🎓 О границах искусственного интеллекта в учебной аналитике Изучая кейсы применения учебной аналитики в академическом секторе, понимаешь, что алгоритмы уже отлично считают показатели, находят типовые паттерны, отслеживают учебную активность студентов, прогнозируют риски отчисления и даже предлагают возможные решения. Однако есть задачи, где финальное решение всё ещё должен принимать человек и в этих задачах у нейросети есть ряд ограничений. Разберем несколько таких ситуаций. 1. Нейросеть не обнаруживает новых условий Нейросеть обучается на исторических данных. Если университет меняет платформу или переносит часть занятий в видеоконференции, старая модель начинает ошибаться. Нейросеть видит резкое падение привычной активности (например, входов в LMS), формируется вывод о том, что все перестали учиться и риски отчисления выросли. Но вопрос не в этом, а в том, что изменились условия, в которых обучающиеся осваивают знания. Они ведь по-прежнему активны, но теперь их действия происходят в другом месте, откуда модель не умеет собирать данные. 2. Нейросеть выявляет корреляции, а не причины Нейросеть отлично находит статистические закономерности. Но эти связи лишь указывают на проблему, не объясняя её природу. Например, алгоритм может заметить, что студенты, у которых резко снижается число входов в LMS, увеличивается количество просроченных заданий и падает активность в онлайн-обсуждениях, статистически чаще попадают в группу по неуспеваемости. Однако такая корреляция ещё не объясняет причин проблемы. Снижение активности может быть связано с перегрузкой, работой, потерей мотивации или даже с техническими изменениями в образовательной среде. От того, какова реальная причина, зависит и стратегия поддержки: где-то нужно скорректировать нагрузку, где-то — предложить поддержку, а где-то — помочь с организацией учебного процесса и т.д. 3. Нейросеть ориентирована на цифры, а не на то, что за ними скрывается Нейросеть чаще всего работает исключительно с цифрами: баллы, клики и т.д. Но многие значимые аспекты обучения бывают как раз не оцифрованы. Например, качество аргументации на семинаре, лидерство в проектной работе, рост уверенности студента, первые признаки выгорания, невербальные сигналы на занятиях и т.д. 4. Нейросеть не определяет приоритеты в учебной аналитике Нейросеть может подсчитать множество метрик, но она не способна расставить приоритеты. Что важнее: высокая вовлечённость или глубина понимания? Скорость прохождения курса или качество усвоения знаний? и т.д. То есть ответ на вопрос «что считать успехом» зависит от целей программы, индивидуальных особенностей обучающихся и т.д. Коллеги, а какие ещё вы бы добавили ограничения ❓