Замечательное выступление от Katie Dill (Head of design @ Stripe), о том как строить с намерением в век ИИ - https://www.youtube.com/watch?v=GLvFTMtw4Jk

Вот так например можно построить программу по Алгебре 9го класса. Вместо классической теоретической программы, которая идет от обьекта к обьекту, мы строим вокруг примеров из реального мира и полностью покрываем все гос стандарты.

Что же в итоге значит «сделать определения навыков явными и проверяемыми»? Коротко: явное - у каждого навыка одно каноническое определение. Проверяемое - каждую часть этого определения можно проверить, и часть проверок делают наши инструменты автоматически. Задача, которую мы решаем в Nebular, - моделировать знания и мастерство ученика согласованно и проверяемо. Начинаем с базовой онтологии, и принцип здесь - «как можно проще»: навыки и пререквизиты. Это минимум, на котором держатся и модель ученика, и дизайн программы. Пример: если ученик уверенно решает системы уравнений, почти наверняка линейные уравнения он уже освоил, и тратить на них вопросы не нужно. А если хотите уйти от стандартной последовательности (project/phenomena-based learning, как в Финляндии), то именно пререквизиты показывают, что новая последовательность корректна. Дальше - каноническая модель навыка. Мы определяем её от части с позиции микрообучения, и у каждого критерия есть проверка: Гранулярность. Навык осваивается за урок в 20–30 минут. Не помещается в урок - значит, его надо дробить. Вариативность. По определению и рубрике можно собрать 4-5 разных шаблонов заданий. Не получается - значит, навык сформулирован плохо. Уникальность. Навык минимально пересекается с другими. «Решить линейное уравнение» и «Решить линейное уравнение с одной переменной» в одном графе - дубль, их сливаем. «Решить графически» - уже другое когнитивное действие, это отдельный навык. Действенность. Есть чёткое действие над объектом предметной области: «сравнить дроби», «решить уравнение». Если нельзя сказать, что именно оцениваем, - навык не готов. Наши инструменты ловят нарушения автоматически: циклы в графе, пересекающиеся навыки, пропущенные пререквизиты, недостающие навыки. Что это даёт: на таком фундаменте сразу работают проверенные алгоритмы. Освоение можно оценить по небольшому числу ответов (dynamic bayesian networks), а программу - выстроить автоматически (топологическая сортировка с учётом кластеров). Следующий шаг - расширять онтологию по фреймворку KLI и добавлять связи вроде generalizes_to. Эта тема заслуживает отдельную серию постов.