четырьмя способами: от правил, которые можно написать за выходные, до исследовательских нейросетей. Чем точнее подход, тем он сложнее и тем больше данных ему нужно.

Первый – на правилах: методист пишет «если результат теста ниже 70%, назначить корректирующий модуль». Это прозрачно, дёшево и легко отлаживается, и для многих задач корпоративного обучения этого достаточно. Ограничение в том, что каждое правило написал человек: система не заметит закономерностей, которых никто не предусмотрел, а разросшийся набор правил становится хрупким.

Второй – теория ответов на задания (IRT), статистическая основа компьютерного адаптивного тестирования (CAT), на котором построены адаптивные экзамены и тесты. IRT оценивает способность учащегося на скрытой шкале и присваивает каждому вопросу сложность. Система выдаёт задание, которое больше всего говорит о текущем уровне этого учащегося, получает ответ, пересчитывает оценку и повторяет цикл. Подход хорошо изучен и стал стандартом в оценивании, но моделирует только одно измерение способности и требует вопросов, откалиброванных на множестве прошлых участников тестирования.

Третий – knowledge tracing (отслеживание знаний), на котором работают интеллектуальные обучающие системы. Bayesian Knowledge Tracing (BKT), предложенный Корбеттом и Андерсоном в 1995 году, хранит для каждого отдельного навыка вероятность того, что учащийся его освоил, и обновляет её после каждого ответа. Deep Knowledge Tracing (DKT), предложенный в 2015 году, заменяет ручную модель нейросетью, которая находит закономерности на данных тысяч учащихся и улавливает связи между навыками. Глубокие модели на больших данных часто предсказывают точнее; байесовские проще, им нужно меньше данных, и их легче объяснить преподавателю. Это реальный компромисс, а не однозначное превосходство одной стороны.

Четвёртый, самый новый подход – большая языковая модель (LLM, та же технология, что в чат-ассистентах; в российском продукте это GigaChat, Alice AI в Yandex AI Studio или открытая модель в собственном контуре) в роли гибкого тьютора и планировщика, который рассуждает об истории учащегося на естественном языке. Прототип делается быстро, обратная связь получается по-настоящему персональной, но сама по себе LLM не ведёт строгую оценку знаний, может уверенно ошибаться, и её решения труднее всего проверить. В 2026 году разумная схема – гибрид: LLM отвечает за диалог и объяснения, а под ней работает структурная модель (IRT или knowledge tracing), которая принимает решения, требующие доверия. Как обучают сами эти модели, мы разбираем в курсе AI for Video Engineering; здесь речь об инфраструктуре обучения и продуктовом решении.

Какие данные нужны движку

Адаптивность – это сначала задача о данных и только потом об алгоритме, и именно на данных проваливается большинство попыток. Движок адаптируется только по тем данным, которые видит, а «учащийся посмотрел видео и нажал „Далее“» – это почти не данные.

Чтобы уверенно управлять любым из пяти рычагов, платформа должна фиксировать детальные события с привязкой к навыкам: на какой вопрос ответили, верно или нет, сколько времени ушло, сколько было попыток, какие фрагменты видео смотрели, где ставили на паузу и что пересматривали, какую подсказку открыли. Стандарт, созданный ровно для этого, – xAPI (Experience API, версия 1.0.3 от Advanced Distributed Learning Initiative). Он записывает обучение короткими утверждениями вроде «Мария ответила на вопрос 12 неверно» в Learning Record Store (LRS) – хранилище таких утверждений. В отличие от старого SCORM, который отслеживает фиксированную модель «завершение и баллы» внутри одного запуска в LMS, xAPI позволяет задать глаголы и объекты, нужные адаптивному движку. Сопутствующий стандарт cmi5 описывает запуск курса и зачёт/незачёт, в которые сводятся эти утверждения, а IMS Caliper Analytics (1EdTech, версия 1.2) даёт параллельный словарь событий, который многие платформы вузов уже отправляют. Подробно о проектировании утверждений – в материалах трекинг видео через xAPI и объяснение xAPI.

Отсюда два условия, которые команды недооценивают. Во-первых, контент должен быть дробным и размеченным: движок не направит учащегося к «части про подсети», если этой части нет в виде отдельной единицы, привязанной к навыку. Часовое видео с единственным тегом «Сети 101» адаптировать невозможно. Во-вторых, на каждый навык нужно достаточно контента и заданий, чтобы было куда направлять: адаптация по пяти уровням сложности и десяти темам требует порядка пятидесяти единиц контента плюс калиброванный банк тестовых заданий, а не один линейный путь обычного курса. До выбора алгоритма спросите себя, способны ли ваш контент и ваш трекинг вообще поддержать такие решения. Если нет, честный первый проект – сбор событий и дробление контента, а не адаптивный движок.

Нажмите, чтобы увеличить

Модель учащегося – это персональные данные

Модель учащегося – это профиль конкретного человека: что он знает, где ошибается, как быстро учится. Для российского продукта из этого следуют три инженерных требования. Первое – локализация: с 01.07.2025 ч. 5 ст. 18 152-ФЗ не допускает операций с ПДн граждан России с использованием баз данных за рубежом, поэтому LRS, хранилище, движок и любой слой LLM, который видит историю учащегося, работают в России или в вашем контуре. Второе – согласие: с 01.09.2025 согласие на обработку ПДн оформляется отдельно от других документов, а за несовершеннолетнего его дают законные представители. Если вы используете сигналы вроде статуса ОВЗ, это данные о здоровье – специальная категория ПДн (ст. 10) со своими основаниями обработки.

Третье – автоматизированные решения. Ст. 16 152-ФЗ запрещает принимать решения, порождающие юридические последствия или иначе затрагивающие права и законные интересы человека, исключительно на основании автоматизированной обработки его ПДн, кроме случаев с письменным согласием или прямо предусмотренных федеральным законом. Оператор обязан разъяснить порядок принятия такого решения и дать возможность заявить возражение против него. Выбор следующего видео вряд ли можно считать таким решением, а вот автоматический незачёт аттестации, отказ в допуске к экзамену или в выдаче документа – возможно. Практическое правило: всё, что влияет на статус учащегося, проходит через человека, а логика движка должна быть объяснимой.

Частая ошибка: «адаптивность» без данных

Чаще всего мы видим продукт, который ветвится по единственному баллу теста в конце модуля и называет себя адаптивным. Учащийся набирает 65%, система назначает корректирующий блок, а в маркетинге это называется «персонализированный трек обучения». На деле это ветка с одним правилом, а не модель учащегося: она не отличит случайную осечку от настоящего пробела, к следующему модулю всё забывает, а двое учащихся с одинаковым баллом и противоположной историей получают одинаковый следующий шаг. На демо это смотрится хорошо, но учит не лучше линейного курса с проходным тестом.

Тихая версия – построить настоящий механизм без данных для него. Команда покупает лицензию на движок knowledge tracing, но контент нарезан крупно, а события не привязаны к навыкам. Модели нечего оценивать, маршрутизация становится почти случайной, и учащиеся быстро перестают ей доверять. Третья версия – перекос в обратную сторону: отдать всю последовательность LLM без структурной модели под ней. Формулировки обратной связи становятся прекрасно персональными, но решения о маршруте никто не может ни проверить, ни обосновать перед преподавателем.

Исправления очевидны. Честно решите, нужна ли вам настоящая адаптивность или хватит авторского ветвления с продуманными условиями перехода: многим программам подходит вариант попроще. Если адаптивность нужна, сначала наладьте сбор данных: фиксируйте события xAPI с привязкой к навыкам и дробите контент до покупки движка. И держите под любым слоем LLM структурную, проверяемую модель учащегося, чтобы решения, влияющие на путь учащегося, можно было объяснить. Адаптивность, проданная без модели учащегося и данных для неё, – та же иллюзия ветвления, только дороже.

Расчёт: когда адаптивное тестирование окупается

Начнём с единственного места, где у адаптивности есть бесспорная и доказанная выгода, – с длины теста, потому что здесь арифметика конкретна.

Фиксированный тест даёт всем одни и те же задания, поэтому, чтобы точно измерить широкий диапазон способностей, ему нужны лёгкие, средние и сложные вопросы для каждого – часто 40 заданий и больше. Компьютерное адаптивное тестирование (CAT) на базе IRT вместо этого нащупывает уровень каждого учащегося и останавливается, когда измерило его достаточно точно:

Фиксированный линейный тест:
  40 заданий × ~1,5 мин = 60 минут на учащегося, одинаково для всех

Адаптивный тест (CAT) при равной точности:
  ~20 заданий × ~1,5 мин = 30 минут на учащегося
  Сокращение ≈ на 50% меньше заданий при той же точности измерения

Исследования CAT стабильно показывают, что он достигает сопоставимой точности примерно вдвое меньшим числом заданий: сильному учащемуся он перестаёт давать лёгкие вопросы, а слабому – непосильные. На 1 000 учащихся это около 500 сэкономленных часов, плюс меньше усталости и меньше «засвеченных» заданий. Но у этой экономии есть скрытое условие: CAT нужен банк заданий, откалиброванный на множестве прошлых участников, а это серьёзная психометрическая работа заранее. Вывод обобщается: адаптивность окупается, когда под неё есть данные и контент, и не окупается, когда их нет. Об экономике разработки и эксплуатации в целом – в статьях о модели стоимости платформы обучения и о том, покупать или разрабатывать ИИ-функции и сколько это стоит.

Помогает ли персонализация? Измерьте

Персонализированный путь без оценки эффекта – это вера, а не результат. Адаптивность дорога, поэтому проверяйте её данными: сравнивайте результаты (завершение, освоение, время до нужного уровня, удержание знаний на отложенном тесте) у групп с адаптацией и без неё, в идеале с контрольной группой на линейном курсе. Сама идея опирается на серьёзную педагогику: работа Бенджамина Блума «2 Sigma» (1984) показала, что индивидуальные занятия с наставником резко поднимают средний результат по сравнению с групповыми, а адаптивное обучение пытается приблизиться к такому наставнику в масштабе. Но попытка засчитывается, только если ваши показатели изменились. Направьте в аналитику те же сигналы xAPI и Caliper, которыми питается движок, чтобы увидеть эффект; о самой дисциплине измерений – в материалах аналитика обучения и основы метрик обучения. И не забывайте о приёмах, которые работают при любом движке: повторение, распределённое во времени, и проверка через припоминание – устойчивые эффекты, на которых стоит любая хорошая последовательность. Они описаны в статье о педагогике видео.

Где здесь Фора Софт

Мы делаем персонализацию того уровня, который клиенту действительно нужен, и разговор начинается с вопроса «строить или покупать», а не с алгоритма. Фора Софт с 2005 года разрабатывает видеоконференции, стриминг, e-learning и ИИ-функции для видео. Когда клиент просит «адаптивное обучение», мы сначала разделяем цель (путь под каждого учащегося) и метод (автоматическую подстройку по данным) и проверяем, не закрывает ли задачу авторское ветвление с продуманными условиями перехода. Для многих корпоративных программ это быстрее и дешевле. Когда настоящая адаптивность оправдана, мы начинаем с данных: настраиваем в плеере и тестах сбор событий xAPI с привязкой к навыкам, делим контент на небольшие размеченные единицы, разворачиваем Learning Record Store в российском облаке или в вашем контуре. Только после этого подключаем модель учащегося: правила, IRT, knowledge tracing или гибрид, где слой LLM (GigaChat, Alice AI или открытая модель on-prem) работает поверх структурного ядра. И добавляем аналитику, которая покажет, улучшил ли новый путь результаты. Каждому клиенту мы честно говорим: адаптивность без данных для неё – та же иллюзия ветвления, только дороже.

Главное

• Персонализация – цель; адаптивное обучение – один из методов, автоматический и основанный на данных.
• Настоящей адаптивности нужна постоянно обновляемая модель учащегося; ветка реагирует только на последний клик.
• Модель учащегося строят четырьмя способами: правила, IRT/CAT, knowledge tracing и LLM.
• Адаптивность – прежде всего задача о данных: события xAPI с привязкой к навыкам и дробный контент.
• CAT надёжно сокращает число заданий вдвое при равной точности; остальную пользу докажите данными.
• Модель учащегося – это ПДн: хранение в России, отдельное согласие, человек в решениях о статусе учащегося.

Что читать дальше

• Ветвящиеся сценарии: видео с выбором пути
• Трекинг видео через xAPI: Video Profile
• Аналитика обучения: метрики, которые важны