Суммаризация лекций и учебные материалы

Кратко

Языковая модель читает транскрипт лекции и за секунды готовит учебные материалы, на которые у человека ушли бы часы: короткое резюме, тезисы, главы с заметками и флеш-карточки. Для видеокурса это самый дешёвый способ сделать длинную лекцию удобной для поиска, навигации и повторения. Но есть техническая развилка. Экстрактивное резюме копирует предложения из транскрипта: оно надёжно, но читается сухо. Абстрактивное пересказывает лекцию своими словами: читается хорошо, но может утверждать то, чего в лекции не было (это и называют галлюцинацией). Поэтому сырой ответ модели – черновик, а не учебный материал. В статье разберём, как из транскрипта получается каждый материал, почему выбор между экстрактивным и абстрактивным подходом определяет риск галлюцинаций, как проверка экспертом делает результат безопасным, что говорят исследования (активные материалы вроде карточек помогают гораздо сильнее, чем резюме, которое только читают) и как учитывать использование материалов в аналитике. Это руководство для тех, кто решает, строить или покупать ИИ-материалы, и не хочет выпустить гладкие, уверенные и неверные конспекты, которым учащийся поверит.

Зачем это читать

Если вы делаете обучающий продукт, ведёте программу обучения или отвечаете за каталог курсов, записанная лекция для учащегося – это час видео, который смотрят один раз подряд и почти никогда не пересматривают. Учебные материалы позволяют пролистать лекцию перед занятием, повторить её накануне экзамена и найти нужное место через несколько месяцев. ИИ-конспекты учащиеся уже видят в российских сервисах видеосвязи: в Яндекс Телемосте ИИ-ассистент делает конспекты встреч, в МТС Линк ИИ-помощник структурирует сказанное на встрече. От курса ждут того же. Автогенерация меняет экономику: модель пишет черновик резюме, тезисов, глав и карточек по уже готовому транскрипту, а методисты из авторов превращаются в проверяющих. Здесь вы найдёте реалистичную оценку качества, способы сдержать галлюцинации, процесс проверки, данные о том, какие материалы действительно улучшают обучение, и расчёт стоимости. Этого хватит, чтобы решить, насколько полагаться на ИИ, и поставить задачу инженерам, а не выбирать решение по красивому демо. Статья продолжает материал о том, где ИИ находит место в продукте для обучения, и дополняет статью об автоматической генерации тестов и заданий.

Что стоит за «суммаризацией лекций»

За просьбой «пусть ИИ сделает конспект лекции» скрывается конвейер, и первая ошибка – считать его одним вызовом модели. Модель – только его середина.

Сразу один термин: большая языковая модель (LLM) – программа того же рода, что стоит за чат-ассистентами: она читает текст и пишет текст. Дайте ей текст лекции, и она напишет резюме, выделит главное, предложит названия глав или набросает карточки. Эту часть представляют себе все. Но готовый учебный материал требует большего: очищенного транскрипта, промпта под конкретный тип материала, черновика в заданной структуре, человека, который сверяет его с источником, и публикации, которая размещает материал в плеере и фиксирует, когда учащийся им воспользовался.

Удобная аналогия: LLM – быстрый и начитанный ассистент, который один раз посмотрел лекцию и за минуту готов написать конспект. Он не устаёт, но иногда путает детали и излагает их с полной уверенностью, а ещё сглаживает мысль, которую лектор намеренно заострил. Такой конспект вы не отдали бы студентам, не прочитав. Конвейер нужен, чтобы черновик превратился в материал, которому учащийся может доверять.

Нажмите, чтобы увеличить

Как материалы получаются из транскрипта

Пройдём по конвейеру один раз: каждый этап ограничивает возможности следующего.

Всё начинается с исходного транскрипта – выверенного файла субтитров или расшифровки видео. Материалы не бывают лучше этого входа: если в транскрипте ошибка, модель перенесёт её в материалы, а неверно расслышанный термин станет уверенным, но ошибочным тезисом. Если вы работаете с автоматическими субтитрами, сначала закончите ручную правку; это то же правило качества источника, что и в статье автоматические субтитры для учебного видео. Транскрипт с таймкодами намного ценнее сплошного текста: по таймкодам каждый материал может сослаться на точный момент видео, откуда он взят, а лучшего способа привязать вывод модели к источнику у вас нет.

Дальше транскрипт вместе с инструкциями уходит в языковую модель. Хороший промпт решает три задачи: задаёт нужный материал (резюме на 150 слов, пять тезисов, названия глав, десять карточек); связывает материал с учебными целями лекции, чтобы модель выделяла важное, а не то, что звучало чаще всего; и подаёт транскрипт частями по главам, а не одним огромным куском, потому что резюме, собранное по главам, точнее выжатого из часового текста за один проход. В российском продукте модель берут из тех же трёх источников, что и для других учебных ИИ-функций: GigaChat, Alice AI в Yandex AI Studio или открытая модель в собственном контуре. Если вы обрабатываете записи живых занятий, где звучат голоса и имена учащихся, это уже обработка их персональных данных: по ч. 5 ст. 18 152-ФЗ такие операции с использованием баз данных за рубежом не допускаются, поэтому и модель, и хранилище должны находиться в России. Как LLM сжимает текст и как устроена архитектура суммаризации, мы разбираем в курсе AI for Video Engineering; эта статья – про встраивание в обучение и продуктовое решение. Со стороны модели тему подробнее всего разбирает гайд по ИИ-видеосуммаризации.

Модель выдаёт черновики материалов. Дальше идёт шаг, который отделяет материал от риска, – проверка экспертом перед публикацией: специалист по предмету сверяет каждый материал с источником на точность, полноту и расстановку акцентов, а затем принимает, правит или отклоняет его. Только после этого появляется опубликованный материал с трекингом: он показан в плеере или на странице курса, привязан к таймкодам и отправляет в аналитику событие, когда учащийся его открыл или прошёл. К привязке к источнику, проверке и трекингу вернёмся ниже.

Главная развилка: экстрактивная или абстрактивная суммаризация

Это различие определяет риск галлюцинаций, и большинство команд не делают выбор осознанно. Суммаризировать можно двумя способами, и ошибаются они по-разному.

Экстрактивная суммаризация выбирает самые важные предложения транскрипта и соединяет их без изменений. Каждое слово результата дословно взято из лекции, поэтому выдумать факт такое резюме не может: оно верно по построению. Слабое место – стиль: текст может выглядеть как набор разрозненных цитат, а сбивчивую лекцию в связную прозу он не превратит.

Абстрактивная суммаризация читает транскрипт и пишет новую, сжатую версию своими словами, как сделал бы человек. Читается такой текст намного лучше, а сумбурную лекцию модель может выстроить в ясную линию. Слабое место – главный риск всего генеративного ИИ: галлюцинация, когда модель гладко излагает неправду. В резюме это особенно опасно именно из-за гладкости: учащийся не отличит выдуманное предложение от настоящего, а ошибочный «ключевой вывод» усвоят все, кто его прочёл. Исследования суммаризации (классическая ссылка – работа Майнеса и коллег 2020 года о достоверности абстрактивной суммаризации) показали, что абстрактивные модели регулярно выдают утверждения, которых нет в источнике, а экстрактивный вывод остаётся достоверным. За читаемость приходится платить точностью.

Практичный ответ – не выбирать один подход, а сочетать их и привязывать вывод к источнику. Подход extract-then-abstract («сначала извлечь, потом переписать») находит нужные предложения и переписывает только их, поэтому модель не уходит от реального материала. Retrieval-augmented generation (RAG, генерация с поиском по источнику) делает то же в масштабе: прежде чем модель начнёт писать, система находит точные фрагменты транскрипта, и текст собирается из лекции, а не из памяти модели. Проверку человеком ни один подход не отменяет, но оба резко снижают шанс выдуманного факта. Надёжным процесс делают ссылки на источник: пусть каждое предложение резюме и каждая карточка указывают таймкод, откуда взяты, чтобы проверяющий (а заодно и любопытный учащийся) мог одним кликом перейти к этому месту и убедиться сам.

Нажмите, чтобы увеличить

Набор учебных материалов

«Суммаризация» – общее название для нескольких материалов, и у каждого своя задача. Если считать их одной функцией, легко выпустить одно резюме и объявить курс «улучшенным».

Резюме – короткий абзац, обычно 100–200 слов, который до или после просмотра сообщает учащемуся, о чём лекция. Это материал для навигации и повторения, а не замена лекции. Его риск – абстрактивная галлюцинация, поэтому привязка к источнику и проверка нужны ему больше всего.

Тезисы (ключевые выводы) – маркированный список главных утверждений лекции. Они ближе к экстрактивному подходу, чем резюме в виде связного текста, и поэтому чуть безопаснее. Кроме того, на них удобно строить проверку знаний: из тех же главных пунктов получаются хорошие вопросы теста, так что тезисы естественно дополняют автоматическую генерацию тестов.

Главы с заметками делят видео на именованные фрагменты с одной фразой описания, чтобы учащийся мог сразу перейти к разделу «Настройка окружения», не проматывая запись. Для длинной лекции это самый ценный материал и сильнее всех связанный с самим видео. Это ИИ-версия ручной разметки из статьи главы, транскрипты и поиск внутри видео и тот же шаг, что и при постобработке записи живого занятия в статье запись живых занятий и постобработка. Часть работы берут на себя российские видеоплатформы: Yandex Cloud Video заявляет автосубтитры и таймкоды, Kinescope – автосубтитры. Но названия глав под учебные цели всё равно проверяет человек.

Флеш-карточки – пары «вопрос – ответ», созданные по материалу лекции для самопроверки и интервального повторения. С точки зрения педагогики это самый сильный материал в наборе, и, как показано в следующем разделе, потому, что карточки заставляют учащегося действовать, а не просто читать.

Нажмите, чтобы увеличить

Что реально помогает учиться: данные исследований

Начнём с неудобного вывода, потому что он должен определить ваш продукт. Материал, который проще всего сгенерировать и выпустить, – пассивное резюме для чтения – один из самых слабых способов учиться. А самопроверка, которую сложнее спроектировать, – один из самых сильных.

Известный обзор техник обучения 2013 года (Данлоски и коллеги, «Improving Students' Learning With Effective Learning Techniques») оценил десять распространённых методов по силе доказательной базы. Самотестирование и распределённая практика (занятия, разнесённые во времени) получили высшую оценку полезности. Суммаризация, когда учащийся читает или пишет резюме, получила низкую оценку и помогает в основном при первом знакомстве с материалом. Для ИИ-функции вывод прямой: резюме помогает сориентироваться и повторить, но само по себе прочную память не формирует, и подавать его так, будто формирует, не стоит.

Почему карточки выигрывают, объясняют два хорошо изученных эффекта. Эффект тестирования (классическая ссылка – работа Рёдигера и Карпике 2006 года): попытка вспомнить ответ укрепляет память куда сильнее перечитывания, само извлечение из памяти и есть обучение. Эффект интервалов (известен со времён Эббингауза и подтверждён современными метаанализами, например Сепеды и коллег, 2006): то же время занятий, распределённое по нескольким дням, даёт лучший результат, чем одна зубрёжка. Система карточек использует оба: каждая карточка – попытка вспомнить, а планировщик интервального повторения показывает карточку снова незадолго до того, как учащийся её забыл бы. Есть ещё эффект генерации: то, что учащийся создаёт сам или активно прорабатывает, запоминается лучше готового. Это ещё один довод в пользу интерактивной карточки, а не абзаца текста.

Поэтому продуктовый вывод – не «генерируйте резюме». Генерируйте весь набор, но стройте сценарий так, чтобы учащийся в итоге проверял себя, а не только читал. Резюме – точка входа, а учится человек на карточках с интервальным повторением. Трекинг каждого материала (о нём ниже) покажет, доходят ли учащиеся до той части, которая работает.

Нажмите, чтобы увеличить

Проверка экспертом перед публикацией

Абстрактивный текст может быть гладким и при этом неверным, поэтому проверка – не необязательная шлифовка, а тот самый шаг, после которого материалу можно доверять. Сделайте её формальным процессом, а не беглым просмотром.

Проверяющий задаёт каждому материалу четыре вопроса. Точен ли он? Каждое утверждение прослеживается до транскрипта, выдуманных фактов и чисел нет. Полон ли он? Модель не выбросила пункт, который лектор считал ключевым, и не раздула длинное отступление. Верно ли расставлены акценты? На первом плане учебные цели, а не то, что повторялось чаще. Ясен ли он и нейтрален? Нет путаных формулировок и предвзятых примеров. Материал проходит, только если на все четыре вопроса ответ «да»; иначе проверяющий правит его или отклоняет. Ссылки на таймкоды ускоряют работу: проверяющий кликает по утверждению и попадает в тот момент видео, который должен его подтверждать.

1EdTech (организация, которая развивает стандарты QTI и LTI) выпустила AI-Generated Content Best Practices (v1.0, 2024) именно потому, что такому процессу нужны правила: документ рекомендует человеческий контроль над учебным контентом, созданным ИИ, прозрачность в том, что сгенерировано машиной, и внимание к предвзятости и доступности. Опирайтесь на него в своей политике проверки и помечайте ИИ-материалы, чтобы учащиеся знали, что читают. Руководству это стоит объяснить так: ИИ не убирает эксперта из подготовки материалов, а переводит его с написания на проверку и правку. На каждую лекцию это в несколько раз быстрее и даёт более полный набор материалов, чем курс получил бы иначе.

Сделать материалы измеримыми: трекинг

Если ни одна система не видит, как используется учебный материал, для аналитики его нет: вы не узнаете, помог ли он, и не сможете его улучшить. Эту задачу решает xAPI (Experience API) – спецификация версии 1.0.3 от Advanced Distributed Learning Initiative. Она записывает обучение короткими утверждениями вроде «Мария просмотрела резюме модуля 3» или «Мария верно ответила на карточку» в Learning Record Store (LRS) – хранилище таких утверждений.

xAPI хорошо подходит для материалов: в отличие от старого стандарта SCORM, который отслеживает фиксированную модель «завершение и баллы» внутри запуска в LMS, xAPI позволяет задавать собственные глаголы и объекты. Поэтому «просмотрел резюме», «прошёл колоду карточек» и «перешёл к главе» становятся событиями, которые можно посчитать. Подробнее о проектировании утверждений – в статье о трекинге видео через xAPI, о том, как из них складываются завершение и прогресс, – в метриках обучения 101. Когда материал ведёт в видео (маркер главы или ссылка «пересмотреть этот фрагмент»), xAPI Video Profile – профиль сообщества для трекинга видео – передаёт события played, paused и seeked с таймкодами. Так переход к главе становится данными для анализа, а не кликом, которого никто не увидел.

Минимальное xAPI-утверждение о том, что учащийся просмотрел сгенерированное резюме (данные заведомо тестовые):

{
  "actor": { "name": "Тестовый учащийся", "mbox": "mailto:learner@example.org" },
  "verb": { "id": "http://id.tincanapi.com/verb/reviewed",
            "display": { "ru-RU": "просмотрел" } },
  "object": {
    "id": "https://example.org/course/safety/lecture3/summary",
    "definition": {
      "type": "http://adlnet.gov/expapi/activities/media",
      "name": { "ru-RU": "ИИ-резюме лекции 3 (проверено человеком)" }
    }
  },
  "result": { "duration": "PT45S" }
}

Пример важен формой, а не синтаксисом: у материала стабильный id и согласованный глагол, поэтому «просмотрел резюме» становится единой метрикой по всем учащимся и всем языкам. Наконец можно ответить, лучше ли справились те, кто пользовался материалами, и какой из материалов дал эффект.

Частая ошибка: уверенное резюме

Чаще всего мы видим такой провал: команда подаёт транскрипт в модель, получает гладкое резюме, ставит его под видео и выпускает. На демо всё выглядит отлично. Потом абстрактивная модель называет число, которого лектор не называл, или превращает «не делать» в «делать», а поскольку текст гладкий, никто из учащихся не сомневается, и ошибка оказывается в официальном конспекте курса. Тихая версия той же ошибки – подать резюме как замену лекции: учащиеся читают 150 слов, пропускают видео, и курс незаметно перестаёт учить. Третья ошибка – в аналитике: материалы выходят простым текстом, без xAPI-утверждения и стабильного id, и вы никогда не узнаете, пользовался ли ими кто-нибудь и была ли от них польза.

У каждой ошибки своё исправление. Привяжите генерацию к источнику (extract-then-abstract или RAG) и сверяйте материал с исходником перед публикацией – так уверенно-неверное резюме до учащихся не дойдёт. Подавайте резюме как средство навигации и повторения и подталкивайте учащегося к карточкам, чтобы материалы дополняли лекцию, а не заменяли её. С первого дня выпускайте каждый материал со стабильным id и xAPI-трекингом, чтобы функция давала данные, а не служила украшением. Автоматическое резюме – это черновик. Выпущенный как официальный конспект, он становится не учебным материалом, а риском, и расплачиваются за него учащиеся, которые ему поверили.

Расчёт: материалы для курса из 20 лекций

Начнём с экономики: подготовка материалов – это затраты, которые растут с каждой лекцией и каждым обновлением курса.

Возьмём курс из 20 лекций, к каждой нужны резюме, тезисы, маркеры глав и небольшая колода карточек. Ставка методиста – около 6 000 ₽ в час; это ориентир, подставьте свою: соотношение вариантов от неё не зависит. Традиционный вариант – методист сам пишет материалы по транскрипту:

Вручную:
  ~2 часа на лекцию на полный набор материалов
  20 лекций × 2 часа = 40 часов работы методиста
  40 часов × 6 000 ₽/час = 240 000 ₽ за курс

Теперь с ИИ: модель пишет черновик каждого материала, методист сверяет его с источником и правит:

С ИИ (генерация, затем проверка):
  Генерация: минуты вычислений, затраты ничтожны
  Проверка и правка: ~30 минут на лекцию
  20 лекций × 0,5 часа = 10 часов работы методиста
  10 часов × 6 000 ₽/час = 60 000 ₽ за курс

Вариант с проверкой обходится примерно вчетверо дешевле, занимает намного меньше времени и хорошо масштабируется: после перезаписи лекции материалы перегенерируются за дешёвый проход модели и короткую проверку, а не требуют нового 40-часового проекта. Но это не «бесплатный конспект». Доверие к материалам обеспечивает именно проверка, и если на ней сэкономить, уверенно-неверные резюме выйдут сразу по двадцати лекциям. Реалистичная оценка – ускорение в три-четыре раза на лекцию при обязательном участии эксперта, плюс более полный и свежий набор материалов, чем был бы у курса иначе. Общую картину затрат на разработку и эксплуатацию смотрите в статьях о модели стоимости платформы обучения и о том, покупать или разрабатывать ИИ-функции и сколько это стоит.

Нажмите, чтобы увеличить

Где здесь Фора Софт

Мы встраиваем учебные материалы в обучающий продукт, а не прикручиваем сбоку модуль, который выводит под плеером оторванный от курса текст. Фора Софт с 2005 года делает видеоконференции, стриминг, e-learning и ИИ-функции для видео. Когда клиенту нужны ИИ-резюме и карточки, мы начинаем с выбора «строить или покупать». Готовый сервис или API быстрее всего дают рабочее демо, но берут плату за минуту или за пользователя. Собственный конвейер генерации, встроенный в ваш плеер и хранилище курсов, требует инженерных вложений на старте, зато транскрипты, исправленные материалы и данные об использовании остаются у вас. Мы подключаем вход очищенного транскрипта, модель, размещённую в России или в вашем контуре, генерацию по схеме extract-then-abstract со ссылками на таймкоды и очередь проверки экспертом. На выходе – резюме, тезисы, главы и карточки, которые показываются в плеере, отслеживаются через xAPI и ведут обратно в видео. Мы прямо говорим клиентам, что доверие обеспечивает проверка, а главное проектное решение – вести учащихся от резюме, которое они читают, к карточкам, по которым они проверяют себя: по данным исследований, именно там и происходит обучение.

Главное

• Суммаризация – это набор материалов: резюме, тезисы, главы, карточки.
• Экстрактивный вывод верен, но сух; абстрактивный читается легко, но может галлюцинировать.
• Привязывайте генерацию к источнику (extract-then-abstract, RAG), ставьте ссылки на таймкоды и сверяйте материалы с исходником.
• По данным исследований, чтение резюме – слабый способ учиться, самопроверка по карточкам – сильный.
• Отслеживайте каждый материал через xAPI-утверждения, чтобы видеть пользу.
• Записи занятий с учащимися – это ПДн: модель и хранилище только в России.

Что читать дальше

• Автоматическая генерация тестов и заданий
• Главы, транскрипты и поиск внутри видео
• Трекинг видео через xAPI: Video Profile