Большие данные для маленьких школ

Цифровая платформа всероссийского проекта Московского физико-технического института «Наука в регионы» использует нейросети для анализа профессиональных запросов и предметных дефицитов педагогов, работающих в профильных классах. С сентября 2024 года на платформе собрали и обработали данные о работе более 16 тыс. учеников и 4 тыс. учителей из 61 региона России. На основе этой диагностики формируется адресная методическая помощь.

Выйти из полноэкранного режима

Развернуть на весь экран

Первые результаты диагностики выявили неожиданную закономерность: педагоги реагируют на обнаруженные системой дефициты значительно болезненнее, чем их ученики. Учителя воспринимают результаты тестирования как оценку своего профессионализма и начинают переживать, если где-то справились с заданием хуже, чем ожидали. Школьники относятся к диагностике спокойнее. Для них это естественная часть учебного процесса, у них еще есть время на работу с выявленными проблемами.

У школьников платформа диагностирует три ключевых параметра: субъектность в образовательном пространстве, готовность к саморазвитию и уровень учебной мотивации. Нейросеть агрегирует результаты тестирования и анализа запросов пользователей, далее идет подбор персонализированного образовательного содержания — от вебинаров до методических материалов и сценариев уроков.

«Наша задача — чтобы это была адаптивная персонализированная система, которая подстраивается под потребности конкретного участника. Нейросеть предлагает решения, соответствующие конкретным дефицитам, что значительно сокращает время на решение образовательных проблем»,— рассказала руководитель проекта «Наука в регионы», руководитель Центра образовательных инноваций и технологий МФТИ Юлия Андреева.

По словам педагогов, школьники попадают в профильные классы по разным причинам. Иногда выбор делают родители или педагоги, которые видят у ребенка способности к математике и рекомендуют идти в технологический профиль. Иногда ребята делают выбор «по дружбе», ориентируясь на устойчивые социальные связи. Однако у того же ученика могут быть хорошие результаты по географии или химии, но он следует совету учителя, не желая его обидеть. «Про устойчивость этой мотивации — это еще вопрос. В целом, конечно, в профильные классы идут дети с несколько более высокой мотивацией, чем в обычных классах, но насколько это их собственный выбор, сказать затрудняемся»,— отмечает руководитель проекта.

Платформа выявляет корреляцию между пониманием образовательных перспектив и учебной мотивацией. Школьники, которые четко представляют возможности региональных вузов — новые лаборатории, современные программы, развитие кампусов,— демонстрируют более высокую готовность к изучению сложных предметов. «Очень многие не знают вообще про то, как меняется вуз, какие программы открываются, как меняются лаборатории, материально-техническое оснащение. Перед ребятами на самом деле открывается большое количество возможностей, про которые они не вполне понимают»,— говорит Юлия Андреева.

Для работы с этим дефицитом в проекте создан инструмент «дневник-навигатор». Школьники отвечают на вопросы о содержании, которое демонстрирует вуз, и одновременно изучают себя: какие у меня интересы, что дается проще, стоит ли тратить время на освоение сложного направления. При этом платформа не навязывает решения — финальный выбор остается за человеком. Один ученик может решить развивать очевидный талант, другой — работать с дефицитами в области, которая ему интересна для будущей профессии.

«У педагогов ощущение, что они, имея диплом на руках, должны быть уже все знающими, все понимающими. Но мы понимаем, что на самом деле это не так и мы находимся в ситуации постоянного профессионального развития»,— объясняет Юлия Андреева. Для снижения тревожности педагогов в проекте проводятся встречи с экспертами, которые разбирают темы профессионального выгорания и непрерывного образования.

Система позволяет администрации школ видеть обезличенную статистику по учреждению. Если результаты показывают, что дети пассивны и не готовы к саморазвитию, это может указывать на проблемы в управлении.

«Если мы видим, что дети пассивные и не готовы к саморазвитию, то, соответственно, нужно что-то добавлять в пространство школы, чтобы такой навык формировать. Он является очень важным и ключевым в современном мире»,— подчеркивает Андреева.

После каждого вебинара участники заполняют анкету, где по шкале оценивают доступность, понятность и применимость материала. В открытом вопросе предлагают темы для следующих разборов. Чем больше людей называют конкретную тему, тем выше вероятность появления контента по ней. «Здесь не мы формируем повестку, а мы ее формируем совместно с участниками. Нам важно, чтобы это им откликалось, им это было нужно и это работало на их дефициты»,— объясняет руководитель проекта.

Проект «Наука в регионы» реализуется МФТИ с 2024 года при поддержке Министерства науки и высшего образования России. Сейчас в нем участвуют более 1,5 тыс. школ из 61 региона. Помимо школьников платформой пользуются почти 4 тыс. учителей.

Юлия Андреева, руководитель Центра образовательных инноваций и технологий Института биофизики будущего МФТИ, руководитель проекта «Наука в регионы», ответила на вопросы «Ъ-Науки».

— Какие конкретно нейросетевые алгоритмы или модели используются для анализа запросов и дефицитов и как они обучались?

— Когда мы начинали, у нас сразу не было иллюзии, что можно взять одну мощную монолитную нейросеть «из коробки» и все проанализировать. Нам пришлось собирать конструктор под конкретные задачи. Обучение моделей проходит в несколько этапов. Первоначально мы использовали размеченные исторические данные из практики Физтеха, Фонда развития физтех-школ и партнерских образовательных организаций. Сейчас ключевой процесс — это активное дообучение на реальных данных платформы с регулярной валидацией результатов методистами-экспертами.

Сейчас наша платформа — это набор инструментов. Для текстов запросов от участников проекта мы дообучили уже отечественные LLM-модели под нашу педагогическую специфику, чтобы они отличали запрос на «методику объяснения» от запроса на «разбор конкретной задачи». Для поведенческих логов используем кластеризацию — она, грубо говоря, группирует учеников по схожим паттернам: вот эти «застревают» на задачах с графиками, а эти идут напролом, не читая условие. Ключевое — это петля обратной связи с методистом и разработчиком образовательного контента. Алгоритм предлагает гипотезу, но финальный «диагноз» и корректировку модели всегда делает человек. То есть алгоритм не работает в вакууме: его предсказания («у этого класса наблюдается дефицит в решении задач на динамику») всегда проверяются и корректируются профессионалами. Без этого живого контроля доверия к системе не было бы.

— Как именно технически реализован процесс подбора персонализированного контента на основе данных диагностики?

— Процесс автоматизирован, но не полностью отдан на откуп ИИ. Можно описать его как гибридную рекомендательную систему в содружестве человек—машина, где ключевая роль отводится все-таки человеку. На входе — профиль пользователя, в котором, если мы говорим про учителя, отображаются и результаты предметных диагностик, и данные о просмотренных материалах и завершенных вебинарах, и запросы к системе.

На основе этих данных алгоритм формирует «цифровой портрет дефицита» и сопоставляет его с базой метаданных нашего контента. Каждый вебинар, методический материал или сценарий урока у нас размечен не только по теме, но и по типу решаемой проблемы — например, разбор типовых ошибок ЕГЭ.

Система не выдает единственный вариант, а ранжирует контент по релевантности. Что касается технической реализации подбора контента, сегодня это гибридный процесс, где основную работу по сопоставлению запросов и материалов выполняют методисты, опираясь на данные диагностики. Однако мы активно движемся к созданию системы автоматического ранжирования контента по релевантности для каждого конкретного запроса или выявленного дефицита. Эта разработка — наш следующий шаг. Ее цель — не заменить эксперта, а помочь ему, взять на себя рутинный анализ массива данных и вариантов.

Окончательный выбор и смысловая валидация рекомендаций, особенно в сложных или нестандартных случаях, всегда будут оставаться за методистом или самим педагогом. Для нас принципиально сохранить человеческий, смысловой контроль над образовательным процессом, используя технологии как мощный вспомогательный инструмент.

— Какие конкретные метрики используются для оценки состояния школьников и педагогов?

— Помимо трех ключевых психолого-педагогических конструктов (субъектность, мотивация, готовность к саморазвитию), которые измеряются через валидированные опросники, мы отслеживаем поведенческие и академические метрики.

Для школьников это академическая устойчивость (динамика результатов входящих, промежуточных и итоговых предметных диагностик), когнитивные паттерны (например, время решения задачи) и вовлеченность, когда можно оценивать активность в проектной деятельности (реализуют в рамках урока, внеурочной деятельности или дополнительного образования), участие в обсуждениях. Также важным фактором формирования учебной мотивации является понимание жизненных и образовательных перспектив. Поэтому командой проекта разработана анкета осведомленности о возможностях образовательного пространства региона для школьников. Это помогает зафиксировать изменения в предпочтениях обучающихся профильных классов после интенсивного взаимодействия с ведущими вузами региона в рамках проекта.

Для педагогов будут другие метрики. Во-первых, это методическая активность, по которой можно оценить частоту и глубину использования материалов платформы (количество просмотренных страниц, время взаимодействия с контентом, частота возвратов к материалам, активность в обсуждениях), запросов к экспертам. Во-вторых, речь идет о динамике предметных компетенций и о результатах выполнения диагностик.

— Какие методики используются для снижения тревожности у педагогов?

— Мы смещаем фокус с оценки на поддержку и профессиональное развитие. Ключевых подходов два. Первый — нормализация дефицита через профессиональное сообщество. Мы создаем безопасную среду в формате рабочих групп и консультаций, где учителя из разных регионов видят, что коллеги сталкиваются с похожими сложностями, и совместно с методистами МФТИ ищут решения. Это снимает стигму «у меня ничего не получится».

Второй — доказательная обратная связь. Мы не говорим учителю: «Вы плохо знаете термодинамику». В рамках проекта мы не даем абстрактных оценок, а помогаем учителям точечно работать со сложными темами. Например, на методических семинарах можно разобрать, почему у школьников возникают трудности с применением второго начала термодинамики к открытым системам, и предлагаются конкретные педагогические приемы и кейсы для проработки этой темы. Тревожность снижает не абстрактная похвала, а четкий, понятный алгоритм действий для решения проблемы.

— Как проект планирует работать с проблемой слабой или навязанной мотивации учеников?

— Мы не занимаемся абстрактной мотивацией. Мы создаем конкретную цепочку: осознай свой интерес, узнай о реальных возможностях вокруг, примени это на практике. Наш инструмент — «дневник-навигатор», который заполняется в момент профориентационного вебинара с вузом региона или сразу после. Это последовательность шагов, где школьник, отвечая на вопросы, фактически проводит мини-исследование себя, своих интересов и возможностей.

Мы не агитируем за физику против, например, иностранного языка. Наш проект помогает ученику увидеть причинно-следственные связи: «Если тебе интересно создавать новые материалы (интерес), то стоит углубиться в химию и физику (предмет), потому что в регионе есть лаборатория в университете X, которая работает с компанией Y над такими проектами (перспектива)». Мотивация, основанная на понимании «зачем мне это», куда устойчивее навязанной извне.

— Насколько данные платформы помогают школьникам делать осознанный выбор, а не просто информируют?

— Следует подчеркнуть, что платформа — только инструмент проекта, а само пространство проекта гибридное и значительно шире. Платформа не выдает справочник вузов. Она ставит ученика в позицию исследователя, который должен сопоставить внешние данные (о программах, лабораториях) с внутренними — своими сильными сторонами, дефицитами и, что важно, ценностями. Она служит связующим звеном, пространством взаимодействия между основными участниками проекта. Выбор становится не ответом на вопрос «куда проходить по баллам», а результатом серии таких микроэкспериментов и деятельностных проб с собой.

— Как планируется использовать обезличенную статистику для влияния на управленческие решения?

— На уровне школы: агрегированные данные, например, о точечном снижении мотивации в девятых классах к конкретному предмету — это объективный аргумент для директора или завуча при распределении ресурсов, планировании методической работы или выборе программ повышения квалификации для педагогов.

На муниципальном и региональном уровне это может быть инструментом для адресной поддержки. Если в нескольких школах территории фиксируются схожие проблемы, это сигнал для органа управления образованием не о «плохих учителях», а о системном методическом дефиците, который можно закрыть целевыми мероприятиями. Фактически мы создаем карту образовательных рисков и точек роста территории.

— Каковы критерии успеха проекта в долгосрочной перспективе?

— Можно выделить несколько критериев. В первую очередь — образовательные. Это устойчивый рост качества подготовки обучающихся. Это не только средний балл ЕГЭ, но и такие показатели, как доля победителей и призеров всероссийских олимпиад и конкурсов из региональных школ, увеличение цифр приема на технологические специальности вузов регионов, сокращение отсева с инженерных специальностей на первом курсе, связанного с отсутствием или недостатком базовых знаний, которыми должен обладать выпускник школы.

Второе (но не по важности, а только по очередности) — кадровые и экономические критерии: увеличение доли выпускников школ-участниц, которые осознанно выбирают для продолжения образования и построения карьеры свой регион. Это прямой вклад в кадровый суверенитет территорий.

Также есть и системные критерии успеха проекта, и это способность модели к саморазвитию и тиражированию. Успехом будет считаться ситуация, когда регионы, перенявшие нашу методологию, смогут развивать ее дальше самостоятельно, адаптируя под свои нужды, а МФТИ займет роль центра компетенций и разработчика стандартов качества.

— Рассматривается ли возможность интеграции платформы с федеральными государственными информационными системами?

— Это естественный и необходимый вектор развития. Мы уже работаем в логике государственных программ («Приоритет 2030», «Передовые инженерные школы»), концепции технологического развития, комплексного плана мероприятий по повышению качества математического и естественно-научного образования на период до 2030 года. С 2024 года проект «Наука в регионы» работает при поддержке Министерства науки и высшего образования России. Наш опыт и данные могут быть полезны для формирования цифрового профиля участника проекта не как архива оценок, а как динамичной карты компетенций и траектории развития. Это вопрос не столько технологии, сколько выработки общих стандартов данных и протоколов их обмена, в чем мы активно готовы участвовать.

Татьяна Гладкова