Відкритий код

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Відкритий код — використання відкрито ліцензованих моделей, коду, даних і контенту в AI in education. Відкритість є головним контрбалансом бази знань для прив’язки до постачальника та data exposure: моделі з відкритими вагами можуть працювати на обладнанні кампусу, щоб виконати зобов’язання за FERPA, GDPR та Законом ЄС про ШІ, відкриті ліцензовані корпуси можуть індексуватися та донавчатися без дозволу видавця, а відкриті релізи бенчмарків і наборів даних роблять research відтворюваними. Тягарі так само реальні: забезпечення інфраструктури та safety, супровід, що переживає грант, і якість, яку відкритість сама по собі не гарантує.

Питання для роздумів

• «Відкритий код» часто чують як «безкоштовно та легко». Який із чотирьох шарів нижче — моделі, код, дані чи контент — насправді коштує вашій установі найбільше для освоєння, і чому?
• Відкриті ваги роблять локальне розгортання можливим, проте хтось усе одно має хостити, патчити та оцінювати систему. Хто має володіти цією роботою після завершення початкового проєкту, і хто за неї платить?
• Одне дослідження тут виявило, що відкрита модель 32B перевершує набагато більшу пропрієтарну систему за педагогічними знаннями, тоді як інше виявило кожну протестовану відкриту модель нижче людської базової лінії за грамотністю наукової візуалізації. Як вирішити, який бенчмарк є правильним для вашого рішення?
• Єдиний відкрито ліцензований корпус — це те, що дозволяє школі запустити локального помічника над власними матеріалами курсу. Які зобов’язання з цим пов’язані — перед оригінальними авторами, перед студентами, чиї дані індексуються, і перед самою ліцензією?
• Якщо generative AI може створити курс менш ніж за пів години за кілька доларів, яке залишається обґрунтування для відкритих освітніх ресурсів — вартість, свобода ліцензування, забезпечення якості чи щось інше?
• Чи мають установи трактувати освоєння відкритого коду як рішення про закупівлю, рішення про інфраструктуру чи педагогічне рішення? Що ламається, якщо його трактувати лише як одне з них?

Вступ

Увольно, «відкрите» в освіті зі ШІ означає, що чотири види артефактів доступні для інспекції, повторного використання та модифікації: ваги моделей, початковий код, дані та інструменти оцінювання і освітній контент. Статті бази знань розподіляються нерівномірно за цими шарами, і отримана картина є кориснішою за лозунг: відкритість купує конкретні речі — локальний контроль, аудитовність, відтворюваність та юридичну ясність, — і коштує конкретних речей — інфраструктури, експертизи, супроводу та тягаря забезпечення якості, який переходить від постачальника до установи.

Відкриті моделі та відкриті ваги

Відкриті ваги найбільше значать там, де дані студентів не можуть залишати кампус. LaTA — це локальний автооцінювач на базі Великі мовні моделі (LLM), сумісний із FERPA, який можна вставити замість існуючого, для курсів STEM старших курсів, побудований на авторських для викладача рубриках та еталонних розв’язках, із нульовою граничною вартістю на здачу. SCRIPT — система репетиторства на Python tutoring system в університеті Білефельда, яка свідомо уникає комерційних LLM API і самохостить модель Llama-70B з відкритими вагами, щоб відповідати GDPR та Закону ЄС про ШІ (який класифікує деякі застосування ШІ в освіті як високоризикові), розділяючи журнали IP від системи репетиторства, використовуючи псевдонімні імена користувачів і записуючи натискання клавіш лише за явної згоди, — вибір, якому автори також приписують нижчий вплив на навколишнє середовище та кращу відтворюваність.

Якість більше не є автоматичною ціною відкритості. EduQwen застосовує reinforcement learning (DAPO) та контрольоване донавчання до родини відкритих моделей, добуваючи 440 складних негативів, генеруючи 40 000 синтетичних відповідей із відбором до 1 050 прикладів, упорядкованих за складністю, і досягаючи 96,52 % на педагогічному бенчмарку — вище за 90,55 % у Gemini-3 Pro, — за 32B щільних параметрів. AiAWE доходить до схожих висновків для automated writing evaluation: модель Gemma-3-27B-it із відкритими вагами, адаптована за допомогою LoRA, перевершує LLaMA-3.3-70B і донавчений базис GPT-3.5 на 480 творах TOEFL і працює на сервері споживчого класу, із вражаючим побічним знахідкою, що кількість параметрів не є надійним предиктором нижчої діяльності за адаптації LoRA. Контрдокази заслуговують на однакове місце: a benchmark of six MLLMs (три закриті, три відкриті) виявив кожну відкриту модель нижче людської базової лінії за грамотністю наукової Візуалізація візуалізації, тоді як Gemini перевершував людське середнє в кількох підмножинах. Відкритість підвищує стелю контролю, а не здатності.

OmniEdu випускає весь конвеєр, а не лише ваги: контрольоване керівництвом навчання на збалансованій за здатностями суміші з 69 999 прикладів підняло кожен масштаб відкритої родини 4B/9B/27B для K–12 — налаштована модель 4B здобула 55 пунктів частоти виграшу скаффолдингу MathTutorBench над своїм базисом, — тоді як діагностика стану знань залишилася її найслабшою здатністю на 54,04 % (Liang et al., 2026).

Відкриті засоби, репетитори та дослідницька інфраструктура

Найясніший випадок для відкритого коду — відтворюваність. OATutor — перша повністю відкрита адаптивна система репетиторства, побудована на принципах ITS, — поєднує кодову базу з ліцензією MIT із бібліотекою контенту Creative Commons (CC BY) з підручників з алгебри OpenStax, плюс knowledge tracing, A/B-тестування та підтримку LTI; її явна дизайнерська мета — щоб дослідник міг провести експеримент, а потім опублікувати всю наскрізну рамку, контент і платформу як посилання на репозиторій. StanBKT висуває той самий аргумент на шарі методу, замінюючи точкові оцінки максимізації очікування повним байєсівським висновком (HMC, варіаційний висновок, Pathfinder, оптимізація) у відкритому пакеті Python, який розкриває невизначеність, від якої залежать A/B-порівняння адаптивних втручань. DeepTutor: Towards Agentic Personalized Tutoring випускає повну agentic рамку репетиторства з пам’яттю здобувача у вигляді лісу слідів — Apache 2.0, і до кінця 2026 року повний навчальний робочий простір, а не лише конвеєри, які бенчмаркує його стаття, — а генератор аудиторій MAIC OpenMAIC постачається під MIT разом із дослідженням, яке його оцінює, тож курс може бути згенерований, самохостований та інспектований, а не лише прочитаний; VISMATIC публікує свою контейнеризовану пісочницю для моніторингу, орієнтованого на процес, щоб інші установи могли освоїти саме модель доброчесності, а не версію постачальника. Відкритий код несе також тягар прозорості: скрипти для MathBuddy підказок репетиторства, обізнаного з афектом, публікуються для інспекції та подальшої pedagogical training роботи. Відкрита інфраструктура задає еталон для того, що мають робити освітні агенти: scoping review of 474 agentic-AI studies використовує швидкозростальний проєкт агента з відкритим кодом як свій бенчмарк «фронтирної агентної парадигми» і виявляє, що освітні системи усе ще не мають керованої оркестрації інструментів, стійкої пам’яті, довгого планування та аудитовної дії.

Відкриті бенчмарки, набори даних та прозорість методу

Кілька внесків тут є відкритою інфраструктурою оцінювання, а не системами. The Pedagogy Benchmark (CDPK + SEND, побудований зі справжніх пунктів чилійських вчительських іспитів) охоплює 97 моделей: DeepSeek R1 із відкритими вагами досяг 86,65 % проти першої десятки переважно закритих моделей мислення, а фронтир вартості–точності перемістився з приблизно 50 % до приблизно 82 % при \$0.10/M вхідних токенів між квітнем 2024 року і червнем 2025 року, — причому відкритий Qwen-3 8B за 3,5 цента майже відповідав найкращій закритій моделі квітня 2024 року за понад у 400 разів нижчої вартості. Діяльність різко падає нижче приблизно 8B параметрів, що є практичним обмеженням розміру для розгортань у кампусі. ASTRA випускає набір даних, схему та прототип для оцінювання на основі слідів соціально розумного багатоагентного репетиторства (540 учасників, 360 сесій, 1 440 епізодів завдань). IKS-Instruct показує культурний випадок для відкритих даних: 24 795 пар інструкція–відповідь на семи мовах і 41 педагогічну техніку, узяту з ведичних і класичних джерел, узгоджену з curriculum CBSE, що дозволило компактній моделі 7B наблизитися до набагато більшої загальної еталонної моделі (медіанна оцінка судді 6,39 проти 6,54) за частину вартості розгортання. Авторські для студентів benchmarks — інший шлях до відкритості: AcademiClaw курує 80 академічних завдань із довгим горизонтом зі 230 поданих студентами кандидатів (охоплюючи 25+ професійних областей, 16 вимагають GPU CUDA, запущених в ізольованих пісочницях Docker) і розширює відкриту екосистему агентів до оцінювання академічного рівня. Eimler et al. (2026) стверджують, що відкритість є також environmental зобов’язанням: проаналізувавши всі статті AIED 2025, вони виявили патерн «освоєння LLM без розкриття» і відповіли методологією вимірювання з відкритим кодом — програмними засобами плюс формулою, яка оцінює обчислювальні витрати навіть коли кількість параметрів невідома.

Відкриті освітні ресурси та відкритий контент

Shen et al. (2026) — єдина стаття бази знань, у якій відкриті освітні ресурси є центральним об’єктом, а не мимохідною відсилкою. Вони будують локального помічника бази знань зі ШІ для computer science education з 82 документів OER на обладнанні споживчого класу (RTX 3060 з 12 ГБ VRAM), поєднуючи структуроване витягання, retrieval-augmented generation, і 4-бітне донавчання, обізнане з квантизацією NF4. Донавчання додало справжню цінність понад пошук (Qwen-7B 69,8 %, +3,2 п. п., p = 0,031; DeepSeek-MoE 78,6 %, +12,0 п. п., p < 0,001, включно з 82,3 % на багатоступеневому мисленні); донавчання, обізнане з квантизацією, утримало розрив точності 4 бітів на 1,7 і 1,2 п. п., скоротивши VRAM приблизно на 38 % і енергію до 1,8 мВт·год на запит (на 43,8 % нижче базису); а роздута квантизацією hallucination була частково відновлена донавчанням (DeepSeek-MoE 10,4 % → 8,1 %), виміряна процедурою NLI із двох етапів проти витягнутих фрагментів OER. Аналітичний пункт є узагальнюваним: відкрито ліцензований корпус може бути індексований, адаптований і поданий без дозволів видавця, і закріплення помічника у витягнутому OER дає перевірний слід походження, — що саме те, чого пропрієтарний корпус підручників не може запропонувати.

Відкритість контенту і відкритість моделей є взаємодоповнювальними й в інших місцях. OATutor курує підручники OpenStax під CC BY у систему, чий код ліцензований MIT, тому умови ліцензій коду і контенту мають утримуватися сумісними за дизайном. An open, executable module library for power systems AI знижує бар’єр входу записними книжками Jupyter, які працюють локально або в Colab, постачаються через онлайн-курс IEEE. А проєктна mechanical engineering публікує свою програму, дані та код у репозиторіях відкритого доступу, щоб інші установи могли її освоїти (Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering). Поряд із OER відкрита курсова доставка — це те, де економіка змінюється найшвидше: MAIC повідомляє про колапс виробництва MOOC з приблизно \$25 000 і 60 годин на курс до менш ніж \\$2 і 30 хвилин із генерацією за допомогою багатоагентної системи на базі LLM. Якщо виробництво контенту стає майже безкоштовним, аргумент OER переходить від вартості виробництва до свободи ліцензування, перевірності та забезпечення якості, — що є іншою пропозицією, ніж та, на якій побудована адвокація OER.

Вигоди і тягарі

• Вигоди. Суверенітет даних і регуляторна відповідність (Приватність, Регулювання ШІ в освіті) через локальний хостинг; контроль вартості, оскільки локальний висновок не має плати за запит, а відкриті моделі наближаються до пропрієтарної якості за частину ціни (Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning); відтворюваність, бо рамка, підказки, контент і дані можуть постачатися зі статтею (OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research, ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring); аудитовність і огляд безпеки за institutional governance; і здатність донавчати для конкретної Педагогіки та стратегії викладання чи бази знань конкретної спільноти (IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems).
• Тягарі. Локальний хостинг вимагає обладнання та експертизи, яких багато установ не мають; якість і safety не гарантуються з коробки — відкриті моделі можуть відставати від людських базисів за конкретними грамотностями (Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy), а квантизація підвищує частоти галюцинацій, якщо не пом’якшується (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources); хтось має супроводжувати систему після публікації (Programming Intelligent Tutoring Systems документує невелику команду аспірантів, експозицію безпеки в роботі над проєктом і суттєвий тягар відповідності); і відкрита ліцензія є дозволом, а не робочим продуктом, — супровід, який утримує випущену систему придатною, падає на тих Розробники освітніх технологій, хто її побудував, і їхнє фінансування та стимули вирішують, чи є те, що установа успадковує після завершення гранту, розвилковим репозиторієм, супроводжуваним продуктом чи ні тим, ні іншим.

Впровадження відкритості на практиці

• Для викладачів і установ: перевіряйте ліцензію контенту, а також коду, перш ніж освоювати систему — код MIT над підручниками CC BY можна використовувати повторно, проте дозвільна ліцензія не гарантує, що шляхи репетиторства, банки пунктів чи переклади існують. Віддавайте перевагу відкритим моделям, коли дані студентів юридично не можуть залишати кампус (LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework, Programming Intelligent Tutoring Systems), але бенчмаркуйте модель на вашому завданні, а не довіряючи загальним лідербордам (Benchmarking the Pedagogical Knowledge of Large Language Models). Закладайте в бюджет когось, хто буде запускати та оцінювати систему після пілоту.
• Для розробників і дослідників: постачайте всю річ — наскрізний випуск OATutor (код, контент, стенд експерименту) є стандартом відтворюваності, який ця література тривало винагороджує. Випускайте підказки та схеми витягання разом із вагами (Programming Intelligent Tutoring Systems, MathBuddy: Affective Math Tutoring). Повідомляйте обчислення та вуглець (The Environmental Cost of LLMs in AIED: Reporting and Practices). Закріплюйте помічників у відкрито ліцензованих корпусах, щоб походження було перевірним, а адаптація законною (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources). Використовуйте донавчання, обізнане з квантизацією, а не просту квантизацію, якщо точність і енергія обидві важливі, і утримуйте ліцензії коду та контенту сумісними.

Пов’язані поняття

• Інтелектуальний тьюторінг
• Тренування LLM і дотончення
• Адаптивне навчання
• Платформа EdTech
• Приватність
• Регулювання ШІ в освіті
• Урядування ШІ
• Агентний ШІ
• Автоматизоване оцінювання
• Бенчмарк
• Відстеження знань
• RAG (генерація з доповненням пошуком)
• Педагогічна безпека
• Сталий розвиток
• Методи досліджень в AIED
• Письмо
• Академічна доброчесність
• Розробники освітніх технологій

Пов’язані статті

• Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources — Локальний помічник бази знань зі ШІ на основі OER на споживчому обладнанні (Shen et al. 2026)
• OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research — Адаптивний репетитор з ліцензією MIT із бібліотекою контенту OpenStax під CC BY (Pardos et al. 2023)
• Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning — Відкрита педагогічна модель 32B, що перевершує набагато більші пропрієтарні системи (Singh et al. 2026)
• LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework — Локальний автооцінювач на базі LLM, сумісний із FERPA, який можна вставити замість існуючого
• Programming Intelligent Tutoring Systems — Самохостований LLM з відкритими вагами для відповідності GDPR/Закону ЄС про ШІ в Python ITS
• AiAWE: An Open-Source LLM Automated Writing Evaluation System Using LoRA-Adapted Instruction-Tuned Models — Модель із відкритими вагами, адаптована за допомогою LoRA, для автоматизованого оцінювання письма
• StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing — Відкритий пакет Python для повного байєсівського відстеження знань
• DeepTutor: Towards Agentic Personalized Tutoring — Повністю відкрита агентна рамка репетиторства з пам’яттю здобувача
• Securing the Sandbox: A Rootless Containerized Framework for Process-Oriented Monitoring in Computer Graphics Education — Відкрита контейнеризована пісочниця для оцінювання, орієнтованого на процес
• MathBuddy: Affective Math Tutoring — Репетитор математики, обізнаний з афектом, із відкритою кодовою базою
• Benchmarking the Pedagogical Knowledge of Large Language Models — Відкритий педагогічний бенчмарк на 97 моделях і фронтир вартості–точності
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Відкритий набір даних і прототип для оцінювання багатоагентного репетиторства на основі слідів
• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy — Відкриті моделі нижче людської базової лінії за грамотністю візуалізації
• IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems — Відкритий багатомовний набір даних для культурно закріпленої інструкції
• The Environmental Cost of LLMs in AIED: Reporting and Practices — Метод з відкритим кодом для повідомлення навколишньосередовищної вартості LLM
• Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework — Відкрита виконувана бібліотека модулів для інженерного ШІ
• Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering — Публічно доступна навчальна програма, дані та код
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — Генерація курсів на основі LLM і змінна економіка виробництва курсів
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw
• AcademiClaw: When Students Set Challenges for AI Agents
• OmniEdu: Open Foundation Models for Learning and Teaching — OmniEdu: відкриті базові моделі для навчання і викладання