Да здравствует теория!
Продолжаю тестировать тренажеры в GPT. На скрине тот, который помогает с учебной аналитикой.
💭 В процессе обучения заметил интересную вещь.
Если теоретическая база предварительно верифицирована, нейросеть уже способна закрывать значительную часть работы с теорией. Причём основное преимущество вижу именно в персонализации такой теории.
Например, в моём тренажере нейросеть сперва диагностирует мои пробелы и определяет, какие зоны требуют развития. Затем подбирает теорию под выявленные дефициты, предлагает задания для закрепления, проверяет понимание через тесты и после этого даёт реальные кейсы, в которых необходимо применить изученную теорию.
Если проблема сохраняется, к теме можно вернуться ещё раз. Если материал освоен, нейросеть переходит к следующему теоретическому модулю.
Получается последовательность диагностика → теория → проверка → практика → повторная диагностика. То есть траектория постепенно формируется вокруг конкретных дефицитов.
На мой взгляд, именно в этом заключается одна из наиболее сильных возможностей нейросетевых тренажёров.
Причём мне не обязательно одинаково глубоко проходить темы, которые я уже знаю, и темы, в которых есть пробелы. Например, тему с диагностикой проблемы заказчика я прошёл с нейросетью довольно быстро.
Для традиционного учебного курса подобный уровень вариативности будет дорогим (очень дорогим). Нужно заранее разработать множество версий объяснений, заданий и кейсов под разные ниши, уровни подготовки и т.д.
Нейросеть генерирует эту вариативность непосредственно в процессе обучения. И за считанные секунды. Единственное — рекомендую нейросеть усилять моим фреймворком по разработке кейсовых заданий.
Поэтому в части освоения и закрепления теории нейросетевой тренажёр уже вполне способен конкурировать с обычной лекцией. Причём отдельных случаях он может оказаться эффективнее именно за счёт постоянной адаптации материала.
· 04.10
С обычной лекцией уже может конкурировать почти всё, что ей не является. :)
Я сейчас делаю интерактивные учебные модули и тренажёры и стараюсь не тащить нейросеть в каждый шаг.
Если каждый раз отдавать ей диагностику, подбор теории, генерацию заданий, проверку и следующую итерацию, на масштабе это быстро становится дорогим. И дело не только в токенах, ещё в стабильности проверки.
Многое вполне решается самим движком: хорошо продуманным критериальным оцениванием, ветвлением по типам ошибок, банком заданий и понятными условиями перехода дальше.
А нейросеть я бы оставляла там, где без неё действительно хуже: открытые ответы, нестандартные ошибки, персонализированное объяснение.
Мне сейчас больше нравится гибридный вариант: основную учебную логику держит движок, а ИИ подключается точечно. Так и дешевле, и контролировать проще.
Проверенно на естественных науках, а в них разработка сложнее гуманитарных.
0
ответить
коммент скрыт — часть юзеров считает его токсичным или некорректным
коммент удалён
· 06.10
Да, в вашем случае нужно экономику считать. В моём нет ограничений по токенам, так как собираю проекты под свое обучение и конкретные задачи. Результат удовлетворительный. Минимум месяц на обкатку, так как я очень требовательный к тому, что под капотом предлагаемого текста ИИ.
0
ответить
коммент скрыт — часть юзеров считает его токсичным или некорректным
ответ удалён
· 06.10
Просто мой опыт показывает, что на текущий момент генеративный ИИ - это игрушка, в которую легко разработчику заиграться, если не опираться на то, чему мы хотим в итоге научить. Так как порой решение может быть дешевле, чем нам кажется. И нейронку даже не придется подключать.
0
ответить
коммент скрыт — часть юзеров считает его токсичным или некорректным
ответ удалён
· 06.10
По поводу лекций, кстати, считаю, что она как способ быстро сформировать фундаментальные основы темы никуда не исчезает.
Достаточно взять какой-нибудь вводный курс, например, введение в новую научную дисциплину, в ту же квантовую механику или историю и философию науки.
0
ответить
коммент скрыт — часть юзеров считает его токсичным или некорректным
ответ удалён