Education AI которому доверяет
и учитель, и родитель, и регулятор

Adaptive Learning

Персонализированные пути обучения, обоснованные данными.

• Knowledge tracing на ученика
• Item-response theory обоснованная сложность
• Mastery-based progression
• Teacher dashboard с reasoning

RAG Tutor

Q&A тьютор над вашими учебниками и curriculum, с цитированием.

• Цитирование до исходной страницы
• Curriculum-bounded ответы (без off-topic)
• Multi-language (RU / EN / HE)
• Teacher-tunable answer-strictness

Auto-Grading

Эссе, краткие ответы и код с rubric explanations.

• Per-rubric-dimension scores
• Inter-rater agreement reported
• Plagiarism / AI-generation detection
• Teacher override + feedback loop

Dropout Prediction

Early-warning система для at-risk учеников.

• Multi-signal модель (посещаемость, оценки, engagement)
• SHAP explanations на ученика
• Мониторинг bias по cohort
• Интеграция с counsellor workflow

Student Privacy

FERPA + COPPA + 152-ФЗ соответствие end-to-end.

• PII редактирование на RAG retrieval
• Workflow родительского согласия
• Право на удаление + portability
• Контроль локализации данных

Model Governance

Документация, мониторинг и аудит каждой production-модели.

• Model registry на курс / cohort
• Drift detection по engagement сигналам
• Champion / Challenger A/B
• Reportable bias monitoring

РФ: 152-ФЗ (категория - дети), 273-ФЗ об образовании

152-ФЗ - данные о несовершеннолетних, повышенные требования к согласию, 273-ФЗ об образовании, требования Минпросвещения по цифровым образовательным сервисам, безопасность по ФСТЭК.

ЕС: GDPR Article 8 (дети), EU AI Act, eIDAS

GDPR Article 8 - специальная защита несовершеннолетних, EU AI Act Annex III - high-risk классификация для образовательного AI, eIDAS для credentials и квалификаций.

США: FERPA, COPPA, state-level AI laws

FERPA (Family Educational Rights and Privacy Act), COPPA для лиц до 13, IL Student Online Personal Information Protection Act (SOPIPA), растущая state-level AI-in-schools регуляция.

Результаты адаптивного обучения

Что показывает индустрия: Adaptive learning системы с knowledge-tracing показывают 0.3-0.5 effect-size improvement на стандартизированных assessments vs uniform pacing (US DoE What Works Clearinghouse 2024).

Где входим мы: Knowledge tracing на ученика, item-response-theory обоснованная сложность, mastery-based progression, teacher dashboard с model reasoning - чтобы учитель мог override'ить.

• Knowledge tracing на ученика
• IRT-обоснованная сложность (не heuristics)
• Mastery-based progression с teacher override
• Teacher dashboard с model reasoning

Auto-grading inter-rater agreement

Что показывает индустрия: Per-rubric-dimension auto-grading показывает 0.80+ Cohen's kappa с human graders на эссе при калибровке на локальный rubric (ETS research 2024).

Где входим мы: Per-rubric-dimension scores, inter-rater agreement reported, plagiarism / AI-generation detection, teacher override + feedback loop - калибровка под ВАШ rubric, не vendor benchmark.

• Per-rubric-dimension scores (не single grade)
• Inter-rater agreement reported по cohort
• Plagiarism + AI-generation detection
• Teacher override feeds back в модель

Dropout prediction

Что показывает индустрия: Multi-signal dropout-prediction модели достигают 0.80+ AUC для at-risk учеников к 6-й неделе семестра при комбинации attendance + grade + engagement сигналов (Educause 2024).

Где входим мы: Multi-signal модель (attendance, grades, engagement), SHAP explanations на ученика, мониторинг bias по cohort, интеграция с counsellor workflow - actionable, не just predictive.

• Multi-signal модель (не только attendance)
• SHAP explanations на ученика
• Мониторинг bias по cohort
• Интеграция с counsellor workflow