Разработчики образовательных технологий

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Разработчики образовательных технологий — люди и организации, создающие образовательные технологии: продуктовые дизайнеры, разработчики программного обеспечения, инженеры обучения, дизайнеры аналитики обучения, а также edtech-компании, университетские лаборатории и проекты Открытый код, в которых они работают. В ИИ в образовании это роль, которая превращает возможность модели в нечто, чем преподаватель или учащийся действительно может пользоваться, и она несёт решения, которые ни один последующий этап не может отменить: на каких доказательствах опирается проектное утверждение, насколько конвейер аналитики или система тьюторинга опирается на собственные лицензированные материалы учреждения, включаются ли преподаватели и учащиеся в проектирование, какие предположения инструктивного дизайна заложены в настройки по умолчанию, и что происходит с продуктом после того, как заканчивается финансирование. Во всех отчётах о системах и исследованиях внедрения в базе знаний повторяется один урок: обычно ограничивающим фактором является контекст внедрения, а не модель.

Вопросы для размышления

Если метаанализы, утверждающие, что «ИИ улучшает обучение», опираются на невалидную методологию, как обнаружил аудит в Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis, то на каких доказательствах продуктовой дорожной карте действительно позволено строить?
Должны ли пояснения алгоритма быть написаны на учебно-программном языке преподавателя, даже когда это требует больше проектных усилий, чем показ важности признаков, — и кто платит за эти усилия?
Когда инструмент совместно проектируется со студентами, чей вердикт решающий: измеренный прирост в обучении или те 96%, которые сказали, что хотят его сохранить?
Является ли развёртывание на собственных мощностях с открытой лицензией техническим выбором или управленческим — и должны ли требования прозрачности стать условием покупки?
Что разработчик должен учреждению, когда заканчивается грант: поддерживаемый продукт, пригодный для форка репозиторий или честное заявление о том, что система никогда не была валидированным вмешательством?

Введение

Разработчик находится на уровень ниже платформы. Edtech-платформа описывает развёрнутую систему и заинтересованную сторону, которой она становится, попав в школу или университет; эта страница — о людях, которые решают, что эта система делает. Это различие важно, потому что находки на уровне платформы — низкое внедрение, перекос в справедливости, трения при закупках — обычно являются следствиями проектных решений, принятых ранее кем-то, кто никогда не встречался с учащимися.

Роль также отличается от своих соседей. Дизайн обучения и Проектирование учебного плана проектируют курс для известной когорты; разработчик технологий проектирует продукт, которым будут пользоваться многие курсы, преподаваемые людьми, которых он никогда не встречал, — именно поэтому настройки по умолчанию, настраиваемость и документация несут педагогический вес. Развитие педагогической практики поддерживает преподавательский состав учреждения изнутри; разработчики находятся снаружи или рядом, поставляя инструменты, которые затем просят внедрить этот состав. А Дизайн-ориентированные исследования — это стандарт доказательности, которому таких разработчиков всё чаще просят соответствовать: итеративный, контекстуальный и представляемый с собственными ограничениями.

Кто создаёт образовательный ИИ

Исследовательские лаборатории, создающие публичную инфраструктуру. OATutor был построен в UC Berkeley как первая полностью открытая адаптивная система тьюторинга на принципах ITS: кодовая база под лицензией MIT с библиотекой алгебры под Creative Commons, байесовская оценка освоенности Bayesian Knowledge Tracing, инфраструктура A/B-тестирования и поддержка LTI. Причина его существования — проектное решение: проприетарные платформы ограничивали исследования Адаптивное обучение закрытыми системами, — и его маршрут авторства — другое: 16 создателей произвели курс College Algebra за шесть месяцев после 2,27 часов обучения.

Создатели моделей. LearnLM: Improving Gemini for Learning переформулирует улучшение модели для обучения как следование педагогическим инструкциям: поведение задаётся для каждого приложения через системные инструкции, а не через одно фиксированное определение Педагогики и стратегии преподавания, и экспертные рецензенты предпочли его на +31% по сравнению с GPT-4o и на +13% по сравнению с базовым Gemini. Практический смысл в том, что педагогика слишком зависит от контекста, чтобы определять её глобально; полезная возможность — это следование инструкциям, которые пишет разработчик, измеряемое сценариями на уровне диалога, а не одиночными бенчмарками.

Архитекторы моделей знаний. Ontology-Based Layered Hybrid AI-Driven Knowledge Model for Personalized E-Learning утверждает, что Персонализированное обучение нуждается не просто в статической онтологии, предлагая системы связанных онтологий плюс правила и аналитику вместо классической архитектуры ITS из четырёх моделей, а также фреймворк переиспользования из восьми классов метаданных, призванный снизить стоимость каждого нового проекта.

Инженеры инфраструктуры и измерения. Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains описывает модульный, домен-агностичный конвейер для данных о взаимодействии учащегося, валидированный на трёх образовательных ИИ-ассистентах, где методы, созданные для одного домена, распространились на другой, — переиспользуемая инфраструктура Аналитика обучения, а не панель для одного курса. StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing показывает дополняющий случай: байесовская перереализация дала идентичный прогноз установленному инструменту точечной оценки (AUC 0,711), отличаясь только стоимостью и доверительными интервалами, которые делают сравнение условий интерпретируемым.

Создатели внутри учреждений. From Surface Learning to Deep Understanding: A Grounded AI Tutoring System for Moodle встраивает тьюторинг на базе LLM в существующую LMS, а не поставляет отдельный инструмент, снижая порог внедрения, который литература по ITS называет причиной того, почему системы терпят неудачу на практике. SAVVY: Student Attention Visualization for Video-based Learning Analysis превращает мультимодальные сигналы внимания в интерфейс, который преподаватели могут читать до выпуска видео. Instructional Agents автоматизирует первые три фазы ADDIE с помощью агентов, специализированных по ролям, и его абляция — урок проектирования: базовая линия с одним агентом набрала худший результат, Full Co-Pilot превзошёл Autonomous на 0,5–0,9 балла, а отсутствие разницы в качестве между бэкендами сделало самым дешёвым — дефолтным.

На чём может опираться проектное утверждение

Доказательная база слабее, чем кажется. Presumed Effective: The Manufacturing of an Evidence Base for AI-in-Education Through Flawed Meta-Analysis провёл аудит 14 метаанализов, утверждающих, что ИИ улучшает образование, и обнаружил, что ни один не обосновывает своих утверждений: все, кроме двух, определяли воздействие как инструмент, а не как педагогическое вмешательство, 61% из 59 проверенных первичных исследований имели проблемы валидности, гетерогенность была высокой везде, где сообщалась, анализы модераторов были недонасыщены мощностью, а смещение публикаций никогда не оценивалось валидно. Отозванный метаанализ всё ещё цитировался как авторитетный в 60% отобранных последующих статей. Для разработчика «ИИ улучшает обучение» — это утверждение о продуктовой категории, а не проектный вход.

Сообщайте неопределённость и полную стоимость, а не только точность. Для StanBKT байесовский вывод не даёт ничего в прогнозировании и даёт всё в возможности сказать, какие эффекты были достоверными. Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources сообщает абляции извлечения, квантизационно-осведомлённое дообучение, VRAM, энергию на запрос и галлюцинации, измеренные по отношению к извлечённым открытым ресурсам, — с собственной оговоркой авторов о том, что система не является валидированным тьютором. Это и есть дисциплина оценивания, которая делает утверждение о внедрении проверяемым.

Совместное проектирование с преподавателями и учащимися

Пояснения должны говорить на языке преподавателя. The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations провёл внутрисубъектный эксперимент с 41 учителем химии на инструменте ML-рекомендаций: понятность, Доверие и принятие коррелировали положительно, а объяснения, опирающиеся на предметную область и выраженные на учебно-программном языке, давали значительно более высокую понятность, выученное доверие и принятие, чем объяснения через важность признаков. Доверие также было динамичным — несколько учителей сказали, что его разрешит только опыт в аудитории, — а принятие зависело от педагогического согласования и снижения нагрузки.

Совместное проектирование в масштабе учреждения. AIDA в Open University была построена через шесть исследований, основанных на проектировании, за 18 месяцев с 498 студентами и 20 сотрудниками. Около 20% изначально отнеслись скептически; после практического использования 96% хотели её сохранить, а исследовательское РКИ обнаружило вдвое большее время использования, но не обнаружило значимых различий в данных о процессе обучения. Разрешающими факторами были организационные — спонсорство высшего руководства, межподразделенческое сотрудничество, итерации на основе данных, — при пробелах в ёмкости системного мышления.

Закупки, открытость и жизнь после окончания финансирования

Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources предоставляет входные данные, необходимые для решения о закупке: минимальный порог аппаратуры в 12 ГБ VRAM, потолок точности для модели класса 7B, энергию на запрос и порядок выбора — сначала извлечение (без него модель набрала 52,3%, ниже базовой линии TF-IDF), затем дообучение, затем квантизационно-осведомлённое сжатие; открытое лицензирование — предпосылка для локального обслуживания корпуса. Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education формулирует то же решение как управление: требования прозрачности превращают закупку в эпистемологическое управление, оспоримость и происхождение становятся условиями, а округа с наименьшей ёмкостью сталкиваются с наивысшей планкой. What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education добавляет, что управление поставщиками появлялось лишь в 29% из 30 проверенных пакетов политики, в которых гораздо охотнее указывалось, что ИИ может делать, чем то, какими доказательствами обучения он должен подкрепляться. Generative AI (GenAI) as a mindtool that supports generative learning (GL) ставит проектный вопрос — поощряет ли продукт обучение вместе с инструментом или выгружает когнитивную работу, — а What Makes Words Hard? Sakura at BEA 2026 Shared Task on Vocabulary Difficulty Prediction показывает этот компромисс в миниатюре: модель-чёрный ящик с наилучшим результатом (r > 0,91) была менее объяснимой, чем интерпретируемая (r > 0,77).

Связанные концепции

Связанные статьи

Связанные ресурсы

Playlab
Некоммерческая платформа для создателей, где преподаватели создают, распространяют и оценивают собственные ИИ-приложения — опирающиеся на их учебный план, работающие на модели по их выбору, с встроенной прозрачностью для преподавателя.

Метаданные

Целевая аудитория	Instructional Designers, Software Developers, Learning Analytics Designers, Institutions, Educational Technology Developers
Технологии и методы	Аналитика обучения, Edtech-платформа, Открытый код
Методы исследований и оценка	Дизайн-ориентированные исследования
Основы ИИ в образовании	Развитие педагогической практики, Дизайн обучения
Вид страницы	Evaluation

Source History Edit Chat