ИИ в вузах — это вопрос институциональной трансформации

Продолжаем нашу рубрику про трансформацию образования.

Данная рубрика посвящена тому, каким я вижу изменения образовательной системы на разных её уровнях. По хэштегу #ТрансформацияОбразования вы можете посмотреть материалы, которые уже выходили на канале на эту тему.

В последнее время мне удалось довольно глубоко изучить то, как университеты используют искусственный интеллект, и насколько он встраивается в их процессы.

И один из главных выводов — это то, что обсуждение ИИ в вузах слишком часто сводится к работе преподавателя, т.е. как, например, как ему подготовить план занятия, проверить работы студентов, создать тестовые задания, сделать презентацию и т.д.

Но образовательный процесс представляет собой лишь одно направление применения ИИ.

Есть ещё управление университетом, работа деканатов и кафедр, административные процессы, аналитика, коммуникации, сопровождение студентов, научная деятельность и т.д. Масштаб значительно шире (см. скриншот из моей презентации проекта)

Поэтому точечное внедрение отдельных ИИ-инструментов вряд ли даст системный эффект.

Именно поэтому я говорю об институциональной трансформации.

При этом единой модели такой трансформации для всех университетов быть не должно и каждый университет должен выстраивать собственную траекторию внедрения ИИ.

Потому что унификация в данном случае способна скорее затормозить изменения, чем ускорить их.

В качестве аргумента. ИИ по-разному меняет учебные действия. Например, в одних дисциплинах ИИ пишет текст, в других код. В каждой дисциплине существуют разные образовательные результаты.                                     

Или, например, в одних дисциплинах важно проверить умение работы с аргументацией, в других умение работать с первоисточниками.

Причём стоит отметить, что пока российские университеты находятся на очень разных стадиях. Есть вузы, которые уже понимают, какие задачи хотят решать с помощью ИИ, и последовательно формируют соответствующую инфраструктуру. Таких пока единицы.

Значительная часть университетов находится гораздо раньше на этой траектории. Доходит до того, что отдельные организации фактически ещё даже не начали предметно обсуждать внедрение ИИ. И это тоже часть текущей реальности.

Есть ещё один фактор, который кажется мне особенно важным.

Университет как институт довольно инерционен.

Масштабные изменения в нём занимают годы. Предполагаю, что заметную трансформацию многих вузов мы увидим в горизонте 3–5 лет.
Но технологии ждать не будут.

За это время преподаватели из EdTech и корпоративного обучения получат ещё больше инструментов для автоматизации рутины, проектирования образовательного опыта, работы с учебными данными, персонализации, экспериментов с новыми форматами обучения и т.д.

И тогда перед университетами может возникнуть уже кадровая проблема.

Сильному преподавателю будет всё сложнее работать там, где значительная часть доступных ему технологий институционально заблокирована или вообще отсутствует.

И вот из этого следует ещё один вывод, уже для корпоративных компаний.

Вижу перспективную нишу для масштабирования и монетизации в создании университетов при компаниях. Речь идёт именно о полноценных университетах, учреждаемых компаниями. Корпоративный университет представляет собой другую модель.

Поэтому у крупных компаний потенциально есть преимущество — возможность изначально проектировать университет под современную технологическую среду, не проходя многолетний путь перестройки сложившейся институциональной системы.

Аргументацию по этой модели я ранее разбирал отдельно:
https://t.me/educational_lab/1911

Пожалуй, основной вопрос в высшем образовании уже звучит следующим образом:

Какие университеты смогут перейти от локальных экспериментов с ИИ к пересборке собственной образовательной системы — и кто успеет сделать это раньше, чем технологический разрыв станет конкурентным?

📖 если вы реализуете проекты трансформации образования и обучения, пишите мне в личные сообщения

Карьерное развитие через профессиональные задачи

Друзья, продолжаем рубрику «Персональная траектория и карьерный разворот: как собрать свой рост перед новым сезоном».

Первый материал рубрики вы можете изучить здесь, второй — здесь, третий — здесь

В последнее время работаю над проектами, связанными с внедрением инноваций в образовательную методологию с позиции подходов, моделей и т.д. И недавно обнаружил зону для профессионального развития.

💭 Всё началось с того, что я прошёл диагностику с помощью нейросети и понял, что мне стоит развивать определённые умения в отношение продуктового подхода. После этого мне удалось провести несколько встреч с руководителями образовательных бизнесов, чтобы провести рефлексию через практику.

В итоге выяснилось, что мне достаточно легко удаётся услышать заказчика. Я могу слушать и слышать, задавать уточняющие вопросы, помогать коллеге рефлексировать, чтобы постепенно доходить до более точного понимания проблемы. Сложность возникает только в том, что мне не всегда легко прямо во время диалога предложить гипотезу решения.

Обычно всё устроено следующим образом: cначала я провожу интервью, затем беру паузу, анализирую диалог и только после этого возвращаюсь с методически проработанным предложением.

При всём при этом продуктовый подход в данном случае требует ещё одного — умения уже во время диалога сформулировать предварительную гипотезу для решения заказчика.

Но чтобы такую гипотезу сформулировать нужно разбираться в экономике образовательного решения.

Поэтому, чтобы решить эту задачу, я собрал промпт и превратил обычный чат с нейросетью в персональный тренажёр.

Суть заключается в том, что сначала тренажёр диагностирует мои знания по теме и разбирает конкретную рабочую задачу. Затем последовательно подбирает необходимую теорию, предлагает практические задания, анализирует ответы и определяет, какие темы мне стоит дополнительно изучить.

Самое ценное заключается в том, что тренироваться можно на реальных рабочих ситуациях.

То, есть, например, у меня появляется конкретный кейс. Я разбираю его в тренажёре, получаю необходимый теоретический материал, пробую сформулировать решение, получаю обратную связь, а затем могу достаточно быстро проверить новый подход уже в диалоге с реальным заказчиком.

Похожую механику мы с командой, кстати, использовали при разработке тренажёра для учебного курса «Управление образовательными проектами: основы».

И чем больше я работаю с данным форматом, тем интереснее мне становится сама модель обучения. Потому что традиционно мы часто определяем образовательную траекторию через темы.

Но профессиональное развитие можно выстраивать иначе — через реальные задачи.

Причём объём теории в таком тренажёре каждый раз может быть разным.

Ведь для одной рабочей задачи достаточно разобраться в конкретном методе. Для другой уже потребуется изучить целый ученый модуль. То есть масштаб обучения в данном случае определяется масштабом профессиональной задачи.

Причём я это заметил на своём тренажёре. Например, когда мне не удавалось выполнить определённое задание, нейросеть фиксировала пробел и предлагала темы для дополнительного изучения.

В этом действительно вижу довольно полезный сдвиг в подходе к профессиональному развитию.

Но, на мой взгляд, при условии, если специалист умеет анализировать свою профессиональную деятельность, рефлексировать, а затем и формулировать задачу развития. Как раз в этом случае он получает возможность самостоятельно выстраивать более персонализированную образовательную траекторию

Коллеги, как вы считаете, может ли нейросеть стать полноценным инструментом персонального карьерного развития?
И какие метанавыки в таком случае необходимы специалисту❓

Канал Лаборатория онлайн-обучения в МАКС

Коллеги, поздравляю вас с Днём знаний 🎉

Для всех, кто работает в образовании, этот день значит гораздо больше, чем просто школьные линейки. Это ведь старт нового сезона после летнего отдыха.

Через пару недель начнётся настоящий шторм:
- новые запуски,
- горящие дедлайны,
- постоянные согласования с заказчиками,
- коммуникации с командами и так далее по списку.

Но так не хочется, чтобы в этом учебном году вы снова «тушили пожары» и выгорали уже к ноябрю.

Поэтому в честь Дня знаний я делаю вам самый практичный подарок:

скидку 20% на курс «Управление образовательными проектами: основы», тариф «Фундаментальный».

Те, кто уже ранее приобрёл курс, уже пользуются знаниями на реальных образовательных проектах — без ощущений, что проект управляет ими.

А на рынке труда такие знания ой как востребованы!

Внутри всё, что нужно, чтобы превратить хаос в систему 👇🏼

• 8 учебных модулей с реальными инструментами (от проектного брифа до матрицы-RACI).
• Тренажёр на сквозном кейсе для спокойной и рефлексивной практики.
• Библиотека шаблонов, чтобы вы не изобретали велосипед по тому, как управлять образовательным проектом.

🎉 Только в честь 1 сентября

Скидка 20% (3000 руб.)
действует всего 48 часов (до 10:00 мск 3 сентября).

Далее стоимость вернётся к постоянному значению.

Войдите в новый учебный год с готовой системой управления образовательными проектами.

Узнать подробности и забрать курс со скидкой 👉🏻 https://osipov-education.ru/project_management_course

Пусть этот сезон будет продуктивным и без авралов!
Всех с образовательным праздником!

Качество решения = качество диагностики

В последнее время ощущаю себя «вольным исследователем» 😀

А всё потому что ищу проекты на стыке нескольких направлений:
- управление образовательными проектами,
- проведение продуктовых исследований,
- внедрение инноваций в обучении (в т.ч. с использованием искусственного интеллекта),
- проектирование образовательного опыта,
- внедрение теорий наук об обучении,
- внедрение принципов педагогического дизайна,
- построение учебной аналитики.

Понимаю, непростая комбинация.

Но именно на пересечении этих областей очень хотелось бы развиваться, потому что в таком случае запускается цикл:

исследовать → формулировать проблемы → предлагать решения → пилотировать решения → измерять эффекты → масштабировать и/или коммерциализировать

Поэтому если у вас есть технологические или образовательные проекты/продукты (в т.ч. на основе ИИ) в корпоративном, EdTech или академическом секторе, то открыт к сотрудничеству. Для этого просто напишите мне 👉🏼 @osipov_education

Друзья, а теперь история 💭

Недавно проводил очередное исследование среди руководителей, которые пытаются автоматизировать часть своих задач, включая использование ИИ.

В том числе общался с директорами частных образовательных организаций.

После очередной дискуссии нашёл одну из главных ошибок при внедрении ИИ — слишком быстро переходить от проблемы к ИИ-решению.

Допустим, учителя английского языка тратят слишком много времени на индивидуальную обратную связь.

Вполне логично сразу автоматизировать её с помощью ИИ.

Но ведь проблема может быть связана совсем с другим.

Например:
- неудачной структурой заданий;
- отсутствием единых критериев оценивания;
- перегруженной программой;
- неудобной LMS;
- недостаточной методической подготовкой и т.д.

В итоге руководитель внедряет сложное решение, которое оказывается дороже и менее эффективным чем изменение самого процесса. Либо ему его удачно продают.

Просто у меня в практике случались случаи, когда достаточно просто переработать задания или подготовить преподавателям набор готовых фреймворков. И всё. Проблема решалась.

Поэтому до выбора технологии я бы сначала точно отвечал на несколько вопросов 👇🏼

- Где именно возникает нагрузка?
- Почему она возникает?
- Как её уже пытались решить?
- Почему её не удалось решить?
- Что в текущем процессе можно изменить без внедрения новых технологий? и т.д.

И только после этого имеет смысл проверять гипотезу о том, что, например, ИИ действительно является лучшим решением.

У меня совсем недавно был случай, когда задача руководителя учебного центра просто решилась обычным Claude, хотя изначально хотелось строить целую систему автоматизации.

Именно поэтому диагностика проблемы 🔍, на мой взгляд, должна быть одним из основополагающих этапов.

Ведь если пропустить данный этап, можно вложить огромные ресурсы в разработку технологии, которая в итоге будет устранять следствие, а не причину проблемы.

🎓 Одна образовательная метрика
и три разные проблемы

На прошлой неделе побывал на полезной встрече от School Of Education, где обсуждались образовательные метрики.

В какой-то момент речь зашла о том, почему на одну и ту же образовательную метрику важно смотреть с позиции продакта, педагогического дизайнера, методиста, преподавателя и других участников команды.

Решил поделиться своим ответом ниже 👇🏼

Дело в том, что одна и та же цифра может указывать на разные проблемы в зависимости от профессиональной оптики специалиста.

Возьмём простой пример.

До конца курса доходят только 38% студентов второго курса онлайн-школы «Математика для всех».

Что может увидеть продакт? Верно, проблему с retention.

А педагогический дизайнер или методист? Правильно, предположить, что причина связана с ростом когнитивной нагрузки.

Преподаватель, в свою очередь, может заметить, что на третьей неделе начинается регрессионный анализ, с которым значительная часть студентов не справляется из-за слабого владения базовой алгеброй.

Получается одна метрика и сразу несколько гипотез.

Самое интересное — они все могут потенциально оказаться верными.

Например, недостаток базовых знаний может увеличивать когнитивную нагрузку при изучении регрессионного анализа. Из-за этого студенты начинают хуже выполнять задания, чаще пропускают занятия, реже возвращаются к обучению и в конечном счёте часть из них прекращает проходить учебный курс.

В данном случае продакт, педагогический дизайнер и преподаватель фактически описывают разные уровни одной причинной цепочки. И это действительно ценно.

Причём мне кажется, что сам процесс работы с метриками должен быть заранее организован.

То есть до их обсуждения полезно определить, какие специалисты участвуют в анализе конкретного показателя, какую часть образовательного процесса каждый из них способен диагностировать и за какие решения отвечает. Только после этого каждый участник команды может сформулировать гипотезу и аргументировать её.

Но возникает ещё один важный момент.

Наличие нескольких позиций не означает, что каждый специалист может самостоятельно менять образовательный процесс в пределах своей гипотезы.

Допустим, преподаватель видит, что студентам тяжело даётся конкретная тема, и предлагает добавить ещё три занятия. С педагогической точки зрения решение может выглядеть вполне обоснованным (тем более учитывая тот факт, что преподаватель довольно хорошо знает своих студентов и их уровень знаний).

При этом увеличение количества занятий изменит продолжительность курса, нагрузку студентов, образовательный путь, и, в конечном счёте, экономику образовательного продукта.

Поэтому локально разумное решение может создать проблему на уровне всей системы.

Поэтому важно не только организовать процесс обсуждения метрик, но и определить кто отвечает за итоговое решение.

При этом я бы разделял владельца метрики и владельца решения.

Например, продакт может отвечать за retention, но это ещё не означает, что он единолично определяет структуру образовательной программы. Точно так же преподаватель, обладающий пониманием затруднений студентов, не должен самостоятельно менять образовательный путь, если изменение затрагивает другие части образовательного продукта.

То есть суть в том, что в спорных ситуациях решение требует, безусловно, совместной проработки, однако финальное решение всё равно должно быть закреплена за конкретным членом команды.

Поэтому перед работой с образовательными метриками я бы рекомендовал заранее определить как минимум четыре вещи.

1. Кто отвечает за саму метрику.
2. Кто участвует в диагностике и формулирует гипотезы.
3. Какими учебными данными эти гипотезы будут проверяться.
4. Кто принимает решение об изменениях в конкретной части образовательного продукта.

Тогда междисциплинарность в обсуждениях метрик действительно начинает работать 🙌🏼

Коллеги, а кто в вашей команде принимает финальное решение, если продакт, методист и преподаватель по-разному объясняют одну и ту же метрику?

Канал Лаборатория онлайн-обучения в МАКС

🎓 Циферки, такие циферки

Друзья, в продолжение темы отвечаю на вопрос:

В чём разница между Data-driven и data-informed при работе с образовательным продуктом?

Главная разница в том, какую роль данные играют в принятии решения.

В случае с data-driven данные имеют очень высокий вес и могут становиться главным основанием для принятия решений.

Логика примерно такая:

«Вариант B статистически и практически значимо лучше варианта A по нашей целевой метрике — значит выкатываем B».

Подход работает там, где метрика достаточно хорошо соответствует цели, данных много, эффект проявляется быстро, решение относительно дёшево проверить (и при необходимости отменить).

В EdTech это часто применимо именно к продуктовой логике (которая классно сочетается с Unit-экономикой).
Например:
- какой онбординг лучше доводит пользователя до первого занятия;
- какой интерфейс платформы снижает количество технических ошибок;
- какая последовательность экранов повышает конверсию в регистрацию;
- какой алгоритм рекомендаций точнее определяет следующий полезный материал и т.д.

В подобных случаях можно накопить большое количество наблюдений и достаточно чётко определить метрику.

Но по мере приближения к непосредственно образовательному результату возрастает значение контекста и его интерпретации. И тут не всё так очевидно как кажется.

Предположим, аналитика нам показывает:

Если сократить объяснение темы с 12 минут до 4 минут, COR увеличивается на 23%.

Можно принять решение сократить объяснение.

Но возникает следующий вопрос:

А что произойдёт с эффективностью обучения? (т.е. смотрим на соседние факторы)

Допустим, мы выясняем, что через неделю группа с четырёхминутным объяснением усваивает материал существенно хуже.

Вот как раз в этом случае становится важен data-informed подход 👍🏼

То есть данные становятся одним из основных источников информации для принятия решений, но рассматриваются вместе с особенностями целевой аудитории, экспертными оценками, ограничениями образовательного продукта и т.д.

Поэтому data-informed вовсе не означает, что мы «меньше доверяем данным». Нет.

Скорее речь идёт просто о признании того, что данные требуют интерпретации, а значение конкретной метрики зависит от других факторов, влияющих на неё.

Краткое саммари:

Data-driven особенно уместен там, где связь между метрикой и целью является непосредственной, эффект наблюдается быстро, решение можно сравнительно легко проверить и отменить.

Data-informed там, где результат сложный, отсроченный, плохо наблюдаемый, зависит от множества факторов.

Более подробнее c разницей подходов можно ознакомиться в данном материале:
https://www.chelidze-d.com/post/data-driven-informed-inspired