Top.Mail.Ru

Что исследования говорят о силе индивидуальной подачи

По метаанализу VanLehn, эффект адаптивных обучающих систем (d≈0,76) почти равен эффекту живого тьютора (d≈0,79). Поэтому сборку урока под уровень ученика в Prepi можно доверить движку — а репетитор ведёт смысл и мотивацию.

Что исследования говорят о силе индивидуальной подачи — данные исследований

Интуиция «один на один лучше класса» — давняя. Ещё в 1984 году Блум описал, что ученик на индивидуальном обучении по принципу mastery оказывается выше 84% тех, кого учат обычным способом — «даже у того же учителя».2 Эту работу часто пересказывают как «репетитор даёт +2 сигмы».

Сразу честная оговорка: цифру «2 сигмы» в строгих мета-обзорах воспроизвести не удалось, и мы её как факт не несём. Зато воспроизводится более скромный, но надёжный результат: эффект живого тьютора — порядка d≈0,79.1 Индивидуальная подача действительно сильнее массовой — просто не настолько магически, как в популярной версии.

Главное для нас — что может взять на себя машина

В том же обзоре VanLehn есть результат, ради которого мы на него и ссылаемся. Эффект интеллектуальных обучающих систем — тех, что подстраивают шаг под ученика, — оказался d≈0,76. То есть почти столько же, сколько у живого тьютора (0,79).1 Иными словами, та часть работы, что состоит в подборе верного следующего шага под уровень конкретного ученика, неплохо поддаётся системе.

Подбор по уровню машина делает почти как человек. Смысл и желание учиться — только человек.

Почему «по уровню» — это вообще важно? Потому что усвоение идёт, когда материал чуть выше текущего уровня ученика — Крашен называл это i+1. А «i» у каждого своё: типовой урок «для уровня A2» по определению не попадает в нужную точку у всех сразу.4

Но не всё — и это принципиально

Машина хороша в подборе, но обучение не сводится к подбору. Квази-эксперимент с изучающими английский (n=150) показал разделение ролей почти буквально: AI-персонализация значимо предсказывала рост компетентности (β=0,37), а поддержка живого учителя — автономию и мотивацию (β=0,52).3 Машина строит способность. Человек строит желание и чувство «я могу».

Отсюда — здоровое распределение труда: сборку урока под уровень ученика отдаём движку, а смысл, отношения и мотивацию оставляем репетитору. Это не «AI вместо учителя», а «AI снимает с учителя механику, чтобы осталось человеческое».

Как это работает в Prepi

Распределение «движок ведёт по уровню, репетитор ведёт смысл» — это не лозунг, а устройство платформы:

  • Урок собирается из модели конкретного ученика. Движок берёт накопленную историю — заметки репетитора, прошлые уроки, карту навыков — и материализует урок под неё. Это не «урок по теме вообще», а урок под этого ученика и его уровень (тот самый i+1).
  • Сложность растёт по факту закрепления, а не по календарю. Уровень поднимается, когда ученик доказал, что освоил предыдущее, а не когда «настала нужная неделя». Это и есть mastery на практике.
  • Репетитор остаётся автором. Тему ведёт человек, наполнение и темп адаптирует движок. Машина не общается с учеником вместо репетитора и не ведёт урок — она готовит и поддерживает.

Поэтому фразе «он ведёт по уровню ученика, а вы ведёте смысл» есть на что опереться: подбор по уровню исследования отдают системе, а то, ради чего родитель и нанимает человека, — остаётся за репетитором.

Источники
  1. VanLehn K. (2011). The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems. Educational Psychologist, 46(4), 197–221. — обзор: эффект живого тьютора d≈0,79, интеллектуальных обучающих систем d≈0,76 — «они почти столь же эффективны, как человек-тьютор». источник↗ (метаобзор)
  2. Bloom B. S. (1984). The 2 Sigma Problem. Educational Researcher, 13(6), 4–16. — индивидуальное обучение по принципу mastery: средний ученик оказывается выше 84% обычных «даже у того же учителя». источник↗ (см. оговорку в тексте)
  3. Frontiers in Psychology (2025). The human touch in AI: optimizing language learning through self-determination theory and teacher scaffolding. Квази-эксперимент, n=150 (EFL). — AI-персонализация значимо предсказывала рост компетентности (β=0,37), а учительская поддержка — автономию и мотивацию (β=0,52). источник↗ (одно исследование, n=150)
  4. Krashen S. D. (input hypothesis, i+1). — усвоение языка идёт, когда вход чуть выше текущего уровня учащегося («comprehensible input slightly beyond current level»); «i» индивидуально, типовой контент по определению не попадает в i+1 у всех. источник↗ (теория)

Это не довесок к продукту, а его фундамент: Prepi собирает урок под конкретного ученика, отправляет ему персональную практику и показывает репетитору, что произошло до следующей встречи.

Войти в бету →