Рекомендации курсов в онлайн-обучении: зачем и как считать
Платформа подключает рекомендательный блок, показатели кликов растут, а завершаемость курсов падает. Так происходит, когда рекомендатель настроен на удержание внимания, а не на то, чтобы ученик действительно дошёл до конца программы: система бодро подсовывает то, что кликают, и это почти никогда совпадает с тем, что нужно пройти по программе дальше.
Рекомендации курсов в онлайн-обучении: модуль, который подсказывает ученику следующий курс, модуль или упражнение на основе его прогресса, а не только истории кликов, и делает это с учётом того, что почти половина аудитории в любой момент времени новички без истории поведения.
Разберём, чем эта задача отличается от рекомендаций в стриминге и маркетплейсах, что стоит строить самим, а что покупать готовым, и сколько это стоит.
Почему нельзя просто скопировать логику Netflix
В обучении у рекомендателя другая цель, другие ограничения и другая цена ошибки.
Первое отличие: холодный старт здесь постоянная норма, а не редкое исключение. В любой момент времени 40-60% учеников в потоке это новички без истории взаимодействий, и так происходит каждый семестр или каждый набор заново. Рекомендатель, спроектированный только для опытных пользователей с богатой историей, в первые недели каждого потока просто не работает.
Второе отличие: у курсов есть порядок, и рекомендатель обязан его уважать. Netflix может предложить любой фильм в любом порядке. Курс "Продвинутый Excel" бессмысленно предлагать раньше базового, а тема с математическим аппаратом требует пройденных предпосылок. Без встроенной логики предпосылок и последовательности рекомендатель будет с одинаковой уверенностью подсовывать и то, что ученик готов проходить, и то, что он ещё не может понять.
Третье отличие: правильная метрика успеха другая. В стриминге и ритейле рекомендатель оптимизируют под клик и время в приложении. В обучении рекомендатель, который увеличивает длительность сессии, но снижает долю тех, кто дошёл до конца курса, считается провальным, даже если метрики вовлечённости выглядят отлично. Оптимизировать нужно завершаемость курса, долю сдавших итоговый тест и время до освоения материала, а не количество открытых карточек. Разница видна и в устройстве самих движков: системы ИИ-рекомендаций видеоконтента настраивают на досматриваемость и глубину каталога, а учебной платформе нужна другая целевая функция.
Что строить самим, а что покупать
| Задача | По умолчанию | Почему |
|---|---|---|
| Подбор первого курса для новичка (холодный старт) | строить самим | здесь решает знание вашей программы, а не сам алгоритм: что идёт первым, что требует предпосылок |
| Учёт предпосылок и последовательности курса | строить самим | это ваша учебная программа, готовое решение её не знает и не может знать |
| Персонализация внутри пройденного материала (следующий модуль, повторение слабой темы) | строить самим | работает только на ваших накопленных данных о конкретном курсе |
| Базовый поиск похожих курсов по метаданным | можно готовым инструментом | это стандартная задача, не то место, где стоит экономить время разработки |
Правило простое: то, что зависит от вашей учебной программы и данных об учениках, стоит строить внутри платформы, потому что именно это конкурент не может скопировать, купив тот же готовый сервис. То, что сводится к типовому поиску похожего контента по метаданным, можно закрыть готовым инструментом и не тратить на это команду. Тот же вопрос стоит задать про весь набор ИИ-функций платформы: что из ИИ в онлайн-обучении работает только на ваших данных, а что покупается готовым за меньшие деньги.
Отдельная оговорка касается зарубежных managed-сервисов рекомендаций: часть из них недоступна для прямой оплаты из России, а передача данных об учениках в стороннее зарубежное API создаёт отдельный вопрос с 152-ФЗ ещё до того, как встанет вопрос оплаты. Для российской платформы разумный путь: собственный слой персонализации на своих данных, а не подписка на зарубежный managed-сервис.
Что реально решает холодный старт
Универсального решения для новичка без истории нет, поэтому холодный старт закрывают правилами, а не одним алгоритмом: подбор по метаданным курса (уровень, тема, формат), короткий входной опрос о цели ученика при регистрации, и подстраховка через популярность внутри той же группы курсов, пока не накопится собственная история. Без этой подстраховки первые недели каждого потока рекомендатель показывает пустые или случайные подборки именно тогда, когда решается, останется ученик на курсе или нет. Часть недостающих сигналов даёт сама учебная траектория: адаптивные обучающие системы собирают модель знаний ученика уже по первым заданиям, и рекомендателю есть на что опереться до накопления истории кликов.
Отсюда и вторая практическая деталь: нагрузка на модуль рекомендаций не равномерна. Основной всплеск приходится на начало потока, когда все новички регистрируются почти одновременно, и на дни перед контрольными точками, когда ученики массово запрашивают повторение слабых тем. Мы наблюдали похожий эффект масштаба на Школарли: платформа держит 2000+ студентов в одной сессии, и именно на таком масштабе видно, что рекомендатель, спроектированный на средний трафик за месяц, а не на пиковую нагрузку перед контрольной неделей, начинает захлёбываться в самый неподходящий момент.
Что требует закон
Рекомендательный модуль строится на данных о поведении ученика: какие курсы он открывал, где застревал, что пропускал. Это персональные данные, и по 152-ФЗ базы с ними размещаются на серверах в России. Если рекомендательная логика опирается на профилирование ученика для принятия решений о его обучении, стоит заранее продумать, как объяснить эту логику при проверке и как выгрузить или удалить историю рекомендаций конкретного ученика по запросу.
Для несовершеннолетних учеников согласие на обработку данных об их успеваемости и поведении на платформе даёт законный представитель, и это стоит закладывать в регистрацию сразу, а не достраивать потом. Для вуза дополнительно действует 273-ФЗ «Об образовании»: результаты работы рекомендательного модуля, которые влияют на индивидуальную траекторию ученика, должны попадать в ту же систему учёта, что и обычная успеваемость.
Для тех, кто планирует поставлять платформу с таким модулем вузам или государственным учреждениям, отдельный вопрос: реестр отечественного ПО Минцифры даёт право на госзакупки и льготу по НДС, а свидетельство Роспатента на программу для ЭВМ подтверждает только исключительные права и ни того ни другого не даёт.
Фора Софт в реестре отечественного ПО, реестровая запись № 21522.
Пять ошибок, которые потом переделывают
Оптимизация под клики вместо завершения курса: рекомендатель хорошо выглядит в метриках вовлечённости и одновременно снижает долю тех, кто дошёл до конца программы. Отсутствие подстраховки для холодного старта: без неё каждый новый поток начинается с пустых рекомендаций. Игнорирование порядка курсов и предпосылок: рекомендатель предлагает продвинутый материал раньше базового просто потому, что его чаще открывают. Доверие только офлайн-метрикам вроде точности предсказания без реального A/B-теста на живых учениках: модель может выигрывать по метрике и одновременно проигрывать по завершаемости курса. Юридический слой, добавленный после запуска: перепроектировать хранение данных об учениках и логику согласия задним числом стоит намного дороже, чем заложить требования 152-ФЗ на этапе архитектуры.
Сколько стоит разработка
Разработка платформы онлайн-обучения начинается от 400 000 ₽. В эту сумму входит рабочая база: курсы, личные кабинеты, учёт прогресса и результатов. Модуль рекомендаций это надстройка сверху, и её цена зависит от того, сколько курсов и веток последовательности он должен учитывать и насколько глубокой должна быть персонализация внутри уже пройденного материала.
Список желаемых функций для оценки почти ничего не даёт, поэтому мы считаем иначе: описание требований, архитектуру и смету отдаём за 24 часа. План MVP, аудит кода и аудит архитектуры делаем бесплатно, за 3 рабочих дня.
В команде 50 специалистов в штате, без субподряда, а собственный процесс агентной разработки ускоряет такие проекты в 4-10 раз по сравнению с традиционным подходом, но под контролем ведущих инженеров. Видео и аудио занимаемся с 2005 года, за это время сделали 250+ проектов, включая заказчиков из 17+ стран.
Частые вопросы
Чем рекомендатель курсов отличается от рекомендаций в стриминге или ритейле?
Учётом холодного старта как постоянного, а не редкого случая, обязательным уважением к порядку и предпосылкам курсов, и метрикой успеха: завершаемость курса и результат теста, а не клики и время в приложении.
Можно ли обойтись без рекомендательного модуля вообще?
Да, если курсов немного и учеников мало: кураторский список "что дальше" от методиста работает не хуже алгоритма. Модуль оправдан, когда каталог курсов и число учеников достаточно большие, чтобы ручная кураторская работа не успевала.
Как решается холодный старт для новых учеников?
Комбинацией: подбор по метаданным курса, короткий входной опрос о цели ученика и подстраховка через популярность внутри той же группы курсов, пока не накопится собственная история поведения.
Нужно ли согласие на обработку данных для рекомендательного модуля несовершеннолетних учеников?
Да. Раз модуль анализирует поведение и успеваемость ученика, согласие на обработку этих данных даёт законный представитель, если ученик не достиг полной дееспособности.
Сколько времени занимает разработка такого модуля?
Зависит от числа курсов и веток последовательности, которые нужно учитывать, и от глубины персонализации внутри пройденного материала. Модуль с базовым подбором по метаданным собирается заметно быстрее, чем персонализация на основе полной истории прогресса каждого ученика.
Если нужна e-learning-платформа с рекомендациями курсов и размещением данных в России, расскажите задачу, и мы вернёмся с архитектурой и сметой за 24 часа.
