К тому времени, как многие старшеклассники приходят на мой урок алгебры, школа уже успевает решить, в чем они «слабы». Они заходят в класс с ярлыками, которые приклеили к ним еще до первой тетради: «коррекционный уровень», «немотивированный», «низкоуспевающий».

Слишком часто персонализированное обучение начинается именно с этих ярлыков. Мы стартуем с низкого балла или с того, чего, как нам кажется, ученик не умеет, — с пробела в знаниях или академического дефицита — и строим обучение вокруг попытки это исправить.

Я считаю, что начинать нужно иначе: с того, что для учеников действительно важно, кем они хотят стать и что уже имеет для них смысл.

Это принципиально, потому что персонализированное обучение должно делать больше, чем просто реагировать на пробелы в знаниях. Его задача — подстраивать уроки и учебный опыт под сильные стороны, потребности, интересы, цели и темп каждого ребенка.

Но то, сработает ли этот подход, зависит от того, какую информацию мы считаем главной. И это становится еще важнее по мере того, как искусственный интеллект все глубже входит в персонализированное обучение.

Для таких учителей, как я, ИИ открывает новые способы быстро адаптировать задания. Он может создавать упражнения, менять уровень сложности текста, давать мгновенную обратную связь и формировать материалы под конкретные потребности ученика. Но технология способна персонализировать только ту информацию, которую мы сами ей даем.

Поэтому я убежден: лучший путь к персонализированному обучению с ИИ — давать ему данные, которые помогают строить обучение от интересов и целей ученика. Иначе мы рискуем использовать новую технологию лишь для того, чтобы закрепить старый подход, а не сделать обучение по-настоящему осмысленным.

Я увидел, как это может работать, на примере ученика, которого назову Кайл. Недавно он спросил меня: «Если мой телефон может решить это за две секунды, зачем мне вообще это учить?»

Это был не дерзкий вопрос, а честный. В эпоху мгновенных ответов многие ученики наверняка задаются тем же самым.

Я мог бы ответить привычно: потому что это будет на тесте, потому что тебе нужны зачеты, потому что это пригодится позже.

Но вместо этого я спросил, что для него важно. Кайл начал говорить о машинах, музыке и желании зарабатывать деньги. И именно этот разговор открыл нам путь к математике.

Когда я понял, что для него действительно имеет значение, я смог иначе использовать персонализированное обучение с поддержкой ИИ. Я применил его, чтобы создавать примеры, связанные с его интересами, — например, сравнение автокредитов, ежемесячных платежей и долгосрочной стоимости финансовых решений.

Благодаря его интересам я смог дать ему задания, которые помогли увидеть его способности лучше, чем это показали бы обычный лист с упражнениями или оценка за тест. Я увидел, как он рассуждает, когда контекст ему небезразличен. Я увидел, где он застревает, и что помогает ему не сдаваться. Его уверенность изменилась, потому что математика перестала быть чем-то, что ему просто «навязывают». Она стала связана с его будущим.

Генеративный ИИ уже способен поддерживать персонализированное обучение всеми способами, о которых я говорю. Но если не быть осторожными, мы рискуем превратить его в инструмент, который просто сортирует учеников по тому, чего они пока не умеют, и называет это инновацией.

Именно поэтому меня тревожит, когда персонализированное обучение определяют только через академический уровень. Да, мне важно понимать, где у учеников есть трудности. Учитель математики не может игнорировать пробелы в понимании. Но ученик, которому тяжело даются уравнения, может быть очень сильным мыслителем, если математика связана с бизнесом, семейными обязанностями или спортом.

В моем классе я убедился: интерес — это не отвлечение от серьезной работы. Чаще всего это вход в нее. ИИ помогал мне быстрее создавать более уместные задания, но не создавал саму причину учиться. Ее дали цели Кайла и разговоры, которые мы вели в классе.

Одних только академических данных недостаточно, чтобы понять, кто передо мной, как этот ученик мыслит, что он ценит и что может заставить его бороться со сложной задачей. Если начинать с интересов Кайла, это не снижает математические требования. Это дает мне лучший способ помочь ему до них дотянуться — с поддержкой ИИ.

Именно такую роль, на мой взгляд, должен играть ИИ в персонализированном обучении.

Отправной точкой должен быть вопрос: что важно моим ученикам? Кем они пытаются стать? Что уже имеет для них смысл?

Тогда ИИ сможет помочь мне персонализировать работу и найти способы сделать ее значимой именно для них. А в процессе мои отношения с учениками станут глубже.

Для таких учеников, как Кайл, важно начинать с того, кто они есть, а не с того, чего им не хватает. Именно это делает более глубокое обучение возможным. Понимание того, что важно моим ученикам, меняет мое представление о том, на что они способны.

Ал Рабанера преподает математику в школе La Vista High School в Фуллертоне, Калифорния. В 2025–2027 годах он — участник программы Teach Plus Leading Edge Educator Fellow.