Телеграм канал «Лаборатория онлайн-обучения»

Анализируя пользовательские предпочтения, всё чаще наблюдаю за новой моделью, где люди учатся вместе с ИИ. «Учиться вместе» означает, что ИИ выступает только как интеллектуальный партнёр: где-то помогает рефлексировать, где-то направляет, структурирует, задаёт наводящие вопросы, а если задача сложная — помогает разбить её на шаги. И здесь возникает интересный философско-педагогический вопрос: можно ли в этой парадигме называть таких людей самоучками (автодидактами)❓И почему

Методические и методологические ошибки при проектировании учебных программ. Это разные вещи, которые на практике путают. Хочу показать вам небольшой фрагмент последнего эфира — он отлично ложится в тему моего нового курса «Задача. Опыт. Результат». А с какими ошибками вы сталкиваетесь чаще ❓

Завершающая фаза Друзья, разработка курса по проектированию моделей учебных программ почти завершена. Осталось доработать методические артефакты, сайт и провести тестирование курса «глазами студента». Кстати, вчера созванивались с методистом курса. Пришли к мнению, что было действительно интересно проектировать сам курс: в процессе возникали ценные инсайты как с методической, так и с продуктовой точки зрения. Этот опыт помог прокачать насмотренность не только в части содержания, но и в выстраивании логики образовательного опыта. Поэтому вижу двойную пользу для профессионалов, которые придут учиться. А в целом, стараюсь не загружать наш канал ежедневными отчетами по разработке 😊 Вся живая и полезная информация рождается и мгновенно появляется именно в чате курса. Информацию о старте продаж первыми узнают именно участники чата. Там будет и специальные условия, и раннее бронирование. Поэтому рекомендую заранее к нему 👉🏼 присоединиться

🎓 Производим контент или изменения? Одна из самых парадоксальных вещей, которую вижу в консалтинге выглядит так: чем больше мы производим контента, тем слабее иногда оказывается эффект для обучающихся. Вроде бы всё на месте — видео, лонгриды, тесты, методические материалы и т.д. Но если измерять не объём контента, а изменение в мышлении и действиях обучающегося, то результат часто оказывается скромным. Контент легко считать и объяснять перед заказчиком: минуты, страницы, количество занятий и т.д. А вот изменения сложнее: оно выражается в мышлении и поведении. Поэтому классический подход обратного дизайна (backward design) в этом случае становится эффективным инструментом. Иными словами, начинайте не с того, чему учить, а с того, какой образовательный результат должен появиться. Причём на старте полезно формулировать его не в микродеталях, а верхнеуровнево — это снижает риск «сочинить красивую учебную программу». Примечание: обратный дизайн работает не всегда, есть темы, в которых он недостаточно эффективен, например, исследовательские темы, обучение софтам, художественные практики, личностные и ценностные изменения и так далее, частично коснёмся этой темы в моём будущем курсе Что ценного вижу на практике. Когда методист сначала спроектировал образовательные результаты, то он может скорректировать трудозатраты эксперта, у которого изначально своё понимание объёма в контенте и который может производить его больше, чем нужно для целевой аудитории обучающихся. А в случае с обратным дизайном мы ориентируемся на изменения в результатах, а не на объёмах. Таким образом, у методиста появляется возможность сфокусироваться на глубине контента. 💭 Кстати, очередная демонстрация того, как научный подход (в данном случае правильно подобранная модель педагогического дизайна) экономит ресурсы на проектах

«Фича ради фичи?» Как научный подход помогает разработчикам образовательных платформ С начала этого года усиляю насмотренность в EdTech. Причём мне становится интересно не просто следить за трендами, а изучать научную методологию и её влияние на образовательные метрики. Что замечаю: на фоне хайпа вокруг ИИ логика разработчиков образовательных платформ часто уходит в сторону «умных» фич. Но я стараюсь смотреть глубже — не «фича ради фичи», а как технология с научной точки зрения помогает достигать образовательных целей. Для понимания приведу наглядный кейс, где ИИ работает не просто как игрушка, а инструмент, масштабирующий научные подходы. Проблема классического домашнего задания в онлайн-школе — оценка приходит поздно, а персонального разбора ошибок для каждого нет, т.к. это высокие трудозатраты. Платформы вроде ALEKS анализируют ход решения обучающегося (предметы разные: от математики до химии). При ошибке — не показывается ответ, а задаётся наводящий вопрос, устраняя конкретный пробел. Научные подходы (evidence-based learning). Педагогическая рамка: «зона ближайшего развития» Выготского и принцип формирующего оценивания. Психометрическая рамка: как указывают разработчики Sophisticated Mathematical Cognitive Science: Knowledge Space Theory. Если упрощенно, то используется математическая теория, чтобы определить, какие знания у обучающегося уже есть и какие он способен усвоить дальше, и обучать его в логически оптимальной последовательности. Как мы видим, на начальном этапе существует педагогическая рамка (что это) и математическая рамка (как внедрить на практику). Далее уже вышеуказанный научный подход упаковывается в ТЗ для разработчиков платформы. Причём фичи у платформы разные. Но в основе них лежит научный подход. Не разработчик платформы инициирует фичи, а те, кто связан с наукой. 📖 Вывод Разные фичи можно использовать, обосновывая их через научную призму. В таком случае с одной стороны у нас работает evidence-based learning, с другой — data-based learning (говорил о различиях на эфире). Когда они встречаются, то получается оценить реальную эффективность той или иной фичи, опираясь на образовательные метрики. 💭 Если вам (или вашим коллегам) интересно посотрудничать во внедрении новых фич в образовательные решения с научным подходом и оценкой влияния на образовательные метрики, а не «для галочки», пишите мне 👉🏼 в личные сообщения, посотрудничаем

«Фича ради фичи?» Как научный подход помогает разработчикам образовательных платформ С начала этого года усиляю насмотренность в EdTech. Причём мне становится интересно не просто следить за трендами, а изучать научную методологию и её влияние на образовательные метрики. Что замечаю: на фоне хайпа вокруг ИИ логика разработчиков образовательных платформ часто уходит в сторону «умных» фич. Но я стараюсь смотреть глубже — не «фича ради фичи», а как технология с научной точки зрения помогает достигать образовательных целей. Для понимания приведу наглядный кейс, где ИИ работает не просто как игрушка, а инструмент, масштабирующий научные подходы. Проблема классического домашнего задания в онлайн-школе — оценка приходит поздно, а персонального разбора ошибок для каждого нет, т.к. это высокие трудозатраты. Платформы вроде ALEKS анализируют ход решения обучающегося (предметы разные: от математики до химии). При ошибке — не показывается ответ, а задаётся наводящий вопрос, устраняя конкретный пробел. Научные подходы (evidence-based learning). Педагогическая рамка: «зона ближайшего развития» Выготского и принцип формирующего оценивания. Психометрическая рамка: как указывают разработчики Sophisticated Mathematical Cognitive Science: Knowledge Space Theory. Если упрощенно, то используется математическая теория, чтобы определить, какие знания у обучающегося уже есть и какие он способен усвоить дальше, и обучать его в логически оптимальной последовательности. Как мы видим, на начальном этапе существует педагогическая рамка (что это) и математическая рамка (как внедрить на практику). Далее уже вышеуказанный научный подход упаковывается в ТЗ для разработчиков платформы. Причём фичи у платформы разные. Но в основе них лежит научный подход. Не разработчик платформы инициирует фичи, а те, кто связан с наукой. 📖 Вывод Разные фичи можно использовать, обосновывая их через научную призму. В таком случае с одной стороны у нас работает evidence-based learning, с другой — data-based learning (говорил о различиях на эфире). Когда они встречаются, то получается оценить реальную эффективность той или иной фичи, опираясь на образовательные метрики. 💭 Если вам (или вашим коллегам) интересно посотрудничать во внедрении новых фич в образовательные решения с научным подходом и оценкой влияния на образовательные метрики, а не «для галочки», пишите мне 👉🏼 в личные сообщения, посотрудничаем

«Фича ради фичи?» Как научный подход помогает разработчикам образовательных платформ С начала этого года усиляю насмотренность в EdTech. Причём мне становится интересно не просто следить за трендами, а изучать научную методологию и её влияние на образовательные метрики. Что замечаю: на фоне хайпа вокруг ИИ логика разработчиков образовательных платформ часто уходит в сторону «умных» фич. Но я стараюсь смотреть глубже — не «фича ради фичи», а как технология с научной точки зрения помогает достигать образовательных целей. Для понимания приведу наглядный кейс, где ИИ работает не просто как игрушка, а инструмент, масштабирующий научные подходы. Проблема классического домашнего задания в онлайн-школе — оценка приходит поздно, а персонального разбора ошибок для каждого нет, т.к. это высокие трудозатраты. Платформы вроде ALEKS анализируют ход решения обучающегося (предметы разные: от математики до химии). При ошибке — не показывается ответ, а задаётся наводящий вопрос, устраняя конкретный пробел. Научные подходы (evidence-based learning). Педагогическая рамка: «зона ближайшего развития» Выготского и принцип формирующего оценивания. Психометрическая рамка: как указывают разработчики Sophisticated Mathematical Cognitive Science: Knowledge Space Theory. Если упрощенно, то используется математическая теория, чтобы определить, какие знания у обучающегося уже есть и какие он способен усвоить дальше, и обучать его в логически оптимальной последовательности. Как мы видим, на начальном этапе существует педагогическая рамка (что это) и математическая рамка (как внедрить на практику). Далее уже вышеуказанный научный подход упаковывается в ТЗ для разработчиков платформы. Причём фичи у платформы разные. Но в основе них лежит научный подход. Не разработчик платформы инициирует фичи, а те, кто связан с наукой. 📖 Вывод Разные фичи можно использовать, обосновывая их через научную призму. В таком случае с одной стороны у нас работает evidence-based learning, с другой — data-based learning (говорил о различиях на эфире). Когда они встречаются, то получается оценить реальную эффективность той или иной фичи, опираясь на образовательные метрики. 💭 Если вам (или вашим коллегам) интересно посотрудничать во внедрении новых фич в образовательные решения с научным подходом и оценкой влияния на образовательные метрики, а не «для галочки», пишите мне 👉🏼 в личные сообщения, посотрудничаем