Adaptive learning w Twoim MVP EdTech

Adaptive learning to oprogramowanie, które zmienia to, co uczeń zobaczy za chwilę, na podstawie tego, jak poradził sobie wcześniej. Odpowiesz dobrze, idziesz dalej. Pomylisz się trzy razy z rzędu przy ułamkach, dostajesz rozwiązany przykład i łatwiejsze zadanie zamiast kolejnego quizu. Ścieżka jest indywidualna, liczona w czasie rzeczywistym i inna dla każdego użytkownika.

Na tym polega cały pomysł, a wyprzedził on szum wokół AI o całe dekady. Inteligentne systemy tutorskie z lat 80. już wtedy prowadziły uczniów różnymi ścieżkami w zależności od odpowiedzi. To, co zmieniło się ostatnio, to dane i modelowanie. Dzisiejsze systemy adaptive learning śledzą tysiące drobnych interakcji na jednego ucznia i wykorzystują tę historię, by przewidzieć, co dana osoba umie i czego powinna spróbować dalej.

Dla foundera przydatne jest takie ujęcie: adaptive learning to nie funkcja, którą doczepiasz na samym końcu. To pętla. Pokaż treść, zaobserwuj reakcję, zaktualizuj swoją ocenę wiedzy ucznia, a potem wybierz kolejny element. Cała reszta tego przewodnika dotyczy tego, jak zbudować cienką, uczciwą wersję tej pętli w pierwszym produkcie, który wypuścisz w tygodnie, a nie w lata.

Zdejmij warstwę marketingu, a silnik adaptacyjny okazuje się czterema krokami powtarzanymi w cyklu.

Najpierw podaje element: pytanie, film, tekst do przeczytania, ćwiczenie z kodowania. Po drugie, zapisuje odpowiedź i sygnały wokół niej: poprawnie czy nie, ile czasu zajęło, ile podpowiedzi zużyto, ile prób. Po trzecie, aktualizuje model ucznia, czyli bieżącą ocenę tego, jak dobrze osoba opanowała każdą umiejętność w Twoim programie. Po czwarte, stosuje politykę wyboru, która odczytuje zaktualizowany model i wskazuje następny element, godząc dwa cele naraz: utrzymać ucznia w strefie, gdzie zadanie jest na tyle trudne, by uczyć, ale nie na tyle, by się poddał.

Model ucznia to część, którą ludzie najczęściej lekceważą. Powszechnie stosowane i dobrze opisane podejście to Bayesian Knowledge Tracing, które każdą umiejętność modeluje jako prawdopodobieństwo, że uczeń ją opanował, i delikatnie podnosi lub obniża to prawdopodobieństwo po każdej odpowiedzi. Inna rodzina metod, Item Response Theory, szacuje na tej samej skali zarówno trudność każdego zadania, jak i poziom każdego ucznia, więc możesz ich dopasować. Obie są w produkcji od lat i żadna nie wymaga dużego modelu językowego.

Polityka wyboru może być po prostu zestawem reguł. Jeśli opanowanie umiejętności X spadnie poniżej 0,6, ucz jej od nowa. Jeśli przekroczy 0,95, przeskocz dalej. Reguły są przejrzyste, łatwe do debugowania i wystarczające na pierwsze wydanie. Do wyboru opartego na optymalizacji przejdziesz później, gdy uzbierasz dość danych o uczniach, by to uzasadnić.

O AI adaptive learning mówi się tak, jakby wszystko działało na tej samej technologii. Tak nie jest. Są dwie odrębne warstwy i rozwiązują różne problemy.

Pierwsza warstwa to modelowanie, które napędza samą adaptacyjność: śledzenie wiedzy, szacowanie trudności zadań i wybór kolejnego elementu. To techniki statystyczne i uczenia maszynowego, w dodatku dojrzałe. Deep Knowledge Tracing, które używa sieci neuronowych do przewidzenia szansy, że uczeń odpowie poprawnie na następne pytanie, jest publikowane i powtarzane szeroko od 2015 roku. Przyzwoitą wersję tej warstwy zaimplementujesz, nie dotykając żadnego modelu fundamentalnego.

Druga warstwa to generatywne AI i tu na swoje miejsce zasługują duże modele językowe. Dobrze radzą sobie z produkcją treści i feedbacku na skalę: pisaniem zadań ćwiczeniowych otagowanych umiejętnością, generowaniem dystraktorów do pytań wielokrotnego wyboru, wyjaśnianiem błędnej odpowiedzi prostym językiem czy podsumowaniem tygodnia nauki. Słabo wypadają przy rzetelnym ocenianiu odpowiedzi otwartych i wszędzie tam, gdzie coś musi być dokładnie poprawne bez kontroli człowieka.

Praktyczny podział na pierwszą wersję wygląda tak: klasyczne ML do decyzji, co pokazać dalej, a LLM do generowania i wyjaśniania treści, którą ktoś jeszcze sprawdza. Dzięki temu część, która musi być przewidywalna, taka pozostaje, a generowanie trafia tam, gdzie błędy są tanie i łatwe do wyłapania. Jeśli chcesz wpiąć to czysto w swój stack, to właśnie sedno każdego projektu integracji AI.

Zanim cokolwiek zbudujesz, zobacz, co już istnieje, bo część z tego można kupić albo zintegrować zamiast pisać samemu.

Uznane platformy adaptive learning dzielą się na kilka grup. Są pełne systemy courseware używane w szkolnictwie wyższym i w szkołach, które od początku do końca posiadają i treści, i silnik. Są aplikacje do nauki języków i umiejętności, które zbudowały własną adaptacyjność wokół wąskiej dziedziny. Są też dostawcy samych silników lub komponentów, którzy udostępniają śledzenie wiedzy albo wybór zadań przez API, więc Ty dostarczasz treści, a oni matematykę.

W przypadku MVP pytanie zbudować kontra zintegrować rozstrzyga się tam, gdzie leży Twoja przewaga. Jeśli Twoim atutem są treści, metoda nauczania, projekt ocen albo dane o konkretnej populacji uczniów, zbuduj cienki silnik i całą energię włóż w treści. Jeśli atutem jest sam silnik, sprytniejszy sposób modelowania wiedzy, to budujesz trudną część i nie powinieneś przepalać runway na odtwarzanie narzędzia do tworzenia treści, które dałoby się licencjonować.

Większość founderów, z którymi pracujemy, należy do pierwszej grupy. Ich technologia adaptive learning to sposób dostarczenia pewnego dydaktycznego spostrzeżenia, a nie sam produkt. To przechyla szalę w stronę małego, własnego silnika zamiast ciężkiej platformy, którą naginasz do swoich potrzeb.

MVP to nie mniejsza wersja pełnego produktu. To najmniejsza rzecz, która dowodzi Twojego głównego zakładu. W produkcie adaptacyjnym ten zakład brzmi zwykle tak: czy personalizacja ścieżki faktycznie poprawia naukę albo zaangażowanie naszych użytkowników w porównaniu ze ścieżką stałą?

Żeby to sprawdzić, potrzebujesz jednego przedmiotu, jednego typu ucznia i jednej kompletnej pętli. Wybierz jeden obszar umiejętności, w którym możesz napisać lub wygenerować jakieś 80 do 150 dobrze otagowanych zadań na kilku poziomach trudności. Zbuduj czterokrokowy cykl z poprzedniej sekcji wyłącznie na tych zadaniach. Odpuść obsługę wielu przedmiotów, dashboardy dla nauczycieli, grywalizację i integracje, dopóki pętla na nie nie zapracuje.

Dobrą dyscypliną jest prowadzenie porównania A/B od pierwszego dnia: połowa użytkowników dostaje ścieżkę adaptacyjną, połowa rozsądną stałą sekwencję. Jeśli adaptacyjność nie ruszy Twojej kluczowej metryki, czyli ukończeń, opanowania lub retencji, dowiesz się czegoś o wiele cenniejszego niż dopracowana funkcja, i to za grosze.

Tu pomaga model ze stałym zakresem i stałym budżetem. W EdTech kusi, by wciąż dodawać przedmioty i role, bo każdy nauczyciel chce jeszcze jednej rzeczy. Zablokuj MVP do jednej pętli, jednej grupy, jednej metryki i wypuść je w tygodnie. Rozbudujesz dopiero wtedy, gdy prawdziwi uczniowie powiedzą Ci, że silnik wart jest rozbudowy. Jeśli silnik ma później siedzieć wewnątrz większego systemu, roadmapa w stronę oprogramowania na zamówienie sprawi, że cienkie MVP nie stanie się ślepą uliczką.

Model danych to miejsce, w którym produkty adaptacyjne po cichu odnoszą sukces albo upadają. Zrób go dobrze wcześnie, a dokładanie przedmiotów później będzie łatwe. Zrób źle, a przebudujesz wszystko od zera w najgorszym możliwym momencie.

Zacznij od grafu umiejętności, czasem zwanego mapą wiedzy. Wypisz odrębne umiejętności, których uczą Twoje treści, oraz powiązania wymagań wstępnych: nie da się robić dzielenia pisemnego przed odejmowaniem jednocyfrowym. Nawet płaska lista 20 do 40 umiejętności z kilkoma strzałkami wymagań wystarczy na start, a to właśnie szkielet, do którego zapisuje model ucznia.

Każdy element treści, pytanie, film, tekst, potrzebuje metadanych: jakiej umiejętności lub umiejętności dotyka, jaka jest jego trudność, jaki ma typ oraz poprawnej odpowiedzi i ewentualnych dopuszczalnych wariantów. To tagowanie to ta nieefektowna praca, dzięki której reszta w ogóle jest możliwa. Jeśli element nie jest otagowany umiejętnością, silnik nie potrafi o nim wnioskować.

Potem są dane o interakcjach, czyli dziennik zdarzeń każdej odpowiedzi: uczeń, element, umiejętność, wynik, znacznik czasu, czas pracy, użyte podpowiedzi. Ten dziennik to pamięć Twojego produktu i Twoje przyszłe dane treningowe. Zapisuj go porządnie od pierwszego dnia, nawet jeśli na razie nic z nim nie robisz, bo odtworzenie historii ucznia po fakcie jest niemożliwe.

Po stronie zgodności EdTech często dotyka osób nieletnich i danych uczniowskich, więc zaplanuj to wcześnie, zamiast doklejać później. Ramy takie jak FERPA i COPPA w Stanach Zjednoczonych oraz RODO w Europie wyznaczają oczekiwania wokół danych uczniów, zgody rodziców i ograniczania zakresu zbieranych danych. To informacja ogólna, a nie porada prawna; do konkretnego produktu i rynków zaangażuj wykwalifikowanego prawnika. Wniosek dla budowy jest konkretny: zbieraj tylko te dane, których potrzebuje pętla, trzymaj je rozdzielne na ucznia i od początku projektuj możliwość usuwania.

Kilka schematów topi adaptacyjne MVP raz za razem.

Luka w treściach jest najczęstsza. Adaptacyjność potrzebuje dość zadań na umiejętność i na wystarczającej liczbie poziomów trudności, żeby mieć dokąd skierować ucznia. Jeśli masz osiem pytań do umiejętności, a silnik chce po pomyłce dać łatwiejsze, to nie ma czego dać. Founderzy mocno zaniżają potrzebną liczbę treści, a potem obwiniają silnik.

Problem zimnego startu jest drugi w kolejności. Gdy uczeń przychodzi, nie wiesz o nim nic, więc model nie ma na czym pracować. Krótki test diagnostyczny albo rozsądne wartości domyślne, które zakładają średni poziom i szybko się dostrajają, rozwiązują to. Zignorowanie tego oznacza, że pierwsza sesja, ta, która decyduje, czy ktoś zostanie, jest najmniej adaptacyjna.

Przeinżynierowanie silnika jest trzecie i kusi technicznych founderów. Głęboki neuronowy model śledzenia wiedzy jest ciekawy, ale potrzebuje danych z tysięcy uczniów, by pobić model prosty. Przy zerze użytkowników wygrywa prosty model, bo działa i da się go debugować. Wymyślną wersję zbuduj, gdy dane to uzasadnią.

Na koniec uważaj na optymalizowanie złej metryki. Silnik, który maksymalizuje poprawne odpowiedzi, potrafi zrobić pracę za łatwą i niczego nie nauczyć. Adaptacyjność powinna celować w produktywny wysiłek, czyli pasmo trudności, w którym uczniowie są wyzwani, ale wystarczająco często im się udaje, by utrzymać zaangażowanie. Wybierz to jako cel, zanim cokolwiek dostroisz.

Jeśli jesteś na etapie pomysłu, spisz graf umiejętności dla jednego przedmiotu i jedną metrykę, która udowodniłaby, że adaptacyjność jest tego warta. Ten dokument jest teraz wart więcej niż jakakolwiek decyzja technologiczna, bo zmusza Cię do nazwania zakładu.

Stamtąd droga jest krótka: otaguj małą pulę treści, wdróż prosty model ucznia, podłącz politykę wyboru opartą na regułach, loguj wszystko i postaw to przed prawdziwymi uczniami z porównaniem A/B. To prawdziwy produkt adaptacyjny, a mieści się w budowie liczonej w tygodniach, a nie w wielu kwartałach. Mądrzejsze modelowanie i szerszy program przychodzą po tym, jak pętla się sprawdzi, sfinansowane danymi, które wygenerują ci pierwsi uczniowie.