МОДУЛЬ ИНТЕРВАЛЬНОГО ПОВТОРЕНИЯ В LMS НА ОСНОВЕ АНАЛИЗА ОШИБОК, ЦЕЛЕВЫХ ПОДСКАЗОК И ОБЪЯСНИМОГО ПЛАНИРОВАНИЯ

АННОТАЦИЯ

В статье рассматривается модуль интервального повторения, разработанный как часть системы управления обучением для персонализированного закрепления и запоминания учебного материала. Научная новизна подхода заключается в объединении в одном контуре нескольких механизмов, которые в существующих решениях зачастую рассматриваются раздельно: планирования повторений, анализа повторяемых ошибок, учета уверенности ответа, автоматического выбора целевых подсказок и объяснимой фиксации причин каждого решения.

Ключевые слова: интервальное повторение, система управления обучением, анализ ошибок, персонализация обучения, целевые подсказки, моделирование обучающегося, объяснимый алгоритм, knowledge tracing.

Введение

Проблема долговременного удержания учебного материала в головах ученика остается одной из центральных для цифрового обучения. Наличие электронного курса, банка заданий и автоматической проверки не гарантирует, что знание будет восстановлено через какое-то время. Классические исследования забывания и распределенной практики показывают, что эффект обучения существенно зависит от момента повторного обращения к материалу и от того, организовано ли обучение как активное извлечение, а не как пассивное перечитывание [1-3]. Поэтому в современных образовательных средах особую значимость приобретают механизмы интервального повторения, способные выбирать время следующего вмешательства на основе истории взаимодействия пользователя с системой [5; 12; 13].

Анализ существующих решений

Сопоставление с доступными зарубежными и российскими платформами показывает, что большинство известных решений закрывают лишь часть требуемой функциональности. Сервисы, ориентированные на собственно интервальное повторение, как правило, демонстрируют сильную retention-механику, но при этом плохо раскрывают анализ ошибок, логику выдачи подсказок и правила встроенной адаптации. Напротив, интеллектуальные обучающие системы, специализирующиеся на диагностике и scaffolding, хорошо работают по линии "ошибка - подсказка - восстановление", но не всегда содержат самостоятельный планировщик повторений как долговременный механизм удержания знаний.

Материалы и методы

Теоретической базой разработки послужили исследования по распределенной практике, knowledge tracing, Performance Factors Analysis, формирующей обратной связи и data-driven подсказкам [2; 6-9]. При проектировании модуля использован принцип объединения продуктового и исследовательского контуров. Продуктовый контур отвечает за работу с реальными сценариями повторения в LMS: формирование очереди на повторение, запуск сессии, регистрацию попыток, построение расписаний и отображение слабых тем. Исследовательский контур предназначен для воспроизводимой сравнительной проверки стратегий и включает генерацию синтетических наборов данных, прогон политик на этих данных, replay исторических попыток и формирование отчетов по метрикам качества.

Архитектура модуля

Ключевым объектом проектирования является состояние обучающегося по компоненту знаний. В программной реализации оно хранится как набор показателей masteryScore, retentionScore, confidenceScore, stabilityScore, hintDependencyScore и repeatErrorCount, дополненных счетчиками последовательных успехов и неудач. Такое представление опирается на идеи вероятностного моделирования освоения и одновременно остается интерпретируемым для прикладной аналитики [6; 7]. В отличие от минималистичного подхода, где решение о повторении выводится только из последнего ответа, предложенная модель позволяет учитывать накопительную историю взаимодействия: уверенность, устойчивость воспроизведения, зависимость от подсказок и повторяемость ошибок.

Механизм принятия решений

В реализованном модуле используются три базовых класса расписаний: восстановление, закрепление и поддержание. Режим восстановления назначается после ошибки, режим закрепления - после правильного, но неуверенного ответа, а режим поддержания - после устойчивого успешного воспроизведения. Базовые интервалы составляют соответственно 24, 72 и 168 часов. Такая градация соотносится с логикой интервального повторения, при которой реакция на ошибку должна быть быстрее, чем реакция на успешное воспроизведение [2; 5; 12]. При этом интервал не является фиксированным: он сокращается при устойчивых повторных ошибках и низкой стабильности, а приоритет постановки в очередь рассчитывается как агрегат нескольких давлений состояния.

В аналитическом виде приоритет можно записать как P = b_k + 0,08F_c + 0,06F_r + 0,35(1-M) + 0,25(1-R) + 0,15(1-C) + 0,10H, где b_k задается классом расписания, F_c - число последовательных неудач, F_r - повторяемость ошибки, M - уровень освоения, R - показатель удержания, C - уверенность воспроизведения, H - зависимость от подсказок. Такая формула не претендует на универсальность, но обеспечивает важный для прикладной системы компромисс между простотой объяснения и учетом нескольких признаков риска. По существу, это explainable policy engine, в котором вклад каждого фактора может быть интерпретирован отдельно и отражен в decision trace. Подобная архитектура соответствует современным требованиям к объяснимости образовательных интеллектуальных инструментов [11].

Механизм целевых подсказок

Отдельной особенностью модуля является то, что подсказка рассматривается не как декоративный элемент интерфейса, а как часть политики помощи. Начальный выбор подсказки выполняется по слабейшему компоненту знаний и опирается на тип сигнала. Если у обучающегося накопились повторные ошибки, назначается корректирующая подсказка; если обнаружена длительная неактивность или систематически низкая уверенность, выбирается процедурная подсказка; в остальных случаях применяется концептуальная подсказка. Тем самым поддержка связывается не только с содержанием задания, но и с динамикой предшествующего обучения.

Заключение

Разработанный модуль интервального повторения демонстрирует, что персонализация в LMS может быть реализована как объяснимый и исследуемый процесс. Сильной стороной решения является объединение нескольких уровней адаптации: выбора интервала, учета типа ошибки, анализа уверенности, подбора целевой подсказки и накопления трасс решений для последующей аналитики. Полученные экспериментальные результаты на синтетических сценариях показывают перспективность диагностической стратегии по сравнению с фиксированным baseline и SM-2. На текущем этапе модуль можно рассматривать как содержательно сильную и научно обоснованную основу для системы персонализированного запоминания учебного материала с целевыми подсказками и интервальными повторениями на основе анализа ошибок.

Список литературы:

1. Ebbinghaus H. Memory: A Contribution to Experimental Psychology. New York: Teachers College, Columbia University, 1913.
2. Cepeda N. J., Pashler H., Vul E., Wixted J. T., Rohrer D. Distributed Practice in Verbal Recall Tasks: A Review and Quantitative Synthesis // Psychological Bulletin. 2006. Vol. 132. No. 3. P. 354-380.
3. Roediger H. L., Karpicke J. D. Test-Enhanced Learning // Psychological Science. 2006. Vol. 17. No. 3. P. 249-255.
4. Босов А. В., Мартюшова Я. Г., Наумов А. В., Сапунова А. П. Байесовский подход к построению индивидуальной траектории пользователя в системе дистанционного обучения // Информатика и ее применения. 2020. Т. 14. No. 3. С. 86-93.
5. Михайлов И. Э., Балакшин П. В. Метод модификации последовательности интервального повторения, основанный на активности пользователя в сети Интернет // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19. No. 4. С. 689-696.
6. Corbett A. T., Anderson J. R. Knowledge tracing: Modeling the acquisition of procedural knowledge // User Modeling and User-Adapted Interaction. 1994. Vol. 4. No. 4. P. 253-278.
7. Pavlik P., Cen H., Koedinger K. Performance factors analysis - A new alternative to knowledge tracing // Frontiers in Artificial Intelligence and Applications. 2009. Vol. 200. P. 531-538.
8. Shute V. J. Focus on Formative Feedback // Review of Educational Research. 2008. Vol. 78. No. 1. P. 153-189.
9. Rivers K., Koedinger K. Data-Driven Hint Generation in Vast Solution Spaces: a Self-Improving Python Programming Tutor // International Journal of Artificial Intelligence in Education. 2017. Vol. 27. No. 1. P. 37-64.
10. Siemens G., Baker R. S. J. d. Learning analytics and educational data mining: Towards communication and collaboration // Proceedings of the 2nd International Conference on Learning Analytics and Knowledge. 2012. P. 252-254.
11. Khosravi H., Shum S. B., Chen G., Conati C., Tsai Y. S., Kay J. Explainable Artificial Intelligence in education // Computers and Education: Artificial Intelligence. 2022. Vol. 3. Article 100074.
12. Tabibian B., Upadhyay U., De A., Zarezade A., Scholkopf B., Gomez-Rodriguez M. Enhancing human learning via spaced repetition optimization // Proceedings of the National Academy of Sciences. 2019. Vol. 116. No. 10. P. 3988-3993.
13. Settles B., Meeder B. A Trainable Spaced Repetition Model for Language Learning // Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics. 2016. P. 1848-1858.
14. Латыпова В. А. Концепция управления процессом дистанционного автоматизированного обучения при решении сложных открытых задач с использованием банка ошибок // Моделирование, оптимизация и информационные технологии. 2019. Т. 7. No. 3.
15. Kulik J. A., Fletcher J. D. Effectiveness of Intelligent Tutoring Systems: A Meta-Analytic Review // Review of Educational Research. 2016. Vol. 86. No. 1. P. 42-78.