Как создать платформу адаптивного обучения в 2026 году: алгоритмы, архитектура, затраты

Почему этот разбор написала Фора Софт

Мы разрабатываем программное обеспечение для электронного обучения с 2005 года, а адаптивные решения к нему — последние десять лет. В нашем портфолио — BrainCert, LMS с виртуальными классами на WebRTC, выручка которой превысила 225 млн ₽ на стеке, который мы помогали создавать, и Scholarly — обучающая платформа с более чем 15 000 пользователями. Tabsera, наша многоязычная виртуальная школа для предпринимателей из Сомалиленда, проводит занятия на английском, французском, арабском и турецком языках. Проект поддерживается Telesom — крупнейшим мобильным оператором страны — и был показан в эфире национального телеканала Eryal TV.

Это руководство — взгляд заказчика и разработчика, который мы хотели бы видеть на экране у каждого основателя edtech-стартапа, директора по обучению, ИТ-руководителя школы и CTO LMS-вендора до того, как они начнут прорабатывать собственную адаптивную систему. Читайте его как практическую методичку: какие алгоритмы действительно важны, какая архитектура масштабируется, какие требования нельзя игнорировать, какие диапазоны стоимости можно обосновать на совете директоров и какие подводные камни, как мы видели, топят даже хорошие проекты.

Для более широкого контекста по использованию ИИ в электронном обучении ознакомьтесь с нашим материалом-спутником «Как создавать мощные мультимедийные решения с ИИ для электронного обучения» и статьёй, посвящённой интеграции, — «Как встроить ИИ в разработку ПО для электронного обучения».

Что на самом деле представляет собой платформа адаптивного обучения

Платформа адаптивного обучения — это программное обеспечение, которое подстраивает следующий шаг под уровень знаний ученика. Это не то же самое, что персонализированное обучение: при персонализации маршрут выбирает сам ученик, а адаптивная система делает выбор за него — в реальном времени, на основе данных о его действиях. Эти подходы дополняют друг друга: самые сильные продукты используют оба.

Под капотом любая платформа адаптивного обучения — это три взаимосвязанные системы:

• Модель ученика. Текущая оценка уровня освоения каждого навыка — в виде вероятности или балла. Обновляется после каждого ответа.
• Модель контента. Библиотека заданий (вопросов, уроков, симуляций), размеченных по навыкам, с откорректированной сложностью и указанными предпосылками.
• Политика. Правило, по которому система на основе текущего уровня ученика выбирает следующее задание. Может быть основано на оптимизации или обучении с подкреплением.

Постройте только одну или две — и получите инструмент для тестирования, а не полноценную адаптацию. Большинство провальных проектов либо недостаточно инвестируют в модель контента, либо вообще игнорируют политику.

Каркас из 5 вопросов, прежде чем писать хоть строчку кода

1. Что считать единицей освоения? Конкретный математический навык («решение линейных уравнений с одной переменной»), словарная единица, шаг процедуры или концепт из непрерывного медицинского образования (CME). Чем уже единица — тем проще её моделировать. Начинайте с узкого.

2. Сколько заданий вы можете создать или сгенерировать на каждый навык? Минимум, чтобы адаптация не ощущалась как хождение по кругу, — около 10 заданий на навык. Меньше — и система начнёт повторяться, а ученики это заметят уже на первой сессии.

3. Кому принадлежат калибровочные данные? Если на ваши задания ещё никто не отвечал, у вас нет оценок сложности, а значит, IRT и большинство априорных оценок для BKT — это предположения. Запланируйте платный пилот или используйте краудсорсинговую калибровку до запуска.

4. Должно ли это жить внутри LMS? Если да — закладывайте поддержку LTI 1.3 уже на этапе MVP, а не откладывайте на потом: процессы создания учётных записей, передачи оценок и глубокого подключения меняют структуру данных.

5. Какова цена ошибки? Адаптация словарной тренировки, которая ненадолго подсунет слова полегче, — это низкая ставка. Перевод ученика на коррекционную математику или его исключение из углублённого потока — высокая ставка, которая требует участия человека и проверки на предвзятость.

Систематика алгоритмов: выбирайте по стадии, а не по хайпу

В серьёзных платформах адаптивного обучения используются пять основных групп методов. Выбор подходящего зависит от объёма данных, типа контента и стоимости решения.

Байесовское отслеживание знаний (Bayesian Knowledge Tracing, BKT) — проверенная временем технология

BKT, разработанная в Carnegie Mellon, моделирует освоение навыков как скрытое бинарное состояние. Динамику описывают четыре параметра: начальный уровень знаний p(L0), скорость обучения p(T), вероятность угадывания p(G) и вероятность случайного успеха p(S). Модель легко интерпретируется, требует мало вычислительных ресурсов и доступна в виде open-source-библиотеки pyBKT. Используйте её на второй итерации любой образовательной платформы, которая выросла за рамки правил маршрутизации — когда накопится несколько сотен учеников и размеченные пары «задание — навык».

Теория ответов на задания и CAT — для тестирования с высокими ставками

IRT — психометрическая основа компьютерных адаптивных тестов вроде GRE и GMAT, где длину теста сокращают на 20–40%, не теряя точности. Модель Раша (1PL) учитывает только сложность заданий; 2PL добавляет параметр дискриминативности; 3PL — ещё и вероятность угадывания, что особенно полезно для вопросов с выбором ответа. Если ваш продукт используется для сертификации, распределения по уровням или лицензирования, вам почти наверняка понадобятся IRT и этап калибровки, прежде чем можно будет безопасно применять адаптацию.

Глубокое отслеживание знаний (Deep Knowledge Tracing, DKT) и современная волна

DKT из Стэнфорда (Piech et al.) переосмыслила отслеживание знаний как задачу моделирования последовательностей на LSTM, добавив около 25% к AUC по сравнению с BKT на датасете AssisTments. Современные подходы (SAINT, AKT, архитектуры на основе gated GRU из работ 2024–2025 годов) развивают эту идею дальше. Однако здесь возникает компромисс: DKT требует более 50 тысяч последовательностей учеников для устойчивого обучения, а её сложнее анализировать, когда система даёт ошибочную рекомендацию.

Интервальное повторение (SM-2, FSRS) для запоминания фактов

Для запоминания слов, формул, названий препаратов и другой фактологической информации интервальное повторение — один из самых эффективных методов. SM-2 (классическая модель Anki) работает просто и надёжно. FSRS — нейросетевая модель памяти, теперь встроенная в Anki 23.10+, — снижает нагрузку на повторения примерно на 20–30% по сравнению с SM-2 при том же уровне запоминания. Используйте эти алгоритмы как часть более широкой адаптивной системы, а не как её основу целиком.

Обучение с подкреплением и контекстные бандиты

Когда у вас есть активная когорта и чёткая цель — например, сократить время до освоения или повысить вовлечённость — контекстные бандиты, такие как сэмплирование Томпсона, эффективно балансируют между исследованием и использованием при выборе заданий. Оставьте такие подходы для платформ на третьей стадии развития, где уже есть MLOps и возможность off-olicy-оценки: при неосторожном внедрении RL может загонять учеников в бесполезные циклы контента.

Эталонная архитектура платформы адаптивного обучения

Архитектуру ниже мы применяем в Фора Софт для адаптивных систем, вышедших за стадию MVP. Компоненты, выделенные курсивом, не требуются на этапе MVP, но становятся обязательными при масштабировании.

• Frontend. React или Vue для веба; React Native или Flutter для мобильных приложений; WCAG 2.2 AA с самого начала разработки. Live-регионы для озвучивания изменений адаптивного контента программам чтения с экрана.
• API-шлюз. FastAPI или Node, OAuth 2.0 + OIDC. Эндпоинты LTI 1.3 для интеграции с LMS (синхронизация списков, передача оценок, deep linking).
• Хранилище учебных записей (LRS). События xAPI в Kafka или Redpanda, архив в S3/ГКС. Watershed, Learning Locker или собственное хранилище.
• Банк заданий. PostgreSQL для хранения метаданных; теги навыков, предпосылки, уровень сложности (откалиброванный), уровень по Блуму, язык, флаги доступности.
• Feature store. Feast или Redis-кэш, который отдаёт эмбеддинги учеников, сложности заданий и векторы предпосылок за <100 мс.
• Сервис модели освоения. Инференс BKT или DKT через FastAPI или Ray Serve. Без хранения состояния; данные берутся из feature store.
• Движок рекомендаций. Анализирует прогресс пользователя, применяет выбранную стратегию (например, максимизация информации по IRT или алгоритм бандита) и предлагает следующее задание.
• Граф знаний. Neo4j или RDF для онтологии предпосылок и учебных маршрутов.
• Аналитика. Looker, Metabase или собственные дашборды поверх хранилища данных (BigQuery, Snowflake или Postgres — для меньших масштабов).
• Наблюдаемость. Prometheus + Grafana для контроля состояния сервисов; Evidently или WhyLabs для отслеживания дрейфа модели.

Слой совместимости важен не меньше самой модели. Закладывайте поддержку LTI 1.3, xAPI и (для старых клиентов) SCORM 1.2 и 2004; QTI 2.1 пригодится, если нужно импортировать или экспортировать банки заданий. Более подробный разбор архитектуры медиаёмкого электронного обучения — в нашем руководстве по масштабируемому видеостримингу и видеоконференциям.

Соответствие требованиям: COPPA, FERPA, GDPR-K и другим

Образовательное ПО работает с несовершеннолетними и академическими записями. Пропустите этап проверки соответствия — и закупка сорвёт сделку на шестой неделе.

COPPA (США, ученики до 13 лет). Обновление 2026 года требует отдельного согласия родителей на использование AI-функций — таких как репетиторы, помощники по написанию текстов и адаптивные движки — помимо согласия при регистрации. Поведенческая реклама запрещена. Сделайте форму согласия отдельной от процесса регистрации и обеспечьте автоматическое удаление данных в установленный срок.

FERPA (США, школы и вузы). Информация об учениках может передаваться только в образовательных целях. Родители имеют право просматривать данные и вносить исправления. Внедрите модель доступа по ролям, ведите журнал всех случаев раскрытия информации и проверяйте договоры с поставщиками.

GDPR-К (ЕС, ученики до 16 лет, порог зависит от страны-участницы). Требуется явное согласие родителей, право на удаление данных и право на объяснение автоматизированных решений. Для любой агрегированной аналитики, затрагивающей демографические данные, применяйте дифференциальную приватность или k-анонимность (k ≥ 5).

SOC 2 Type II и ISO 27001. Необходимы для enterprise-закупок, особенно в вузах и корпоративном обучении. Если у вас ещё нет плана, подготовьте дорожную карту на 12 месяцев.

Доступность (WCAG 2.2 AA). Адаптивные интерфейсы — особый вызов: динамические обновления контента должны озвучиваться, цвет не должен быть единственным способом передачи информации, а навигация с клавиатуры — оставаться удобной при изменении маршрута. Тестируйте с NVDA на Windows и VoiceOver на macOS/iOS, и включите в QA-команду людей, использующих программы чтения с экрана.

Диапазоны стоимости на 2026 год — от MVP до enterprise

Эти диапазоны откалиброваны по нашим проектам и рыночным ставкам на 2026 год. В них входят разработка, машинное обучение, дизайн, тестирование и инфраструктура — только для фазы сборки. Создание контента, калибровочные исследования IRT и методическое консультирование обычно оплачиваются отдельно. Поскольку наш конвейер работает на AI-агентах по спецификациям, наши сроки обычно ближе к нижней границе каждого диапазона.

Подробнее о том, как мы оцениваем — в нашем руководстве по оценке стоимости разработки. Готовые платформы выигрывают в скорости, но проигрывают в гибкости, праве собственности на код и рентабельности при более чем ~5K одновременных учениках. Разработка на заказ даёт преимущество в уникальности и интеграции с системами, которые SaaS-провайдеры не будут реализовывать под вас.

Состав команды, которая выпускает платформу адаптивного обучения

Адаптивная разработка — это одновременно программный проект и проект на основе прикладного машинного обучения. Вендор, предлагающий только программные роли, упускает половину работы.

• ML- / дата-инженер (1–2). Отвечает за модель ученика, калибровку заданий, feature store и мониторинг дрейфа.
• Backend-инженер (1–2). API, LRS, код для интеграций, эндпоинты LTI/xAPI/SCORM.
• Frontend- / мобильный инженер (1–2). Сначала веб; React Native или Flutter для мобильных.
• DevOps / SRE (0,5). Инфраструктура как код, обучение моделей на GPU, сервинг моделей, мониторинг и логирование.
• Продуктовый / методический лид (0,5). Переводит учебные цели в навыки и правила политики. Выбирайте того, кто реально преподавал этот предмет.
• QA-инженер с уклоном в доступность (1). Тестирование в разных браузерах, с программами чтения с экрана, при медленном интернете и на соответствие методическим требованиям.
• Менеджер проекта (0,5). Координирует ритм спринтов, ведёт еженедельную отчётность, управляет запросами на изменения.

Итоговая численность команды — 4–7 человек для уровней MVP–Масштаб и 8–12 для enterprise. Подробнее о том, как Фора Софт формирует команды, — в нашем материале о процессе исследования проекта.

Мини-кейс — Tabsera, виртуальная школа для регионов с низкой пропускной способностью

Ситуация. Предприниматель из Сомалиленда хотел создать виртуальную школу, которая работала бы на английском, французском, арабском и турецком языках для учеников в регионах с ненадёжным высокоскоростным интернетом.

Что мы построили. Tabsera — мультиролевая платформа, где пользователи могут вести лекции как преподаватели, управлять школами как директора или посещать занятия как ученики из любой точки мира. Адаптивные элементы на уровне урока (повторение навыков, изменение порядка заданий) построены поверх ядра виртуального класса, которое при слабом интернете плавно переходит в режим «только аудио» и поддерживает асинхронный формат.

Результат. Проект поддержали Telesom (крупнейший мобильный оператор Сомалиленда) и показали в эфире национального канала Eryal TV. Тот же архитектурный подход — адаптивный слой вокруг надёжного медиаядра — мы внедряем в BrainCert (выручка более 225 млн ₽) и Scholarly (15 000+ пользователей).

Пять подводных камней, которые тихо топят платформы адаптивного обучения

1. Проигнорированная проблема холодного старта. У нового ученика нет истории, поэтому первые 10–30 заданий ваши рекомендации — это догадки. Что делать: провести пре-тест на 5–10 минут, попросить ученика оценить свои знания или предложить задания по принципу активного обучения, чтобы максимально быстро получить полезную информацию. Уверенность системы должна стабилизироваться к 20–30-му заданию.

2. Узкое место по контенту. Адаптации требуют минимум 10 хорошо размеченных заданий на один навык. Меньше — и система будет зацикливаться. Решение: начните создавать контент параллельно с первой недели; рассмотрите возможность использовать черновики, сгенерированные LLM, но проверенные экспертами по предметной области.

3. Переобучение на ранних ответах. Два неверных ответа не должны блокировать возможность исправления. Используйте байесовское обновление с разумными априорными оценками, требуйте не менее 5 независимых наблюдений перед существенными изменениями в маршруте обучения и дайте ученикам возможность пометить вопрос как непонятный.

4. Игра с системой. Некоторые ученики замечают, что ошибаются — и получают более лёгкие задания, и начинают этим пользоваться. Что делать: выявлять слишком быстрые неправильные ответы (менее 5 секунд на сложных заданиях), менять порядок заданий внутри навыка и отслеживать закономерности стратегических ошибок.

5. Совместимость как нечто на потом. «Добавим LTI позже» — почти гарантированный способ потерять enterprise-продажи. Закладывайте LTI 1.3, xAPI и (где нужно) SCORM 2004 / cmi5 со второго спринта. Тестируйте на Canvas, Moodle и Brightspace.

KPI, которые показывают, что платформа адаптивного обучения действительно работает

KPI качества. Прирост знаний «до — после» по Коэну d ≥ 0,5; AUC модели освоения ≥ 0,75 (MVP), 0,82 (масштаб), 0,85+ (enterprise на DKT); доля принятых рекомендаций ≥ 60%; сходимость холодного старта — к 20–30-му заданию.

Бизнес-метрики. Время освоения на 30–50% меньше, чем при неадаптивном контроле; удержание пользователей с 1-го по 3-й месяц — не менее 70% в школах и не менее 60% в корпоративном обучении; завершение модулей — не менее 60% (обязательные) или 40% (по выбору); разница в приросте освоения между группами по полу, этнической принадлежности и социально-экономическому статусу — менее 10%.

KPI надёжности. Время доступности системы — не менее 99,9% в тестовых окнах; задержка рекомендаций на 95-м перцентиле — менее 250 мс; доступность синхронизации с LMS — не менее 99,5%; дрейф параметров заданий — менее 0,3 логита за 6 месяцев; 100% соответствие стандарту WCAG 2.2 AA по результатам проверки Axe и ручного аудита.

Когда НЕ стоит разрабатывать адаптивную платформу на заказ

Некоторым продуктам вообще не нужно ничего строить. Оставайтесь на SaaS-движке адаптивного обучения или статичной LMS, когда:

• Ваш предмет хорошо покрыт ALEKS, DreamBox, Knewton Alta или узкоспециализированным адаптивным решением, а настройка носит косметический характер.
• В обозримом будущем у вас будет меньше 1000 учеников, и юнит-экономика на одного ученика будет работать.
• Ваша дифференциация — контент, бренд или сервис, а не сама адаптация.
• Вы не можете создать или лицензировать менее 10 заданий на навык до запуска.
• У вас не будет внутреннего владельца системы после передачи. Адаптивным платформам требуется продуктовый контроль с пониманием машинного обучения — как минимум один штатный инженер на полную ставку.

Если подходят три и более пункта — покупайте. Если большинство не подходит — особенно если ваша дорожная карта зависит от интеграций, которые SaaS-провайдеры не будут делать под вас, от размещения данных, которое они не предлагают, или от адаптации в области, которую они не покрывают, — разработка окупается на горизонте 2–3 лет.

Рыночный контекст 2026 года — объём, рост и волна LLM

Мировой рынок адаптивного обучения достаточно велик, чтобы разработчики на заказ конкурировали в узких нишах, а не на общем рынке. Mordor Intelligence оценивает объём рынка в 2026 году примерно в 397 млрд ₽ с CAGR около 20% до 2030 года; отраслевые аналитики (IMarc, Spherical Insights) отмечают, что 75% расходов приходится на школы и вузы, при этом корпоративное обучение и программы сертификации быстро наращивают темпы роста.

Волна LLM кардинально изменила ситуацию с 2024 года. Khanmigo от Khan Academy, Duolingo Max и пилотные проекты репетиторов от OpenAI показали, что разговорные репетиторы могут дополнять — но не заменять — традиционное отслеживание знаний. К 2026 году большинство серьёзных платформ объединили LLM-репетитора для объяснений со слоем BKT или DKT для подбора заданий: LLM ведёт диалог, а трекер решает, что делать дальше.

Open-Source-инструментарий, который ваш вендор обязан знать назубок

Способный вендор адаптивного обучения в 2026 году свободно владеет этим стеком:

• pyBKT. Python-библиотека BKT от Carnegie Mellon — стандарт для платформ на второй стадии.
• EduCDM, EduData. Наборы инструментов для когнитивной диагностики и анализа образовательных данных (BUAA), полезные для сложного моделирования ответов на задания.
• Реализации DKT на PyTorch / Keras. Эталонные кодовые базы для SAINT, AKT и DKT с гейтами.
• Планировщик FSRS. Нейросетевая модель памяти, лежащая в основе современного Anki; есть версии для веба и мобильных устройств.
• Feast / Tecton. Feature store для инференса менее чем за 100 мс на больших объёмах данных.
• Ray Serve / NVIDIA Triton / KServe. Запуск моделей на Kubernetes.
• Learning Locker, Watershed. Открытые хранилища учебных записей xAPI.
• IMS Global LTI 1.3 / Caliper / QTI. Основа совместимости.
• Evidently, WhyLabs. Мониторинг дрейфа модели — не опция, как только вы запустили DKT.

По смежной теме создания контента с помощью ИИ, которая естественно сочетается с адаптацией, посмотрите материалы о техниках генерации персонализированного учебного материала и полное руководство по созданию образовательного контента с помощью ИИ.

Отраслевая методичка — для каждого рынка свой ответ

Школы (K-12). Основной акцент — на COPPA. Адаптация должна корректно работать на Chromebook, в сетях с низкой скоростью и на общих устройствах. Соединяйте адаптацию с дашбордами для родителей и учителей. По теме: как создавать образовательные материалы для учителей с помощью ИИ.

Высшее образование. FERPA, доступность (Section 508), LTI 1.3 для Canvas / Brightspace / Blackboard. Преподавателям важно понимать логику системы — «почему она выбрала именно этот вариант?» — поэтому для ответственных решений лучше использовать интерпретируемые модели.

Корпоративное обучение и комплаенс-тренинги. В закупках по-прежнему лидируют SCORM 2004 и cmi5. Привязывайте KPI к срокам достижения компетентности и циклам продления комплаенса. См. наше руководство по платформе корпоративного видеообучения.

Профессиональная сертификация (медицина, финансы, ИТ). Основа — CAT и IRT; обязательны калибровочные исследования; аккредитационные органы проверят вашу психометрию.

Изучение языков. Интервальное повторение + обратная связь по произношению + тренировка диалогов. FSRS для запоминания слов, LLM для разговорной практики.

Непрерывное медобразование (CME). Близко к HIPAA, если используются реальные данные пациентов; в остальных случаях — SCORM 2004 + кейсы с оценкой по IRT.

Что даёт сильная фаза исследования

Платная фаза исследования на 2–3 недели, проведённая до любого нулевого спринта, должна дать следующие артефакты. Если вендор не может их подготовить, проект уже находится в зоне риска до старта:

• Граф навыков (концепты и предпосылки) для стартовой предметной области.
• Выбор алгоритма с обоснованием (правила vs. BKT vs. IRT vs. DKT), зависящий от объёма данных.
• Диаграмму эталонной архитектуры, согласованной с вашим облаком и текущей LMS.
• Карту соответствия требованиям: COPPA, FERPA, GDPR-K, SOC 2, доступность.
• План поставки, разбитый по вехам, с назначением конкретных инженеров на роли.
• Реестр рисков — 5–10 наиболее вероятных проблем, каждая с указанным способом снижения.
• MSA + SoW с полной передачей прав на интеллектуальную собственность, депонированием исходного кода и условиями выхода.

Тревожные сигналы при выборе вендора адаптивного обучения

Два из них — и вы уходите.

• «Мы будем использовать AI» без конкретики по модели ученика. Если вендор не может без подсказки назвать «BKT» или «IRT», он раньше такого не строил.
• Нет плана создания контента. Самый частый сценарий провала. Всегда спрашивайте: как мы доберёмся до 10 и более заданий на навык?
• «LTI потом» или нет ответа по xAPI. Enterprise-закупка вас заблокирует.
• В команде QA нет специалистов по доступности. WCAG 2.2 AA на адаптивных интерфейсах — задача нетривиальная.
• Вендор владеет облачным аккаунтом. Откажитесь. Ваша организация должна использовать AWS/GCP, IAM-ролей вендора и обеспечивать чистый офбординг.
• Нет плана аудита на предвзятость / паритет. Маршрутизация с высокими ставками без KPI, разбитых по группам, — это потенциальный иск.
• Сопротивление по передаче интеллектуальной собственности или депонированию. Стоп — без вариантов.

Часто задаваемые вопросы

Что почитать дальше

Готовы запустить платформу адаптивного обучения, которая окупается?

Платформы адаптивного обучения ценят команды, которые серьёзно подходят к трём ключевым вещам: модели ученика, модели контента и политике. Выбирайте алгоритмы с учётом стадии разработки, планируйте контент как параллельный поток задач, закладывайте совместимость и соответствие требованиям уже со второго спринта и измеряйте эффективность по KPI, разбитым по демографическим группам. Пропустите хоть один из этих пунктов — и получите движок для тестирования, который обойдётся дороже лицензии SaaS на одно рабочее место.

Фора Софт выпускает эту связку с 2005 года — на платформах от Tabsera (многоязычная виртуальная школа в Сомалиленде) до BrainCert (LMS на WebRTC с выручкой 225 млн ₽) и Scholarly (15K+ пользователей). Наш конвейер агентной разработки позволяет нам работать ближе к нижней границе каждого ценового диапазона. Если ваша дорожная карта зависит от платформы, которая действительно адаптируется под задачи, следующий шаг — 30-минутный разговор.