Education AI которому доверяет
и учитель, и родитель, и регулятор

Adaptive Learning

Персонализированные пути обучения, обоснованные данными.

• Knowledge tracing на ученика
• Item-response theory обоснованная сложность
• Mastery-based progression
• Teacher dashboard с reasoning

RAG Tutor

Q&A тьютор над вашими учебниками и curriculum, с цитированием.

• Цитирование до исходной страницы
• Curriculum-bounded ответы (без off-topic)
• Multi-language (RU / EN / HE)
• Teacher-tunable answer-strictness

Auto-Grading

Эссе, краткие ответы и код с rubric explanations.

• Per-rubric-dimension scores
• Inter-rater agreement reported
• Plagiarism / AI-generation detection
• Teacher override + feedback loop

Dropout Prediction

Early-warning система для at-risk учеников.

• Multi-signal модель (посещаемость, оценки, engagement)
• SHAP explanations на ученика
• Мониторинг bias по cohort
• Интеграция с counsellor workflow

Student Privacy

152-ФЗ + FERPA + COPPA соответствие end-to-end.

• PII редактирование на RAG retrieval
• Workflow родительского согласия
• Право на удаление + portability
• Контроль локализации данных

Model Governance

Документация, мониторинг и аудит каждой production-модели.

• Model registry на курс / cohort
• Drift detection по engagement сигналам
• Champion / Challenger A/B
• Reportable bias monitoring

РФ: 152-ФЗ (категория - дети), 273-ФЗ об образовании

152-ФЗ - данные о несовершеннолетних, повышенные требования к согласию, 273-ФЗ об образовании, требования Минпросвещения по цифровым образовательным сервисам, безопасность по ФСТЭК.

Израиль: закон о защите приватности, указания Минобразования

Закон о защите приватности 5741 и его поправки о базах персональных данных, указания Министерства образования по цифровому обучению, базовые требования INCD к безопасности EdTech-систем.

ЕС: GDPR Article 8 (дети), EU AI Act, eIDAS

GDPR Article 8 - специальная защита несовершеннолетних, EU AI Act Annex III - high-risk классификация для образовательного AI, eIDAS для credentials и квалификаций.

США: FERPA, COPPA, state-level AI laws

FERPA (Family Educational Rights and Privacy Act), COPPA для лиц до 13, IL Student Online Personal Information Protection Act (SOPIPA), растущая state-level AI-in-schools регуляция.

Результаты адаптивного обучения

Что показывает индустрия: Adaptive learning системы с knowledge-tracing показывают 0.3-0.5 effect-size improvement на стандартизированных assessments vs uniform pacing (US DoE What Works Clearinghouse 2024).

Где входим мы: Knowledge tracing на ученика, item-response-theory обоснованная сложность, mastery-based progression, teacher dashboard с model reasoning - чтобы учитель мог override'ить.

• Knowledge tracing на ученика
• IRT-обоснованная сложность (не heuristics)
• Mastery-based progression с teacher override
• Teacher dashboard с model reasoning

Auto-grading inter-rater agreement

Что показывает индустрия: Per-rubric-dimension auto-grading показывает 0.80+ Cohen's kappa с human graders на эссе при калибровке на локальный rubric (ETS research 2024).

Где входим мы: Per-rubric-dimension scores, inter-rater agreement reported, plagiarism / AI-generation detection, teacher override + feedback loop - калибровка под ВАШ rubric, не vendor benchmark.

• Per-rubric-dimension scores (не single grade)
• Inter-rater agreement reported по cohort
• Plagiarism + AI-generation detection
• Teacher override feeds back в модель

Dropout prediction

Что показывает индустрия: Multi-signal dropout-prediction модели достигают 0.80+ AUC для at-risk учеников к 6-й неделе семестра при комбинации attendance + grade + engagement сигналов (Educause 2024).

Где входим мы: Multi-signal модель (attendance, grades, engagement), SHAP explanations на ученика, мониторинг bias по cohort, интеграция с counsellor workflow - actionable, не just predictive.

• Multi-signal модель (не только attendance)
• SHAP explanations на ученика
• Мониторинг bias по cohort
• Интеграция с counsellor workflow

Как обрабатывать данные несовершеннолетних без нарушения закона?

Данные учеников почти всегда попадают в повышенную категорию: 152-ФЗ требует согласия законного представителя, GDPR Article 8 и COPPA задают возрастные пороги. Практически это workflow родительского согласия с фиксацией даты и объёма, редактирование персональных данных на этапе RAG-поиска и явный контроль локализации хранения. Согласие, которое нельзя показать проверяющему, юридически не существует.

Можно ли доверять AI-прокторингу и детекции списывания?

Только как сигналу для человека, не как приговору. Детекторы AI-генерации текста дают ложные срабатывания, а поведенческий прокторинг систематически чаще ошибается на учениках с особенностями здоровья и на слабом канале связи. Система отмечает работу для проверки преподавателем и сохраняет причину флага - решение об академическом нарушении остаётся за человеком.

Адаптивное обучение не усредняет учеников?

Усредняет как раз единый темп для всего класса. Knowledge tracing строит модель на конкретного ученика, а сложность задания подбирается по item-response theory, а не по эвристике вида «три ошибки - упростить». Ключевое условие - учитель видит обоснование и может переопределить траекторию; без override адаптивность превращается в закрытый конвейер.

Как это интегрируется с нашей LMS?

Через стандартные интерфейсы обмена: LTI для запуска инструмента внутри курса, xAPI или Caliper для событий обучения, экспорт оценок в журнал через API LMS. Moodle, Canvas и российские платформы закрываются этим набором. Если нужного интерфейса нет, делается промежуточный слой синхронизации - но это решение принимается на аудите, а не по умолчанию.

Как объяснить родителю оценку, которую поставила модель?

Оценка хранится не как число, а как разбор по критериям rubric с текстовым обоснованием и отчётом о согласованности с человеческой проверкой. Плюс фиксируется, правил ли преподаватель результат. При таком следе разговор с родителем идёт по конкретным критериям, а не по вопросу «почему машина так решила».

С чего начинается проект?

С разбора того, где именно теряется время и качество: ручная проверка работ, поздняя реакция на отстающих, разрозненные данные по успеваемости. И параллельно - с правового контура: чьи данные, чьё согласие, где хранятся. Без этих двух картин автоматизация ускоряет не тот участок и упирается в комплаенс на этапе внедрения.