От индивидуализации к персонализации образования: теоретические аспекты и практика реализации на основе решений искусственного интеллекта

                                               ISSN 1991-9468 (Print),

EDN:

E. A. Samokhvalova a, I. B. Gosudarev c a Moscow Pedagogical State University, Moscow, Russian Federation, b Federal State University of Education, Moscow, Russian Federation c ITMO University,

Saint-Petersburg, Russian Federation, H

Современное образование вступило в этап своей цифровой трансформации, вызванной стремительным ростом возможностей цифровых технологий, включая инструменты искусственного интеллекта (ИИ). Одной из важнейших особенностей модернизации образования на данном этапе является переход от индивидуализации обучения к его персонализации. Указанные понятия базируются на адаптации образовательного процесса с учетом личных особенностей учащихся, однако их содержательные акценты различны. Индивидуализация обучения традиционно понимается как персонализированный подход педагога к ученику с сохранением единых целей обучения для всей группы (например, класса). В свою очередь, персонализация подразумевает смещение центра образовательного процесса к самому обучающемуся, отводя ему активную роль в построении индивидуальной траектории с возможностью достижения собственных целей обучения.

При индивидуализации педагог дифференцирует достижения общих групповых результатов с опорой на изменение скорости обучения благодаря выбору специальных средств и методов. В то же время персонализация ориентируется на образовательные цели и маршруты обучающихся, согласованные с их интересами и потребностями1.

Смена парадигмы обучения в условиях цифровой трансформации отражает важный философско-педагогический сдвиг: от представления о ребенке как объекте педагогических воздействий – к пониманию его как субъекта, конструирующего свое образование.

Цель исследования – обратить внимание педагогического сообщества на такие ключевые аспекты цифровой трансформации образования, как индивидуализация и персонализация, и обсудить их сходства и различия; акцентировать внимание на особенностях организации индивидуализации и персонализации обучения средствами и технологиями ИИ, опираясь на примеры отечественного и зарубежного школьного и вузовского опыта их реализации в условиях цифровой трансформации.

В данной статье проведен философско-педагогический анализ понятий индивидуализации и персонализации, а также их трансформации под влиянием ИИ; рассмотрена практическая реализация персонализированного подхода с помощью современных ИИ-платформ в России и за рубежом.

Предложенный материал описывает цифровые технологии, демонстрируя методологический потенциал ИИ именно как ресурса – среды для персонализации обучения, и формулирует определенные теоретические основания для дальнейшего изучения вопросов цифрового просвещения в контексте цифровых вызовов современности.

Обзор литературы

В современной научно-методической литературе концепты индивидуализации и персонализации обучения трактуются неоднозначно. В работах зарубежных и российских ученых в области педагогики до сих пор отмечаются определенные теоретические противоречия.

Так, Р. Дж. Кэмпбелл и соавторы констатируют двусмысленность теории и практики персонализированного обучения, характерную для современных условий развития образования Великобритании. Анализируя способы распространения и реализации концепции персонализации в документах, авторы отмечают потерю первоначального акцента на «глубокой» персонализации [1].

В контексте изучения перспектив персонализированного обучения и практических реалий его внедрения в США поднимаются вопросы непреднамеренных последствий и потенциальных рисков, которые могут возникнуть при широком использовании систем и платформ персонализированного обучения на основе ИИ-технологий [2].

В рамках обзора современных научно-педагогических исследований понятий «индивидуализация», «персонализация» и «персонификация» рассматриваются ведущие тренды развития образования в условиях цифровой трансформации XXI в., определяющие направления развития основного общего образования [3], а также высшего и дополнительного профессионального образования в России [4].

Описывая эволюцию педагога в современных условиях цифровизации, ряд ученых акцентируют внимание на новом наборе его компетенций как «ролевом наборе» актуальных составляющих профессионально-педагогической деятельности в условиях персонализированной модели образования с использованием цифровой платформы. Данная модель открывает новые возможности для обучающихся посредством выбора индивидуальных траекторий развития.

Существенный вклад в разрешение выделенных выше противоречий вносит работа Р. Р. Комарова и Т. М. Ковалевой [5]. Авторы предлагают исходить из онтологической трехмерной модели, учитывающей позиции основных субъектов образовательного процесса: учителя, тьютора и наставника. Она отражает смену ролей педагога при переходе от традиционного обучения к индивидуализированному и далее к персонализированному.

В рамках теоретико-педагогической модели организации учебного процесса особое внимание следует уделять факту необходимости новых педагогических ролей и образовательной среды для реализации персонализации обучения. Учитель в классической системе может выступать главным носителем содержания обучения, а тьютор (фасилитатор) при индивидуализации образования сопровождает индивидуальный маршрут обучающегося. В свою очередь, при персонализации обучения наставник создает условия для развития личности обучающегося, помогая построить собственный маршрут обучения в мотивирующем его образовательном пространстве.

С философско-педагогической точки зрения, персонализированный процесс обучения рассматривается чаще всего как пространство развития личности, где обучающийся – ведущий субъект – обладает высокой степенью автономности при построении собственного образовательного пути в мотивирующей его образовательной среде [6]. Однако подобная персонализация отличается от «персонификации в бизнес-контексте» (индивидуального маркетингового таргетирования). В образовании речь идет не об адаптации обучающего контента под потребителя (ученика), а о создании смысловой образовательной среды, в которой раскрывается его личностный потенциал2. Формирование таких «мотивирующих смысловых пространств» – одна из ключевых целей современной образовательной политики, в которой внедрение технологий ИИ в обучение расширяет возможности персонализации образования и трансформирует сами границы этого понятия.

Таким образом, с одной стороны, исследователи (например, М. Н. Айтабае-ва [7]) указывают на образовательный потенциал ИИ-технологий в усилении гибкости и индивидуализации обучения, а с другой – требуется философский анализ степени влияния новой образовательной среды на основе ИИ-технологий на переосмысление взаимодействия между индивидуальным и личностно ориентированным подходами к обучению.

В этом контексте возникают следующие вопросы:

• 1.    Обеспечивает ли массовое внедрение ИИ-технологий достижение подлинной персонализации либо только позволяет фиксировать развитие процесса индивидуализации обучения?

• 2.    Какие методологические основания необходимы для анализа технологий ИИ в качестве компонента новой образовательной среды, имеющей особую архитектуру учебного процесса, основанную в том числе на адаптивных алгоритмах технологий ИИ?

Материалы и методы

Дизайн исследования. Исследование основывается на междисциплинарном подходе, сочетающем философию образования, педагогическую теорию и когнитивные науки, включая цифровую антропологию. Концептуальный анализ выступает в качестве основного метода. Он предполагает уточнение понятий «индивидуализация» и «персонализация» в историко-теоретическом контексте. Особое внимание уделено разграничению этих концептов с точки зрения субъект-объектных отношений, целей и средств обучения, а также роли технологий, прежде всего цифровых. Такой философско-методологический анализ опирается на работы по философии образования и педагогической антропологии, рассматривающие смену традиционной парадигмы обучения на личностно ориентированную [5].

Влияние ИИ-технологий на трансформацию указанных подходов исследовалось с применением методов сравнительного и системного анализа. Выполнен обзор современного состояния практики персонализированного обучения на основе ИИ-систем: проанализированы некоторые популярные зарубежные и российские ведущие платформы, поддерживающие алгоритмы адаптивного обучения.

Отбор данных. Эмпирическую базу исследования составили открытые данные и источники с описанием ИИ-систем и платформ для адаптивного обучения, а также результаты актуальных исследований об эффективности их использования. Эти материалы послужили отправной точкой для систематизации практического опыта работы с подобными ИИ-системами и платформами, а также их сопоставления с предложенными теоретическими рамками.

Сравнительный анализ ИИ-систем и платформ позволил рассмотреть заложенные модели персонализации (адаптация содержания под уровень знаний, учет стиля обучения, эмоциональной обратной связи и др.), роль учащегося и учителя (наставника) при взаимодействии с системой, базовые образовательные цели (единые или вариативные) и степень гибкости персональных образовательных траекторий, достигнутые результаты и эффекты внедрения.

В итоге выявлена степень соответствия реализованных ИИ-решений философско-педагогическим идеалам персонализированного обучения и определены границы между индивидуализацией и персонализацией в условиях современной цифровой образовательной среды. С опорой на теоретическое осмысление персонализации сформулированы выводы и обобщены результаты исследований относительно эффективности существующих ИИ-платформ.

Методы исследования. Методологическая строгость исследования обеспечивается верификацией данных (включая статистические результаты экспериментов) и использованием понятийного аппарата философии образования, педагогики и цифровой дидактики.

Текущие потребности педагогического сообщества в области использования ИИ-решений в образовательной практике выявлялись с помощью эмпирического исследования в формате поперечного анкетирования ( Cross-Sectional Survey ) педагогов и носило описательно-аналитический характер. Анкетирование проводилось в рамках повышения квалификации на базе Московского педагогического государственного университета в период с 6 по 27 октября 2025 г. В выборку вошли 191 респондент – работающие школьные учителя и преподаватели вузов. Участие было добровольным и анонимным; персональные данные, позволяющие идентифицировать участников, не собирались.

Цель анкетирования заключалась в выявлении ведущих сценариев использования ИИ-решений педагогами в профессиональной деятельности, уровня осведомленности о различиях понятий «индивидуализация» и «персонализация», спектра известных и используемых педагогами ИИ-решений и частоты их применения.

Анализ данных. После обработки анкет респонденты были условно распределены на пять групп по ведущему сценарию использования ИИ в профессионально-педагогической деятельности: нормативно-этическое разъяснение – 6 чел. (3 %), коммуникационная площадка – 10 чел. (5 %), подготовка информационно-справочных материалов – 10 чел. (5 %), планирование и проектирование учебных занятий – 76 чел. (40 %), использование в ходе учебных занятий – 89 чел. (47 %).

Результаты опроса показали, что опрошенные не имеют четкого понимания различий между индивидуализацией и персонализацией: эти понятия различают 49 чел. (25 %) и частично разграничивают 57 чел. (30 %); не видят между ними разницы или затрудняются с ответом 85 чел. (45 %).

Среди ИИ-решений и систем, известных респондентам, наиболее часто назывались ЯндексGPT, GigaChat и ChatGPT. Регулярно используют подобные инструменты 46 чел. (24 %), применяют их эпизодически 79 чел. (41 %), знакомы с ними, но не используют 41 чел. (22 %), не знакомы с такими решениями 25 чел. (13 %).

Таким образом, актуальность выбранной проблематики подтверждается потребностями современных педагогов, выявленными в ходе эмпирического исследования.

Результаты исследования

Сходства и различия понятий индивидуализации и персонализации. Анализ современной научно-педагогической литературы показал принципиальное различие индивидуализации и персонализации обучения. Индивидуализация предполагает адаптацию темпа, методов и частично содержания под особенности учащегося с сохранением заданной учебной программы и целей. Обучающийся выступает преимущественно объектом педагогического воздействия, несмотря на движение по учебному маршруту в своем темпе³.

Персонализация, напротив, отводит центральное место индивидуальным целям, интересам и опыту учащегося. Цели обучения могут отличаться, учебные программы гибко формируются под индивидуальные запросы, а ученик становится соавтором собственной образовательной траектории. При индивидуализации ключевую роль в выборе подхода играет учитель, а при персонализации данную роль приобретает наставник (тьютор), направляющий деятельность учащегося.

Таким образом, персонализация требует перехода к субъект-субъектной педагогической парадигме, подразумевающей автономность и личностную вовлеченность обучаемого. В практике образования грань между этими подходами часто размывается. Многие современные системы позиционируются как «персонализированные», однако могут обеспечивать лишь продвинутую индивидуализацию (адаптацию темпа и уровня сложности без изменения целей и активного участия ученика в планировании обучения). Данное исследование стремилось выявить, в какой мере ИИ-технологии позволяют преодолеть ограничения традиционной индивидуализации и приблизиться к идеалу персонализации, определяемому как подлинно личностно ориентированное обучение.

Обзор популярных зарубежных образовательных платформ на основе ИИ-решений. Мировой опыт, описанный в работах китайских коллег [8-10], американских⁴ [11], сербских [12] и тайваньских педагогов [13; 14], демонстрирует активное развитие адаптивных обучающих систем на основе ИИ, каждая из которых реализует свои собственные стратегии персонализации (рис. 1).

Одна из наиболее известных подобных систем – китайская платформа Squirrel AI Learning ⁵, мировой лидер в сфере адаптивного обучения на основе ИИ. Данная система использует собственные алгоритмы для анализа успеваемости и поведения учащихся, а также строит персонализированные учебные маршруты [8]. Ключевая технология Squirrel AI – Intelligent Adaptive Learning System (IALS) – разбивает предметное содержание на «наноэлементы» знания. Высокая точность диагностики пробелов в знаниях и/или понимании материала достигается благодаря алгоритмам платформы, способным выявлять пробелы и адресно подбирать задания для их преодоления.

Р и с. 1. Примеры зарубежных реализаций стратегий персонализации на основе ИИ-систем F i g. 1. Examples of foreign implementations of personalization strategies based on AI systems

Источник : здесь и далее в статье все рисунки составлены авторами.

Source : Hereinafter in this article all figures were drawn up by the authors.

Важной инновацией платформы является «Большая адаптивная модель» ( Large Adaptive Model – LAM) (2024 г.). Это мультиагентная ИИ-система, обученная на данных более 24 млн студентов и 10 млрд обучающих взаимодействий. LAM имитирует адаптивность человеческого мозга, динамически перенастраивая траекторию обучения. По сообщениям разработчиков, применение Squirrel AI позволило улучшить показатели успеваемости обучающихся примерно на 30 % по сравнению с традиционными подходами. Таким образом, ИИ позволяет повысить эффективность обучения за счет глубокой персонификации образовательного контента и маршрутов его освоения⁶ [9].

Американская система Carnegie Learning основана на исследованиях Университета Карнеги; ориентирована на общеобразовательную школу (K-12) и сочетает принципы когнитивной науки с адаптивными технологиями обучения⁷ [11]. В основе платформы - технологии Intelligent Tutoring Systems (ITS), имитирующие работу персонального репетитора. Система отслеживает ход решения задач учеником, предоставляет подсказки и оперативную обратную связь, реализуя тем самым персонализированное обучение в режиме реального времени. Интеграция педагогических данных позволяет учителю осуществлять мониторинг стиля обучения каждого ребенка и адресно вмешиваться при затруднениях. По итогам использования системы отмечается значительное улучшение результатов по математике и повышение вовлеченности учащихся в процесс обучения.

Знаковым проектом в сфере адаптивного обучения стала платформа Knewton Adaptive Learning8. Она одной из первых предложила универсальный механизм персонализации, который могут использовать создатели образовательного контента [12]. В отличие от систем с готовыми учебными курсами, Knewton Adaptive Learning предоставляет программный каркас (среду разработки) для создания персонализированного контента с алгоритмами, инструментами и системами обеспечения персонализации обучения, что дает возможность сосредоточиться непосредственно на процессе обучения, а не на базовых задачах его обеспечения. Теоретическую базу составляют модели психометрии и машинного обучения: теория ответа на задание Item Response Theory (IRT) (оценка способностей ученика по паттерну ответов), вероятностные графические модели (учет сложных зависимостей между знаниями) и методы кластеризации (группировка схожих профилей учащихся). В результате строится динамический профиль учащегося, и на его основе подбирается оптимальный фрагмент учебного материала. Появление этой платформы задало ориентиры для последующих образовательных ИИ-систем, продемонстрировав архитектуру персонализации, отделенную от конкретного предметного содержания.

Помимо коммерческих платформ, большой интерес представляют научные исследования, подтверждающие эффективность персонализации на основе ИИ-систем и технологий. Так, китайские исследователи оценивали влияние персонализированной обучающей платформы на основе ИИ на успехи студентов-медиков [10]. В рамках рандомизированного контролируемого испытания экспериментальная группа обучалась 12 недель с использованием ИИ-платформы (динамически оптимизирующей учебный путь на основе регулярных диагностических тестов, распознавания эмоций и интеллектуальных рекомендаций ресурсов), а контрольная – традиционно. По итогам пост-теста по 100-балльной шкале наблюдается статистически значимое превосходство экспериментальной группы (средний балл составил 84,47 ± 3,48) над контрольной (81,72 ± 4,37), что свидетельствует о существенном улучшении академической успеваемости. Возросла учебная активность обучающихся: средняя продолжительность самостоятельного обучения в день увеличилась

(49,25 против 34,80 мин.). Отмечены эффекты, связанные с глубиной обучения: объем чтения научной литературы вырос почти в 1,5 раза, а показатели самостоятельной познавательной деятельности студентов коррелируют с успеваемостью. Авторы делают вывод о способности ИИ-платформ персонализированного обучения одновременно повышать академические результаты, удовлетворенность обучением и навыки автономного учения студентов-медиков. Эмпирически подтверждается потенциал ИИ в обеспечении преимуществ, которые призвана обеспечить персонализация: более высокие результаты за счет учета индивидуальных потребностей и обеспечения самостоятельности студентов.

Ученые из Тайваня разработали систему Adaptive Learning Path Navigation (ALPN) [13]. Система базируется на сочетании модели Attentive Knowledge Tracing (AKT) для оценки текущего состояния знаний учащегося и встроенного специального алгоритма усиленного обучения Entropy-Enhanced Proximal Policy Optimization (EPPO), позволяющего оптимизировать подбор и рекомендовать учебные материалы. Основная задача АКТ – прогнозировать успешное выполнение задания, основываясь на истории ответов учащегося. При этом EPPO представляет собой усовершенствованную версию популярного алгоритма обучения с подкреплением.

Система ALPN «отслеживает» освоение тем учеником и выбирает следующий шаг траектории для максимизации прироста знаний. Результаты эксперимента показали превосходство ALPN над предыдущими адаптивными подходами: улучшение учебных результатов примерно на 8 % и большее разнообразие построенных обучающих траекторий (10 %). Повышение вариативности маршрутов свидетельствует о подборе системой более дифференцированных путей обучения для учащихся, приближаясь тем самым к идее уникального индивидуального маршрута – центральной идее персонализации обучения. Таким образом, демонстрируется слияние ИИ и методов обучения с подкреплением ( Reinforcement

Learning (RL)) при создании высокоадаптивной образовательной среды, способной подстраиваться под учащегося в оперативном режиме подобно навигационной системе. Данная система реализует подход машинного обучения с целью максимизации суммарного вознаграждения в долгосрочной перспективе: «агент» учится принимать решения методом проб и ошибок, получая положительные стимулы (награды) за правильные действия и отрицательные (штрафы) – за неверные.

Помимо когнитивной адаптации, ИИ-системы начинают учитывать и аффективные, поведенческие аспекты обучения. Так, был предложен фреймворк Cognitive Structure Enhanced Adaptive Learning (CSEAL): алгоритмы адаптации опираются на когнитивные структуры знаний и используют марковские процессы принятия решений и обучение с подкреплением [14]. Система строит модель знаний учащегося, включая уровни освоения и структуру предметной области. На этой базе пошагово подбираются оптимальные элементы обучения. Учет когнитивной структуры позволяет повысить эффективность учебного процесса за счет более осмысленной персонализации траектории.

Таким образом, ядром современных ИИ-платформ персонализированного обучения становятся сложные модели с интеграцией разных видов данных (успеваемости, стиля учения, эмоциональных реакций и др.) и принятием решения о подаче материала с помощью продвинутых алгоритмов. В результате стираются прежние ограничения на масштаб индивидуальной работы: система может выступать условно «персональным наставником» неограниченного числа учащихся, обеспечивая масштабируемость персонализации.

Российские инициативы и проекты в области образования с использованием ИИ-систем и технологий . В Российской Федерации идея персонализации обучения закреплена на государственном уровне и реализуется в ряде проектов с опорой на ИИ-системы и технологии. Среди них стоит выделить исследование эволюции ролей педагога [15], разработку персонализированной модели

образования9 [16], создание индивидуальных траекторий развития [17], кастомизацию жизненно-образовательного маршрута [18], интеграцию технологий ИИ в образовательный процесс вуза [19; 20], персонализированное обучение в современной школе10 [21], а также ряд проектов Университета ИТМО11, Сибирского федерального университета [22] и авторов данной статьи [23; 24] (рис. 2).

Крупнейшим примером подобной системы является национальный проект «Цифровая платформа персонализированного образования для школы»12. Проект реализуется по поручению Президента РФ13 и нацелен на трансформацию школы таким образом, чтобы каждый ребенок получил «персональное, современное и интересное образование»14. Платформа интегрирует различные цифровые решения, в том числе систему «СберКласс» (разработку Сбербанка), и внедряет персонализированный подход, основанный на признании уникальности каждого ученика.

Данная платформа интегрирует персонализированный подход (эффективное обучение и развитие ребенка при условии его мотивированности, активности и учета индивидуальных особенностей) и цифровые решения (обеспечиваются платформой, служат инструментом для планирования и организации учебного процесса, в котором каждый обучающийся может максимально результативно использовать время обучения).

Внедрение этой системы стремительно расширяется: к концу 2020 г. ею воспользовались около 500 тыс. учеников в 2 500 школах из 65 российских регионов, и масштаб продолжает расти. Данный пример демонстрирует создание в стране на национальном уровне образовательной среды, инфраструктурно и методически поддерживающей персонализацию.

Опыт реализации персонализированного подхода представлен в Балтийском федеральном университете им. И. Канта [18]: совместно со стартапом «Ин-скултех» разработана система поддержки принятия образовательных решений на основе ИИ. Эта система собирает разнородные данные об учащемся – успеваемость, психологический профиль, поведенческие характеристики, даже нейрофизиологические показатели – и на их основе создает «цифровой профиль обучающегося». Алгоритмы ИИ формируют персональный образовательный маршрут учащегося с постоянной корректировкой по мере изменения показателей. В итоге реализован механизм непрерывного сопровождения: образовательная траектория пересматривается динамически с учетом актуального состояния и прогресса ученика. Этот проект важен в связи с его возможностью иллюстрировать переход от простого адаптивного обучения к концепции образовательной навигации: ИИ выступает GPS-системой, которая ведет ученика по индивидуальному маршруту, принимая решения на основе многомерных данных.

В Московском педагогическом государственном университете (МПГУ) реализован иной аспект персонализации – подготовка самих педагогов к работе в персонализированной цифровой среде. Разработаны программы повышения квалификации с использованием генеративных ИИ-систем [19; 20]. Преподаватели осваивают навыки создания образовательных материалов с помощью ИИ, проектирования индивидуальных траекторий обучения и анализа данных об учебном прогрессе учащихся.

Данный подход решает актуальную проблему: для реализации персонализированного обучения необходимы педагоги с новыми компетенциями, способные быть наставниками и эффективно применять цифровые инструменты. Такие программы помогают сформировать методологическую культуру работы с ИИ – от осознания принципов его работы до этичного и результативного использования в классе.

Программы обучения студентов в Московском городском педагогическом университете (МГПУ) демонстрируют процесс подготовки и проведения уроков будущими учителями с помощью технологий ИИ15. Специальные системы отслеживают поведение обучающихся во время занятия и дают оценку студенту, который выступал в роли учителя. На основании видеозаписей анализируются внимательность и вовлеченность учащихся в изучаемую тему: куда направлены их взгляды, какие эмоции отражаются в их мимике и др. Совместно со «Сбер-Университетом»16 технологию дополнили ИИ-моделью, которая расшифровывает урок по аудиозаписи и анализирует ее. «Цифровое зеркало» автоматически находит фрагменты с разными методическими приемами: маркерами руководства, инструктирования, поддержания дисциплины, поощрения учащихся и др. В МГПУ также разработаны концептуальная 3D-модель структуры персонализированной образовательной среды системы дополнительного образования17 [5; 21], онлайн-сервис по систематизации и координации профориентационной деятельности «ПрофКОД»18, а также ряд иных подсистем.

Дополнительным направлением становится создание отечественных интеллектуальных обучающих систем, например, Aristotel (г. Екатеринбург)¹⁹ – российская версия Intelligent Tutoring System (ITS). Современные ITS представляют класс программного обеспечения с использованием ИИ для имитации накопленного опыта персонального репетиторства. Ключевые характеристики подобных систем: адаптивность в реальном времени (непрерывное подстраивание сложности, темпа и содержания материала под уровень понимания обучающегося), интерактивное решение задач (пошаговое сопровождение учащегося через сложные задания с немедленной обратной связью и объяснениями), адаптивная помощь (предоставление подсказок, специально адаптированных под затруднения данного ученика), мониторинг мотивации и эмоций (использование методов аффективного вычисления для оценки эмоционального состояния ученика и соответствующей модификации подхода). Подобные ITS способны обеспечить результаты обучения, сопоставимые с занятиями с высококвалифицированным педагогом-репетитором.

• 1.    DataMall 2.0 – распределенная инструментальная платформа разработки и сопровождения цифровых объектов ИИ на основе больших данных.

• 2.    FEDOT.LLM – интеллектуальный ассистент на основе автоматического машинного обучения.

• 3.    SMILE.Cloud – платформа для быстрого прототипирования, разработки и обучения моделей на данных.

• 4.    OceanAI - библиотека интеллектуальной оценки личностных качеств.

• 5.    Expert.HR - интеллектуальная система измерения цифровых профилей сотрудников для управления кадровыми рисками.

• 6.    ITMO.HACK 2.0 – платформа для организации и проведения хакатонов в сфере ИИ.

• 7.    Edulitica - библиотека оценки текстовых результатов учебной деятельности на основе LLM/БЯМ.

Образовательный проект «ИИ-Уни-верситет» – инновационная разработка Российского государственного гуманитарного университета (РГГУ) (г. Москва), программа дополнительного профессионального образования с возможностью полного курирования обучения инструментами ИИ23. Экспертами данного вуза совместно с компанией АО «Инноцифра» разработан курс «Применение ИИ в профессиональной деятельности». Проект ориентирован в первую очередь на гуманитариев: юристов, маркетологов, менеджеров, лингвистов, историков и представителей креативных индустрий. Платформа обеспечивает персонализированное обучение: ИИ-наставник адаптирует программу под темп каждого студента, предоставляет круглосуточную обратную связь и динамически выстраивает учебную траекторию. Слушатели курса могут разобраться в теории ИИ, а также применять различные технологии нейросетей в реальных проектах24.

Сибирский федеральный университет (г. Красноярск) предлагает в качестве масштабно функционирующего решения на основе технологий ИИ сервис прогнозирования академической успеваемости «Пифия» [22]. Его цель – раннее прогнозирование результатов сессии и визуализация динамики академических рисков обучающихся университетов по принципу «светофора». Сервис рассчитан на использование преподавателями и сотрудниками институтов и позволяет на ранних этапах выявить обучающихся, у которых только формируются трудности в обучении, для своевременного оказания педагогического содействия и помощи.

Концептуальное сопоставление подходов . Приведенные выше примеры образовательных платформ на основе российских и зарубежных ИИ-систем иллюстрируют разнообразие стратегий персонализации. Зарубежные платформы делают упор на глубокую адаптацию содержания и маршрута под актуальные знания учащегося, фактически ускоряя индивидуализацию обучения за счет использования технологий анализа больших данных и применения алгоритмов ИИ ( Squirrel AI и Knewton ). Системы сохраняют единые цели обучения (овладение заданным набором компетенций), однако существенно варьируют путь к ним, что можно интерпретировать как индивидуализацию максимальной интенсивности, приближающуюся к персонализации.

Другие решения вводят элемент вариативности опыта: учащимся доступен персональный темп обучения с разнообразным контекстом, задачами и последовательностью изучения (ALPN и учебный ИИ-ассистент ИТМО). В данном случае реализуются черты персонализации – обучение приобретает личностную значимость для мотивации учащегося.

Российские инициативы базируются на системном подходе разного масштаба. Так, национальная платформа «Вклад в будущее» закладывает инфраструктуру персонализации в рамках всей школы, при этом проекты в вузах (БФУ, МПГУ, МГПУ, ИТМО, СФУ и др.) демонстрируют точечные инновации: от сопровождения траекторий обучения до тренажеров и ассистентов.

Общим для этих проектов является акцент на создании цифровой образовательной среды, в которой ИИ становится основным инструментом обеспечения персонализации: собирает данные, принимает решения, рекомендует материалы, обеспечивает обратную связь. Эта среда становится продолжением педагогического взаимодействия учителя и ученика с использованием достижений ИИ.

Таким образом, интеграция идей персонализации (ориентация на личность) с возможностями цифровой автоматизации посредством ИИ-технологий позволяет вести каждого ученика по наилучшей для него траектории согласно его выбору, что в массовой школе с традиционным подходом, реализуемым учителем, невозможно в связи с ограниченностью ресурсов. Сопоставление с философским идеалом персонализации показывает, что приведенные решения не достигают полной персонализации. ИИ-системы по-прежнему фокусируются преимущественно на когнитивных аспектах (знаниях и умениях) и оптимизации деятельности учащегося под заданные результаты.

ИИ-системы позволяют индивидуализировать путь обучения, однако вопрос индивидуализации целей и самоуправления обучающегося остается открытым. Лишь некоторые проекты (элективные курсы и гибкие учебные планы, поддержанные ИИ) позволяют учащимся самим определять содержательные приоритеты обучения. В этом контексте современные ИИ-платформы можно расположить в иерархическом порядке: от усиленной индивидуализации (адаптивные тренажеры, репетиторские системы) к начальным формам персонализации (диалоговые ассистенты, позволяющие учащимся проявлять инициативу, выбирать темы и модули). Сказанное позволяет осознавать методологические основы развития протекающих процессов, показывая, какие ИИ-решения необходимы для реализации механизмов персонализации в современном образовании (табл. 1).

Результаты анкетирования учителей и педагогов в рамках проведенного эмпирического исследования демонстрируют классификацию их ожиданий и потребностей относительно использования ИИ-технологий в образовательном процессе по пяти основным группам. Выявляются два доминирующих направления запросов педагогов по данной проблематике (191 чел.):

• 1.    Стремление оптимизировать временные затраты на подготовку уроков и учебных материалов посредством ИИ-инструментов при одновременном сохранении управляемости и качества результата.

• 2.    Запрос на универсальный, дидактически корректный алгоритм интеграции ИИ-решений в образовательный процесс, позволяющий применять их в логике целей обучения, диагностики и поддержки учебного продвижения школьников.

Наибольший массив запросов (в совокупности 165 чел. (87 %)) связан с практической работой учителя: как использовать ИИ-решения для поддержки индивидуализации и приближения обучения к персонализации в подлинном смысле, а также как различать эти понятия на уровне целей, методов и ожидаемых результатов. Меньшая доля запросов (26 чел. (13 %)) касается информационных, коммуникационных и нормативно-этических вопросов использования ИИ в образовании.

Выявленные потребности педагогического сообщества свидетельствуют об актуальности разработки примерной методики использования ИИ-решений, ориентированной на практические нужды учителя. Такая методика должна служить универсальным инструментом проектирования конкретного урока или системы уроков, обеспечивая реализацию индивидуализации (темп, уровень, затруднения), а также перехода к персонализации в более строгом смысле (цели, интересы, образовательный опыт и субъектная позиция).

Т а б л и ц а 1. ИИ-решения для образовательного процесса, реализующих развитие «от адаптивной индивидуализации к полной персонализации и субъектности»

T a b l e 1. AI solutions for the educational process, implementing development “from adaptive individualization to full personalization and subjectivity”

Элементы образовательного процесса / Elements for the educational process

ИИ-решения для образования (системы и технологии) / AI solutions for education (systems and technologies)

Реализуемая ИИ-решениями сущность / The entity implemented by AI solutions

Умная маршрутизация и адаптация / Smart routing and adaptation

Squirrel AI Learning (КНР) / (China)

Knewton Adaptive Learning (США) / (USA)

Adaptive Learning Path Navigation (Тайвань) / (Taiwan)

Продвинутая диагностика / Advanced diagnostics

Элементы субъектности и диалог / Elements of subjectivity and dialogue

СберКласс/«Вклад в будущее» (Россия) / SberClass/“Contribution to the Future” (Russia)

Система Балтийского федерального университета имени Иммануила Канта «Инскутекс» (Россия) / Immanuel Kant Baltic Federal University’s “Inskuteks” system (Russia)

Система Сибирского федерального университета «Пифия» (Россия) / System of Siberian Federal University “Pythia” (Russia)

«Цифровое зеркало» (Московский городской педагогический университет, Россия) / “Digital Mirror” (Moscow City University, Russia)

Carnegie Learning (США) / (USA)

«Aristotel» (Россия) / (Russia)

«ИИ-Университет» (Российский государственный гуманитарный университет, г. Москва, Россия) / “AI-University” (Russian State University for the Humanities, Moscow, Russia)

Разбиение знаний на «нано-элементы» / Breaking down knowledge into “nano-elements”

Психометрический «движок» для подбора материала / Psychometric “engine” for material selection

Обучение с подкреплением, навигационные маршруты / Reinforcement learning, navigation routes

Персонализированное планирование времени / Personalized time planning

Образовательная GPS-система /

Educational GPS system

Прогнозирование академической успеваемости и рисков / Predicting academic performance and risk

Анализ видео, эмоций, мимики и др. / Analysis of video, emotions, facial expressions, etc.

Оценка личностных качеств и цифровых профилей / Assessment of personal qualities and digital profiles

Оценка текстовых результатов учебной деятельности / Evaluation of textual results of educational activities

Имитация репетитора / Imitation tutor

Пошаговое сопровождение, мониторинг мотивации / Step-by-step support, motivation monitoring

Круглосуточный ИИ-наставник / 24/7 AI mentor

Интеллектуальный ассистент / Intelligent assistant

Примечание : здесь и далее в таблицах ИИ – искусственный интеллект. Note : Hereinafter in tables AI – artificial intelligence.

Источник : здесь и далее в статье все таблицы составлены авторами.

Source : Hereinafter in this article all tables were drawn up by the authors.

Обсуждение

Внедрение технологий ИИ меняет традиционное соотношение между индивидуализацией и персонализацией: оно расширяет возможности первой и прокладывает пути ко второй, поднимая новые методологические вопросы. С философско-педагогической точки зрения, персонализация – принципиально иной тип образовательного взаимодействия, в котором личность учащегося выступает активным началом.

Современные ИИ-системы стремятся восполнить ограниченность человеческих ресурсов в индивидуальной работе с учеником: алгоритмы берут на себя рутинную адаптацию, предоставляя своеобразный архитектурный каркас индивидуализированного обучения. Эффективность этого подхода подтверждается эмпирически: улучшение успеваемости на 20–30 %, рост мотивации и вовлеченности отмечены зарубежными и отечественными исследованиями [10].

Таким образом, с точки зрения достижения результатов обучения, технологии ИИ усиливают возможности индивидуализации образования. Однако возникает ряд методологических вопросов, на которых следует остановиться.

Возможности ИИ по обеспечению внедрения подлинной персонализации. Теоретический анализ свидетельствует об ограниченной инструментальной реализации персонализации с помощью ИИ-решений. Они оптимизируют образовательный процесс от заданной программы к ученику («сверху вниз»), делая его более гибким и адресным. При этом сам учащийся нередко остается объектом этих оптимизаций, а не полноправным соучастником. Например, адаптивная система может подстроиться под темп ученика, однако цели обучения (что изучать, к чему стремиться) зачастую заложены извне. Персонализация же подразумевает осознанную постановку учащимся персональных образовательных целей, которые могут выходить за рамки стандартов, и систему, поддерживающую в их достижении.

В рассматриваемых платформах подобные элементы наблюдаются лишь фрагментарно: ученик может выбрать интересующую область для проекта или получить контент, связанный с его увлечениями. В связи с этим можно констатировать, что границы между индивидуализацией и персонализацией в эпоху современных ИИ-технологий лишь смещаются в сторону персонализации, но не сняты полностью. Континуум состояний (от адаптивного обучения (индивидуализация) до персонализированного) позволяет технологиям ИИ продвигаться постепенно, хотя конечная точка – личностно ориентированное обучение – остается до сих пор ориентиром, а не повсеместной реальностью.

С методологической точки зрения, применение ИИ открывает новые измерения персонализации, требующие осмысления. Одно из них – мультимодальность персональных данных. Классическая педагогика учитывает академические способности и стиль учения (визуальный или аудиальный тип восприятия), ИИ-системы при этом оперируют гораздо более широким спектром данных: от эмоциональных реакций (распознавание лицевых выражений, интонации голоса) до нейрофизиологических показателей (уровень внимания по данным нейрогарнитуры).

Глубина интеграции аспектов персонализации в образовательный процесс. С философской точки зрения, речь идет о границах «вмешательства» в личность обучаемого. Учитывая эмоциональное состояние ученика, система может как поддержать его мотивацию, так и манипулировать вниманием или настроением.

В данной работе эти аспекты не рассматривались, однако их наличие требует включения в дальнейший анализ понятия персонализированной цифровой образовательной среды. Методологический аппарат философии образования и цифровой дидактики (понятия автономии, субъективности, агентно-сти) должен быть расширен для охвата явления ИИ-ассистента, постоянно присутствующего рядом с учеником и направляющего его учебную деятельность в условиях использования новой образовательной среды цифровой трансформации школы (табл. 2).

При условии однозначности понятий «автономия» и «субъективность» в данном контексте, под агентностью стоит понимать способность человека действовать намеренно, осуществлять свободный выбор, контролировать свою жизнь и влиять на окружающие обстоятельства, выступая в качестве самостоятельного субъекта. Иными словами, «агентность» – противоположность «пассивности».

Также стоит обратить внимание на роль педагога в цифровую эпоху, в которой использование ИИ занимает центральное место. Персонализированная модель снижает долю фронтальной работы учителя «для всех» и повышает значение индивидуальной поддержки. В свою очередь, ИИ берет на себя функцию оперативного наставника (как в диалоговых ассистентах). При этом учитель не становится лишним, а, напротив, освобождается его время для решения более сложных задач развития личности учащегося. Педагог становится стратегом и наставником высокого уровня, т. е. возвращается к философски осмысляемой фигуре наставника (менторство). Трансформация роли педагога влечет изменение в требованиях к его личности и подготовке, что нуждается в отдельном обсуждении. Учитель проектирует образовательную среду, мотивирует, формирует ценностные ориентиры, в то время как ИИ обеспечивает техническую адаптацию текущих упражнений и сбор данных. В таком разделении труда кроется огромный методологический потенциал: можно выстраивать образование, где человек отвечает за смыслы и цели, а ИИ – за оптимизацию средств их достижения. Эта идея согласуется с подходом вариативного образования А. Асмолова: конструирование мотивирующих развивающих сред – ключевая задача, а ИИ может стать одним из инструментов ее решения25.

Т а б л и ц а 2. Составляющие типов данных для описания профиля обучаемого, на основе которых ИИ-решения позволят учителю проектировать образовательные маршруты для освоения содержания обучения

T a b l e 2. Components of data types for describing a student’s profile, based on which AI solutions will allow a teacher to design educational routes for mastering the learning content

Данные / Data

Традиционная дидактика (количественные данные) / Traditional didactics (quantitative data)

ИИ-решения для образования, позволяющие проводить ИИ-аналитику (мультимодальные данные) / AI solutions for education that enable AI analytics (multimodal data)

Характеристики для описания профиля личности обучаемого / Characteristics for describing a learner’s personality profile

Измеряемые результаты обучения / Measurable learning outcomes:

– посещаемость / attendance;

– результаты тестов / test scores;

– оценки / grades

ИИ превращает «невидимое» (эмоции, микропробелы) в данные / AI transforms the “invisible” (emotions, micro-gaps) into data: – нано-элементы знаний (когнитивный аспект) / nano-elements of knowledge (cognitive aspect);

– время реакции, движение глаз, клики мыши и другие действия (поведенческий аспект) / reaction time, eye movements, mouse clicks, and other actions (behavioral aspect);

– распознавание эмоций, интонации голоса, свидетельствующие о вовлеченности в учебную деятельноcть (эмоциональный аспект) / Recognition of emotions, voice intonation of engagement in learning activities (emotional aspect)

Результаты для образовательной среды в условиях цифровой трансформации школы / Results for the educational environment in the context of digital school transformation

Индивидуальные образовательные маршруты / Individual educational routes

Персонализированные образовательные маршруты / Personalized educational routes

Таким образом, соединение гуманистических целей образования с ИИ-тех-нологиями - перспективное направление развития философии образования и цифровой дидактики.

Образовательная среда описывается чаще всего как совокупность педагогических воздействий обучающего (учителя, преподавателя, тьютора, фасилитатора), учебных материалов (образовательного контента), социального и предметного окружения ученика. В условиях цифровой трансформации образования все более уместно говорить об ИИ-опосредованной образовательной среде, в которой значительная часть взаимодействий происходит через цифровые платформы с определенной архитектурой, заложенной программистами и методистами. Она характеризуется набором алгоритмов, интерфейсов, сценариев взаимодействия и других составляющих, необходимых для педагогического моделирования элементов реального образовательного процесса. От дизайна этой архитектуры зависит доступность возможностей персонализации. Например, архитектура предусматривает «ветвление траекторий» в зависимости от интересов ученика, при этом образовательная среда поддерживает подлинный выбор. При условии прохождения каждым учащимся одинаковых контрольных точек в своем темпе среда считается более соответствующей индивидуализированной модели.

Методологически важно анализировать архитектурные особенности подобных сред с позиций дидактики: открытость и обучаемость (способность подстраиваться под новые цели ученика), возможность интегрирования неформальных образовательных активностей (видов деятельности) обучающегося, способы учитывания рефлексивной составляющей (наличие соответствующих механизмов, направленных на осознание и управление обучением внутри образовательной системы на основе технологий ИИ).

Первые разработки такого рода – многомерные модели цифрового профиля личности обучаемого [5] – направлены на поддержку субъектности: указывают на принципиальную возможность конструирования цифровых инструментов, целенаправленно развивающих мотивацию и самостоятельность обучающихся. Таким образом, ИИ-среда может быть спроектирована не только для передачи знаний, но и для формирования мета-когнитивных умений, самоорганизации, что является одной из важнейших целей персонализации.

Полученные результаты актуализируют этические и долгосрочные последствия персонализации на основе ИИ. Например, отмечается необходимость дальнейшей валидизации влияния таких систем на изучение долгосрочных эффектов и возможных рисков, связанных с ИИ-платформами (зависимость от алгоритмов, вопросы приватности данных, смещение акцентов в обучении и др.) [10].

С точки зрения философии образования, этот аспект перекликается с вопросом баланса между свободой и контролем. Персонализация, задуманная как расширение свободы учащегося, в цифровой реализации может обернуться скрытым навязыванием траектории, определенной алгоритмом. С целью предотвращения подобной ситуации необходима прозрачность и подотчетность ИИ-систем, а также участие самого учащегося в выборе траектории обучения. Методологически перспективным является включение в понятие персонализации нового измерения - алгоритмической субъектности обучаемого (ученика), его способности взаимодействовать с ИИ-системой осознанно (понимание логики ее рекомендаций, умение корректировать цели и др.).

Появление ИИ в образовании существенно расширило практические границы индивидуального подхода, позволив массово внедрять в образовательный процесс методы, реализуемые ранее персонально (дополнительные занятия с репетиторами). Однако концепция персонализации продолжает формироваться, обретая новые смыслы, предлагаемые цифровой эпохой. Изучение существующего эмпирического опыта по данной проблематике позволяет утверждать, что ИИ необходимо рассматривать как новую среду обучения, требующую от научно-педагогического сообщества методологической рефлексии. В этой среде пересматриваются роли учителя и ученика, а также цели обучения или образования в целом – от усвоения знаний к развитию устойчивой учебной автономии. Персонализация на основе ИИ-тех-нологий – процесс, открывающий перед педагогической наукой новые вопросы о человеческом в образовательном взаимодействии, опосредованном «интеллектом» нечеловеческого типа (основанным на больших языковых моделях и анализе больших данных).

Проведенное исследование позволило установить концептуальные границы между индивидуализацией и персонализацией в образовании, а также показать формат их трансформации под влиянием ИИ-технологий. Индивидуализация была охарактеризована как адаптация темпов и методов преподавателем для разных учащихся при единых целях обучения, тогда как персонализация - как переориентация образования на личность обучающегося, его уникальные цели, активную роль и соавторство в учебном процессе. Философско-педагогический анализ показал, что персонализация предполагает превращение образовательного процесса в пространство развития личности обучаемого, требующее новых субъект-субъектных отношений между педагогом и обучающимся (учителем и учеником) с участием «интеллекта» нечеловеческого типа (основанного на больших языковых моделях и анализе больших данных).

С появлением массовых технологий ИИ идеи индивидуализации и персонализации получили мощный импульс к их практической реализации. Обзор и обобщение современных ИИ-платформ продемонстрировали способность цифровых технологий значительно усиливать индивидуальный подход. Адаптивные системы могут обучать каждого учащегося по оптимальной для него траектории, интеллектуальные тьюторы обеспечивают взаимодействие, близкое к индивидуальному наставничеству, а аналитические платформы дают учителям подробные данные для принятия необходимых решений по вопросам стратегии обучения. Результатами внедрения таких систем являются улучшение академической успеваемости, вовлеченности, а также развитие навыков самообучения.

Таким образом, подтверждается успешность выполнения специализированными системами или образовательными платформами на основе ИИ роли персонального помощника в обучении [13]. На национальном уровне (в России и за рубежом) разворачиваются инициативы, создающие инфраструктуру для персонализированного обучения, интегрируя ИИ в повседневную образовательную практику школы и вуза.

Исследование также выявило, что достижение идеала персонализации – активное управление учащимся своим образованием и адаптация системы под его личностные смыслы - до настоящего времени остается сложной многоуровневой задачей. Технологическая персонализация затрагивает форму и средства обучения (темп, последовательность, формат материалов), частично – контекст (учет интересов, профильной ориентации), но значительно реже – целеполагание.

Таким образом, ИИ создает необходимые условия для персонализации, однако для их реализации на достаточном уровне требуются изменения в педагогическом дизайне и культуре взаимодействия учителя и ученика с учетом возможностей и особенностей, например, адаптивной ИИ-системы для реализации аспектов персонализации современного образовательного процесса при его проектировании. В данном контексте стоит обратить внимание на пересмотр роли педагога (от «транслятора знаний» к «наставнику развития»), наделение учащихся реальной агентностью в цифровой образовательной среде, а также обеспечение прозрачности и этичности используемых алгоритмов подобных систем. Персонализация с помощью ИИ не должна сводиться к незримому «управлению учеником», основанному на данных о его «цифровой» личности; напротив, она должна раскрывать перед учеником больше возможностей для осознанного выбора траектории обучения, обеспечивая поддержку и безопасность в условиях мобильного и смешанного обучения, минимизируя негативное воздействие на обучаемых мобильных средств [23] и деструктивного контента в основных источниках информации в Интернете [24].

Заключение

Данная статья определяет теоретические основы (тезаурус базовых понятий) и практические направления дальнейших исследований в области индивидуализации и персонализации обучения. Для понимания цифровой трансформации образования под влиянием ИИ необходимо одновременно оперировать категориями педагогики (индивидуальный подход, личностно ориентированное обучение, образовательная среда и др.) и понятиями сферы цифровых технологий (алгоритмическая адаптация, данные обучающегося, ИИ-ассистенты и др.). Предложенный междисциплинарный подход позволяет выйти за пределы описания отдельных цифровых технологий и увидеть общие тенденции и принципы. В частности, концепция ИИ как среды для персонализации предложена в качестве методологической основы: ИИ рассматривается не как внешний инструмент, а как интегральная часть современного образовательного пространства, формирующая новые условия для развития учащегося. Такая точка зрения помогает соединить анализ эффективности (насколько лучше учатся с ИИ) с изучением сущностных изменений в природе обучения (как меняются образовательные отношения, ценности, цели).

Перспективы дальнейших исследований по рассматриваемой тематике видятся в следующих направлениях. Во-первых, требуется более глубокая эмпирическая проверка долговременных эффектов персонализированного обучения с ИИ, включая влияние на личностное развитие, критическое мышление, креативность учащихся. Во-вторых, необходим философско-этический анализ роли ИИ для определения способа сохранения уникального человеческого измерения образования – воспитания, передачи культурных ценностей – при возрастающей автоматизации процессов обучения. В-третьих, создание и развитие теории цифровой субъектности обучаемого (персональной цифровой субъектности): формирование новых компетенций для возможности учащимся полноценно управлять свободой при персонализированном обучении (навыки саморегуляции в цифровой среде, понимание задействованных алгоритмов персонализации). Важно интегрировать российский и международный опыт: обмен образовательными концепциями и практиками обогатит отечественную педагогику и глобальную научнообразовательную повестку. В целом необходимо понимание, что технологии ИИ эффективно может использовать лишь тот субъект образовательного процесса, которому в действительности они и не нужны. В цифровом технологическом мире главной ценностью становится самостоятельно мыслящий человек.

Стоит подчеркнуть сложность перехода от индивидуализации к персонализации и его связь с развитием технологий ИИ. На сегодняшний день ИИ уже выступает в роли интеллектуальной экосистемы, обеспечивающей индивидуальную поддержку каждого ученика в процессе обучения. В этом контексте задача педагогической науки состоит в направлении этого потенциала в русло подлинно гуманистического, развивающего образования. Выделенные в данной работе обобщения и утверждения вносят определенный вклад в решение этой задачи, определив теоретические ориентиры и показав, как практика ИИ-обучения укладывается в них или говорит о необходимости их коррекции. Таким образом, в этой работе заложена основа для дальнейшего диалога между философией образования и цифровой дидактикой, конечной целью которого является создание такой образовательной системы/среды, где технологии призваны способствовать развитию личности каждого обучающегося.

На основе понимания сущности сходства и различий понятий индивидуализации и персонализации, акцентированных в предложенных схемах и рисунках, классификациях ИИ-ресурсов и технологий для реализации идей индивидуализации и персонализации в условиях цифровой трансформации образования, учителя и педагоги смогут осуществлять педагогическое проектирование учебного процесса, способствующее повышению результативности и эффективности обучения и раскрытию личностных особенностей обучаемых.