Лаборатория онлайн-обучения

Пятница. Чувствуется усталость. Но продолжаем работать.

Новое поколение авторов. Новое поколение книг.

Весной этого года прочёл книгу Димы Абакумова «Психометрика. Первые шаги». Читалось легко, с интересом и практической пользой! Хочется отметить, что у нас с Димой довольно много общих принципов. Выделю некоторые из них 👇🏼 1. Начинай с фундаментальных основ. Когда читатель берёт прикладную книгу в руки, то ему интересно разобраться сперва в терминологическом аппарате, понять позицию автора относительно темы, адаптироваться к сложности материала и т.д. Кто разбирается в теме когнитивной нагрузки, отчётливо понимает зачем. Например, у Димы в первой главе замечательно описываются вопросы измерений в образовании в контексте исторического экскурса, а затем организуется плавный переход к главе «Инструменты и данные». У меня аналогично. Вначале курса-книги существует модуль «Определение андрагогики», в котором объясняется: • что такое андрагогика, • на какие фундаментальные теории обучения опирается андрагогика, • цели и задачи андрагогики, • место андрагогики в системе наук. Отдельно рассматривается исторический экскурс развития андрагогики. 2. Исключай «воду» и субъективные рассуждения. Если читатель может сократить при чтении 30% текста, то книга (чаще всего) написана для маркетинговых, а не образовательных целей. Знаю книги, когда автор, либо просто пересказывает предыдущий материал, но другими словами, либо рассуждает не по теме, либо ему нужно продавать свои другие продукты через книгу (например, консалтинг). Поэтому радует, что у нас с Димой отсутствует «вода», добавляющая лишние страницы. Я бы вообще сказал, что наши книги похожи на методички, а не книги в классическом смысле! Что делает их полезными на 100% для практиков. 3. Включай примеры. Читателю нужны примеры, или метафоры, или аналогии или... что-то, что поможет понять применение знания в конкретном контексте. У Димы — это наглядные таблицы, примеры, и даже готовый код и датасеты. У меня — это сторителлинг, примеры из опыта, метафоры, и даже исследовательские промты (в теме «Учебная мотивация взрослых»). 4. Давай возможность для рефлексии. Рефлексия позволяет обдумать материал, обратиться к своему опыту, а также усвоить сложные темы. У Димы, начиная с главы «Базовые (психо)метрики контента», есть мини-практикумы. У меня — вопросы и задания для рефлексии, которые выполняются в авторском дневнике рефлексии. 5. Опирайся на научные источники. Почему читатель должен доверять советам автора? Верно, потому что он полагается на научный подход, а не «мне показалось». Поэтому автору полезно указывать источники в сносках, или в конце главы. Либо приводить актуальные примеры или исследования из практики. Например, в книге Димы мне откликнулись отсылки на влиятельный журнал Nature, в материалах которого ученые эмпирически рассчитали оптимальную долю успехов и провалов в обучении. В своих материалах я также использую ссылки на исследования, научные издания, или книги по андрагогике (особенно, классические). И вообще, если читатель не разобрался в теме, или ему показалось, что автор её не раскрыл, то, скорее всего, нужно либо заглянуть в источники, либо задать вопрос автору. И тут с одной стороны — вопрос к осознанности читателя (его субъектности), а с другой — наличие дополнительных рекомендаций в книге от автора.

Рекомендация для всех одна, дружно собираем книги нового поколения о том, как использовать научный подход при проектировании обучения.

• «Психометрика. Первые шаги». Автор: Аббакумов Дмитрий. • «Андрагогика для практиков». Автор: Осипов Михаил. Кого ещё добавим в список ❓

Кстати, о занятиях 📚 Недавно один преподавателей вуза пожаловался мне, что массовое обучение работе с генеративными нейросетями, которое им предлагают, является очень поверхностным. Потому что им показывают многообразие ИИ-инструментов, дают готовые промты, рассказывают как генерировать учебный контент и т.д. Разделяю это недовольство. Разделяю. Решил ему рассказать о своих подходах, и чем мы занимались с преподавателями накануне на одном из моих занятий по учебному курсу по решению педагогических задач с ИИ.

28.10.2026 г. Тема: «Поиск, отбор и проверка источников информации с помощью нейросетей». Казалось бы, что здесь сложного? Сформулировал запрос, получил список источников, проверил ссылки. Но мы начали даже не с нейросетей. Ещё раз — НЕ с нейросетей. Мы сначала разбирались, как преподаватель вообще принимает решение о том, какая информация ему нужна для занятия. Поэтому последовательно выясняли 👇🏼 1. Какую педагогическую задачу решаем и какая информация для этого необходима? 2. Где целесообразно искать эту информацию и почему именно в этих источниках? 3. По каким признакам можно определить, что найденный источник действительно существует? 4. Как проверить его достоверность и пригодность для конкретной задачи? 5. Как сопоставить сведения из нескольких источников? 6. Какие из найденных материалов стоит использовать в занятии и с какой целью? и т.д. И это только подготовительный этап. Самая интересная часть началась, когда преподаватели стали формулировать запросы к нейросети. Мы работали прямо на доске Holst. Преподаватели записывали свои запросы, а я последовательно разбирал формулировки, указывал на ошибки и объяснял, к каким последствиям они могут привести. Причём ошибки далеко не всегда очевидны. Например, запрос может быть подробным, логичным и понятным человеку, но при этом не содержать критериев, позволяющих нейросети правильно отобрать источники. Или преподаватель просит найти достоверные исследования, но не определяет, что именно в рамках его задачи считается достоверным источником. В таких случаях проблема возникает ещё до того, как нейросеть начала генерировать ответ! За время работы с исследовательскими запросами я научился замечать подобные ошибки заранее. Нередко уже по формулировке понимаю, какой результат получит преподаватель и почему он, вероятно, останется им недоволен. Но и на этом работа не заканчивалась. Я сразу предупредил преподавателей: не рассчитывайте получить идеальный результат с первого запроса. Дальше мы учились анализировать ответы, выявлять ошибки, определять, какой информации не хватает, формулировать уточняющие запросы по конкретным критериям и т.д. Причём каждый раз возвращались к исходной педагогической задаче: действительно ли найденные материалы помогают её решить? Вот какую глубину проработки я считаю необходимой при обучении преподавателей работе с ИИ. Когда сперва интеллектуальные навыки развивают, а только потом как работать с генеративным ИИ, а не наоборот.

Как я понимаю, что мои занятия работают? Уже около семи лет я провожу практические занятия, мастер-классы, образовательные мастерские для команд корпоративных университетов, онлайн-школ, вузов и других организаций. И для меня главный показатель результативности обучения — способность участников решать профессиональные задачи, с которыми раньше возникали трудности. Приведу пример. В 2024 году наставлял и обучал методический отдел из трёх человек. Перед командой стояла задача выстроить систему метрик для оценки эффективности образовательных продуктов. Проблема заключалась в том, что метрики существовали разрозненно. Коллегам было сложно понять, как образовательные, продуктовые и бизнес-показатели связаны между собой и какие данные действительно нужны для принятия решений. Мы начали с диагностики: разобрали существующие метрики и ожидаемый результат. Затем я обучал коллег принципам построения и ведения учебной аналитики. Всю теорию сразу применяли к реальным образовательным продуктам команды. В результате за месяц коллеги разработали рабочую систему метрик и освоили алгоритмы, которые смогут использовать при работе с другими образовательными продуктами. Этот пример как раз хорошо отражает мой подход к обучению. Потому что в последнее время я всё чаще применяю task-based learning. Теорию подбираю под те знания и инструменты, которые необходимы для их решения. А ещё работаю практически со всем циклом проектирования по ADDIE, но особое внимание в последнее время уделяю этапу анализа, где сперва изучаю задачи участников, их профессиональные затруднения, ожидания заказчика и т.д. и только потом перехожу к проектированию.

С какими темами занятий ко мне можно обратиться?

Управление образовательными проектами, исследование запросов заказчика и целевой аудитории, подходы к проектированию образовательных программ и результатов обучения, андрагогика (как обучать взрослых), управление когнитивной нагрузкой, методики активного обучения, построение системы учебной аналитики, оценивание образовательных результатов и иные темы, которые вас интересуют. Форматы тоже у меня разные: от отдельного мастер-класса или образовательной мастерской до наставничества команды и полноценной программы обучения.

Ещё раз повторюсь, моя главная задача — спроектировать обучение, в котором участники смогут освоить инструменты для решения своих профессиональных задач.

Если вы планируете обучение руководителей методических команд, методистов, методологов, педагогических дизайнеров, преподавателей и других специалистов, чья работа связана с созданием образовательных продуктов или образовательных систем, напишите мне 👉🏼 в личные сообщения. Обсудим задачи вашей команды и подходящий формат работы 🙂

Думаю, уже никого не удивить тем, что искусственный интеллект помогает формулировать результаты обучения, проектировать задания, разрабатывать раздаточные материалы и выполнять ряд других методических задач. А что, если следующий сдвиг произойдёт уже в отношении самого образовательного опыта? В книге Learning Experience Design Дональд Кларк пишет:

Обучение — главная цель, выбор подходящего опыта — средство её достижения, а дизайн — процесс создания этого опыта.

До недавнего времени данный дизайн в основном происходил до начала обучения. Методист заранее определял содержание, последовательность, задания, подсказки, возможные ветки сценария и иные элементы образовательного опыта.

Справочно: Сам принцип адаптации появился задолго до генеративного ИИ. Адаптивные системы давно строятся примерно вокруг одного цикла: сигнал → диагностика → педагогическое решение → следующий опыт → новый сигнал.

Что интересно — ранее следующий шаг обычно выбирался из набора заранее подготовленных сценарных веток. Но теперь появляется другая возможность. ИИ постепенно получает возможность создавать следующий фрагмент образовательного опыта непосредственно под текущее состояние конкретного обучающегося. Например, система обнаруживает, что обучающемуся сложно понять определённый фрагмент теории, и сразу формирует другое объяснение, подбирает дополнительную аналогию, создаёт контрпример, меняет сложность задания, предлагает ещё один кейс и так далее по списку. То есть раньше логика могла выглядеть следующим образом: диагностика → выбор подходящего решения из заранее подготовленных. Теперь потенциально возможна другая: диагностика → генерация подходящего педагогического вмешательства → новый образовательный опыт. Причём мне не кажется перспективной модель, в которой ИИ каждый раз полностью генерирует человеку новый курс.

Возьмём, например, корпоративное обучение. Например, учим операторов колл-центра, у которых есть стандарты, наборы типовых ситуаций, понятные критерии качества. Допустим, сотрудник проходит стандартный блок по работе с клиентом и в одном из кейсов допускает ошибку. ИИ анализирует ответ и другие доступные сигналы, определяет вероятный характер затруднения, предлагает дополнительное объяснение, подбирает пример и т.д. После этого система снова проверяет понимание и при необходимости предлагает ещё одно вмешательство, затем возвращает сотрудника в основную программу. То есть базовая траектория остаётся общей, а ИИ подключается в тех точках, где конкретный обучающийся отклоняется от предполагаемой траектории. При этом диагностика совершенно не обязательно должна сводиться к тестированию. Если обучение проходит, например, в тренажёре, система может анализировать последовательность действий, характер ошибок, количество попыток, аргументацию, выбранные решения и другие сигналы. На основании этих данных ИИ пытается определить, в чём именно возникло затруднение и какое педагогическое вмешательство может помочь обучающемуся продолжить движение по основной траектории.

Потому возможно, задача методиста будет всё меньше заключаться в попытке заранее спроектировать каждый возможный сценарий. Вместо этого значительная часть работы может сместиться к проектированию того 👇🏼 — какие сигналы система должна собирать во время обучения; — как по данным сигналам определять трудности обучающегося; — какие педагогические вмешательства допустимы в каждой ситуации; — по каким критериям проверять, помогло ли вмешательство и т.д. Коллеги, возникает довольно интересный вопрос:

Зачем заранее проектировать образовательный опыт во всех деталях (используя ту же SJM), если ИИ сможет извлекать трудности, который испытывает обучающийся во время самой учёбы и сразу же давать по ним формировать отчёт тому же методисту?

Поставил автографы на очередном тираже книг «Андрагогика для практиков». Теперь можно считать, что рабочий день завершен.

Антиплагиат проверяет тексты. Но кто проверяет знания студентов? Ранее я уже рассуждал об ограничениях «Антиплагиата» и проблемах, с которыми сталкиваются студенты при автоматизированной проверке учебных работ. Например, студент самостоятельно написал курсовую работу, т.е. нашёл и проанализировал источники, выделил нужную информацию, сформулировал выводы и т.д., но система обнаружила признаки использования искусственного интеллекта. Далее студенту уже приходиться доказывать своё авторство, проходить дополнительные проверки, а иногда и вовсе переписывать отдельные фрагменты работы. Короче говоря, дополнительный и ненужный блок работ.

Но дело в том, что проверка происхождения текста и оценивание индивидуальных знаний студента — совершенно разные задачи.

И, на мой взгляд, развитие генеративного ИИ стимулирует нас задуматься о том, насколько обоснованно мы выбираем способы оценивания образовательных результатов (особенно, если образовательный результат оценивается только по тексту). Несколько размышлений по данной теме 👇🏼 1️⃣ В 2023 году группа исследователей под руководством Деборы Вебер-Вульф протестировала 14 инструментов обнаружения ИИ-текстов. Результаты показали, что 6 из 14 инструментов ошибочно классифицировали некоторые человеческие тексты как созданные ИИ, а 13 из 14 не всегда распознавали сгенерированные тексты. Безусловно, технологии развиваются. Например, уже в другом исследовании система Pangram продемонстрировала значительно более высокую точность, чем другие протестированные инструменты. Тем не менее авторы рекомендуют не использовать результаты детекторов как единственное доказательство.

Но даже если система безошибочно определит, что текст написан человеком или сгенерирован ИИ, мы всё равно не узнаем, насколько эффективно студент освоил изучаемый материал. Ведь авторство работы и достижение образовательных результатов — разные предметы оценивания.

2️⃣ Представим, что студенты направления «Педагогическое образование», изучающие педагогический дизайн, получили задание разработать программу повышения квалификации преподавателей. Один студент подготовил программу самостоятельно, второй — использовал ИИ. В данном случая я бы сразу разграничил два сценария оценивания. Первый — мы оцениваем качество итогового образовательного продукта. Например, если условиями задания разрешено использование ИИ, нас прежде всего интересует качество разработанной программы: насколько обоснованы образовательные результаты, соответствуют ли им методы обучения, учтены ли особенности целевой аудитории и т.д. В этом случае сам факт использования ИИ не должен снижать оценку, если соблюдены требования к выполнению задания. Второй — мы оцениваем индивидуальные знания и умения студента. Допустим, нам необходимо установить, способен ли он самостоятельно проектировать учебную программу. Тогда одной готовой программы, представленной на проверку, недостаточно. Даже если студент разработал её без ИИ, качество документа ещё не гарантирует, что он способен самостоятельно применять полученные знания в новых условиях.

Следовательно, если мы хотим оценить способность студента самостоятельно принимать педагогические решения, необходимо создать условия, в которых он сможет продемонстрировать эту способность.

3️⃣ 16 октября 2026 года Хелен Кромптон и Дайан Бёрк опубликовали систематический обзор 72 исследований, посвящённых оцениванию в высшем образовании в условиях распространения генеративного ИИ. Авторы выделили три направления изменения практик оценивания: оценивание процесса выполнения работы, аутентичное оценивание и устные, диалоговые формы проверки знаний. Теперь вернёмся к примеру со студентами педагогического направления. Почему бы не дополнить асинхронную сдачу разработанной программы короткой синхронной защитой? Например, преподаватель просит студента обосновать выбор методов обучения, а затем изменяет условия задачи:

«Представьте, что продолжительность вашей программы необходимо сократить с 16 до 8 часов. Какие изменения вы внесёте, чтобы сохранить запланированные образовательные результаты?»

Теперь преподаватель может наблюдать, насколько студент понимает логику собственного решения, умеет аргументировать изменения, применять знания в новых условиях и т.д. Конечно, данная защита не доказывает авторство первоначальной работы. Кроме того, она требует времени, понятных критериев, сопоставимых условий для всех студентов и т.д. Однако она позволяет получить дополнительные свидетельства достижения индивидуальных образовательных результатов. Кстати, оценивание качества готового продукта и оценивание индивидуальных знаний вполне могут дополнять друг друга в рамках одного задания.

Мне кажется, что дальнейшая дискуссия вокруг совершенства детекторов с ИИ должна завершаться и двигаться в сторону пересмотра самих подходов к оцениванию. Что думаете, коллеги ❓

Как спроектировать обучение под реальные задачи студентов? Не успел я начать проводить курс по применению искусственного интеллекта для решения педагогических задач, как тот же вуз предложил мне разработать и провести ещё одну образовательную программу объёмом не менее 72 часов. Только теперь для студентов. Причём предложение поступило после того, как коллеги познакомились с моими подходами к проектированию учебных занятий. Хочу поделиться с вами одним из таких походов. 💭 В последнее время вместо использования количественных методов исследования (например, опросов) я провожу исследовательский этап запросов в обучении в интерактивном формате, с использованием доски Holst. И в прошлый раз, когда исследовал образовательные запросы преподавателей на доске Holst, я заметил несколько моментов, которые можно улучшить. В частности, участникам не всегда удавалось сразу сформулировать свои реальные затруднения и ожидания от обучения. Они вроде бы видели вопрос на карточке, но формулировали ответы довольно трудно. В этот раз я провёл работу над ошибками. В этот раз решил заранее подготовить специальные шаблоны, которые помогут обучающимся конкретнее формулировать свои запросы. На скриншоте показываю два примера данных шаблонов

Почему я выбрал данный подход?

Всё просто. Структурированные формулировки помогают участникам перейти от «общих пожеланий» к конкретным задачам из собственного опыта, а мне, на основании этих конкретных задач создать учебную программу. Коллеги, рекомендую попробовать подобные шаблоны при исследовании своей целевой аудитории. Особенно в формате совместной работы на интерактивной доске.

Знаю, как вы устали читать лишнюю «воду» в ответах нейросетей. Бесконечные повторы, искусственные противопоставления в духе «это не просто…, а…», шаблонные фразы, громоздкие предложения, ненужные вступления и выводы, избыточные объяснения и другой информационный мусор. Поэтому я подготовил специальную инструкцию (промпт) для нейросетей, которая помогает получать более грамотные, точные, логичные и структурированные ответы — словно их перед публикацией вычитал профессиональный редактор. Инструкцию можно вставить в начале диалога с нейросетью или добавить в пользовательские настройки ChatGPT, чтобы не повторять одни и те же требования к качеству ответов. Всем, кто подписан на мою рассылку, я уже отправил этот промпт в качестве бонуса. Если вы тоже хотите получить такую инструкцию, просто перейдите по ссылке, нажмите «Подписаться» и получите ссылку для скачивания документа с бонусом. Забрать инструкцию бесплатно 👇🏼 https://thm.page/p/6ad6215a99924b51ce083e43

Он поверил в мальчика, в которого никто не верил Я не фанат футбола, но эта встреча английского футболиста Иэна Райта со своим старым учителем, мистером Пигденом, действительно тронула меня. У встречи есть предыстория, которой хотел бы поделиться с вами.

В детстве Иэн Райт был трудным ребёнком. Он рос в непростой семейной обстановке, плохо учился, часто нарушал дисциплину. Однажды, когда его в очередной раз выставили из класса, на него обратил внимание учитель Сидней Пигден. Он решил помочь мальчику. Мистер Пигден занимался с ним чтением и письмом, доверял небольшие школьные обязанности, поддерживал его увлечение футболом. И, пожалуй, самое главное — он поверил в мальчика, в которого тогда мало кто верил. Прошло много лет. Иэн Райт стал знаменитым футболистом, выступал за лондонский «Арсенал» и сборную Англии. И вот однажды во время съёмок телевизионной программы на стадионе «Хайбери» ему устроили неожиданную встречу с тем самым учителем. Райт не видел его больше двадцати лет. Когда учитель появился перед ним, взрослый мужчина, известный футболист, снял кепку и не смог сдержать слёз. Особенно трогательно наблюдать, как в этот момент перед учителем словно снова оказывается тот самый мальчик, которому когда-то так сильно не хватало поддержки.

Мне было очень тяжело смотреть на встречу Райта со своим учителем. Потому что я тоже родился и вырос в простой семье. И в моей жизни тоже был наставник, которого я бы также хотел обнять и поблагодарить... но, к сожалению, его уже нет на белом свете...

Как же всё-таки важно быть благодарным здесь и сейчас людям, которые когда-то вложили в нас частичку себя. Родителям, учителям, наставникам. Иначе говоря, всем тем, кто поддерживал и верил в нас, делился знаниями и помогал справляться с трудностями.

Почему я ставлю высокие оценки проектам с проработанным исследовательским этапом?

Сейчас провожу оценку образовательных проектов премии Digital Learning в номинации «Тренажёры и симуляторы». Хочу поделиться с вами одним наблюдением о том, насколько важны исследования перед запуском образовательного решения. Мне поступают самые разные проекты. Одни представлены презентациями на 10 страниц, другие — на 50 и более. И, поверьте, я готов внимательно изучать даже самые объёмные материалы, если в них действительно раскрыта логика проектирования образовательного решения. Недавно мне попался проект, который особенно заинтересовал своей исследовательской составляющей. Не буду раскрывать название компании, но расскажу, что именно меня впечатлило. Прежде чем приступить к разработке тренажёра, коллеги провели масштабную исследовательскую работу. Собрали обратную связь от сотен сотрудников, проанализировали рабочие встречи, изучили проблемы целевой аудитории и т. д. Но самое интересное в том, что команда проекта не ограничилась общим описанием проблем. Они сегментировали целевую аудиторию и для каждого сегмента определили конкретные затруднения, которые необходимо преодолеть с помощью обучения. Затем последовательно показали, как выявленные проблемы связаны с содержанием тренажёра и каким образом предлагаемое решение должно помочь их устранить. Получилась очень стройная логика:

сегментация целевой аудитории → выявление проблем → формулирование продуктовой гипотезы → проектирование образовательного решения.

Мне как члену жюри особенно приятно видеть такие работы. Сразу чувствуется серьёзная проработка исследовательского этапа и понимание того, как результаты исследования должны влиять на проектные решения. Почему я считаю это принципиально важным? Когда мы понимаем, с какими проблемами сталкиваются разные категории обучающихся, нам значительно проще проектировать содержание образовательного решения. Представим, например, что мы разрабатываем тренажёр по работе с Excel. У начинающих сотрудников возникают сложности с использованием базовых функций. У более опытных — с построением сводных таблиц, а у руководителей с тем, как анализировать данные для принятия управленческих решений. Очевидно, что для этих трёх сегментов потребуются разные учебные задачи, содержание, критерии оценки и т.д. И если мы провели эффективное исследование, то уже заранее можем определить, какие именно изменения в знаниях и умениях должны произойти у каждой группы, а затем проверить, удалось ли этих изменений достичь. Что самое главное — нам становится проще обосновывать эффективность разработанного образовательного решения перед всей компанией. Вместо того чтобы ограничиваться показателями доходимости или положительными отзывами обучающихся, мы можем продемонстрировать, какие конкретные образовательные задачи были решены для каждого сегмента целевой аудитории. Вот что даёт исследовательский этап! Конечно, сами по себе исследования ещё не гарантируют эффективности тренажёра. Но они позволяют сформулировать обоснованные гипотезы и заранее определить, что именно мы будем проверять после внедрения. Отдельно хочу обратиться к коллегам, которые разрабатывают тренажёры, симуляторы и т.д., в том числе с использованием искусственного интеллекта. Уделяйте исследовательскому этапу столько внимания, сколько он действительно требует. Изучайте целевую аудиторию, сегментируйте её, выявляйте реальные проблемы, формулируйте гипотезы и только после этого переходите к выбору технического решения с описанием всех интерфейсов и пользовательского опыта.

Потому что даже самый технически совершенный тренажёр может оказаться бесполезным, если мы изначально не разобрались, какую образовательную задачу он должен решать.

Алиса, я уже давно не работаю в Университете Иннополис 😀 Вот тебе и нейросети... Только верифицировать ответы и верифицировать, так как всё нейросетка берёт из открытых источников, а в них порой чушь, причём содержательная.

Коллеги, сколько в среднем времени тратите на верификацию ответов?

Краснодар, давайте встретимся! Хочу собрать наше методическое сообщество на очную встречу, чтобы познакомиться, пообщаться и обменяться опытом. Приглашаю коллег из EdTech, корпоративного обучения и других образовательных ниш. Предлагаю провести встречу на тему «Год спустя: как ИИ изменил нашу работу?» Хочется обсудить, кто чем сейчас занимается, какие изменения произошли в наших рабочих задачах благодаря ИИ, что уже получается, а что по-прежнему вызывает сложности. Чтобы встреча получилась содержательной, предлагаю такую повестку: 1. Кто мы сегодня? Познакомимся (или познакомимся заново), расскажем, кто чем сейчас занимается и что изменилось в нашей профессиональной деятельности за последний год. 2. ИИ: ожидания и реальность Обсудим, насколько активно мы используем ИИ, какие задачи уже ему делегируем, что оказалось полезным, а что не оправдало ожиданий. 3. «А можно подробнее?» Поделюсь с вами исследованиями и кейсами по использованию ИИ в методических задачах и сделаю несколько выводов о них. 4. Что дальше? Обсудим, какие форматы очных встреч нам интересны: разборы рабочих кейсов, практические мастерские, совместное решение методологических (или методических) задач, обмен образовательными решениями, встречи с приглашёнными экспертами и т.д. Соберём предложения и выберем наиболее интересные направления для следующих встреч.

Пока встреча не утверждена. Сначала хочу понять, сколько человек заинтересованы в участии, и на основании откликов принять решение, будем ли её проводить.

Если вам интересно присоединиться, сделайте два простых шага 👇🏼 1. Вступите в нашу Telegram-группу: https://t.me/metod_solution_krasnodar 2. Поставьте «+» в комментариях под сообщением с приглашением на встречу внутри группы. Так я смогу оценить количество потенциальных участников. Итоги подведу 27 октября. Если наберётся достаточно желающих и мы решим проводить встречу, уже вместе обсудим дату, время и конкретное место. Буду рад увидеться!

Рынок образовательный идёт в рынок технологический

Всё чаще обращаются разные команды, которые делают технические продукты для образования, чтобы мне либо принять участие в их исследовании, либо проконсультировать. В основном, конечно, сейчас всё крутится вокруг ИИ. И знаете, мне это очень напоминает тот период, когда все массово пошли делать онлайн-курсы. При этом понимание того, как вообще сделать образовательный продукт качественно, зачем там нужен педагогический дизайн, как исследовать аудиторию, как проверять результат и т.д., было далеко не у всех. В итоге рынок довольно быстро расслоился. Кто-то научился очень хорошо продавать то, что было собрано буквально на коленке, а кто-то начал вкладываться в методологию, исследования, аналитику и т.д. И уже потом постепенно стали появляться более серьёзные разговоры о том, а что вообще считать хорошим образовательным продуктом. Появились даже целые конференции, сообщества и т.д. Мне кажется, что сейчас похожая история начинает происходить уже с ИИ-сервисами и образовательными платформами. Потому что сделать вау-эффект из серии «Михаил, смотрите у нас ИИ за минуту проверил задание» не сложно. Но в реальной практике только на демо версиях всё выглядит «красиво». Потому что дальше от меня начинаются уже более важные вопросы. Какую образовательную задачу вообще решает этот сервис? Что меняется у обучающегося? Он действительно начинает лучше учиться или просто быстрее получает готовый результат? Как мы вообще понимаем, что продукт работает, кроме того, что он что-то делает что-то быстрее? и т.д. Мне кажется, что сейчас мы как раз находимся в точке, когда технологию уже научились очень хорошо показывать и продавать, а критерии качества её применения в образовании ещё только формируются. И вполне возможно, что через какое-то время возникнет вопрос про то, что считать качественным ИИ-сервисом для образования.

В общем, есть ощущение, что на пока на наших глазах появляется новый инфобиз. Только теперь уже технологический.

Что думаете, коллеги ❓

Так сегодня выглядит деловая программа автора канала. Никаких пиджаков и деловых лиц. Только сплошное веселье 😀

💭 Я с уважением отношусь к работе исследователей и считаю, что появление подобных научных публикаций само по себе заслуживает положительной оценки. Однако с точки зрения экспериментальной логики и обоснованности выводов у меня остаётся несколько вопросов 👇🏼 1. Почему для проверки сокращения трудозатрат авторы не использовали контрольное условие, в котором преподаватели разрабатывали бы аналогичные материалы традиционным способом? 2. Можно ли считать экспертную оценку качества разработанных материалов доказательством их образовательной эффективности? 3. Как авторы установили, что повышение оценок связано именно с особенностями мультиагентной архитектуры? На мой взгляд, этих трёх вопросов достаточно, чтобы обозначить определенные ограничения исследования (если к нему относиться как к научному исследованию).

Отдельно отмечу, что инструкции (или промты), с которых я начал свой разбор, стали для меня маркером недостаточной глубины методической проработки. Я сознательно ограничился этим аспектом, поскольку подробный анализ всех методологических вопросов превратил бы публикацию в объёмный академический текст, не слишком удобный для читателей канала.

Так какие в итоге выводы позволяет сделать это исследование? Первый вывод — мультиагентная система способна генерировать образовательные материалы, которые эксперты считают пригодными для дальнейшей доработки. Второй вывод — режимы работы AI-агентов с участием преподавателя получают более высокие экспертные оценки. На мой взгляд, это как раз те результаты исследования, которые доказаны и заслуживают внимания. Однако они сами по себе не доказывают образовательную эффективность созданных материалов или, например, преимущества именно мультиагентной архитектуры в разработке учебных курсов.

Продолжаю готовить цикл своих занятий для преподавателей одного из вузов. На этот раз про то, как решать педагогические задачи с ИИ (эта тема намного шире, чем "сгенерировать презенташку с ИИ", она методологическая). Решил поделиться с вами тем, как я отвечаю на вполне закономерный вопрос заказчика:

«Михаил, уточните, пожалуйста, что в итоге получат обучающиеся по результатам занятия? Что они будут потом использовать на практике?»

Для ответа на вопрос мне помогает Backward Design — модель обратного дизайна.

Сначала определяем, каких результатов должны достичь преподаватели. Затем — как мы сможем убедиться, что эти результаты достигнуты. И только после этого проектируем содержание и учебные активности.

В результате заказчик получает конкретные результаты обучения, выраженные в измеримых методических артефактах. Кстати, кто сказал, что образовательные результаты нельзя измерять в методических артефактах? Я говорю, что можно! p.s. на скрине пример образовательных результатов одного из занятий

«Сделайте так, чтобы обучающиеся были в восторге», — сказал заказчик и исчез на неделю Знакомая ситуация? 😁 А в это время ещё и задачи размыты, сроки горят, команде нужно разобраться в ожиданиях заказчика, спроектировать образовательный опыт, разработать задания, продумать оценку результатов и ничего при этом не упустить. И ведь сегодня практически у каждого проектировщика обучения есть собственный набор инструментов, которые помогают справляться с такими задачами. Чек-листы, таблицы, алгоритмы, шаблоны документов и т.д. Что-то разработали самостоятельно, что-то нашли у коллег, а что-то собрали на основе профессиональной литературы. Со временем формируется целая библиотека методических решений. Но есть один нюанс. На создание и проверку таких инструментов тоже уходят время и силы. И далеко не всегда имеет смысл разрабатывать очередной шаблон с чистого листа, особенно если подобная задача уже кем-то решена (и не один раз). Тем более сегодня, когда с помощью ИИ можно за несколько минут сгенерировать практически любую таблицу или алгоритм. Правда, потом ещё придётся разобраться, насколько получившийся инструмент методически корректен и действительно подходит для вашей задачи. Поэтому мне кажется вполне разумным использовать уже готовые профессиональные наработки, адаптируя их под собственные образовательные проекты. И здесь хочу обратить ваше внимание на «Магазин Фреймворков». Это библиотека готовых методических инструментов, которые можно использовать в повседневной работе специалистов по обучению. Например 👇🏼 • Нужно разработать тестовые задания? Можно воспользоваться готовым алгоритмом, который поможет пошагово разработать и проверить качество тестовых заданий. • Хотите отслеживать прогресс обучающихся? Для этого есть фреймворк с дневником рефлексии. • Необходимо организовать работу над образовательным проектом? Пригодится фреймворк по диаграмме Ганта. И это лишь несколько примеров инструментов, представленных в библиотеке. Конечно, любой из них можно разработать самостоятельно. Но ценность готовых решений как раз в том, что они позволяют не начинать каждый раз с нуля, а сосредоточиться на более содержательных задачах: анализе образовательных потребностей, проектировании учебного опыта, оценке достижения образовательных результатов и т.д. А ещё фреймворки можно поместить под капот нейросети — только не кому об этом не говорите. Выбрать один инструмент под конкретную задачу или собрать комплект для команды обучения можно здесь 👉🏼 Магазин Фреймворков