Основатель
September 14, 2026
17 min read
Главный правовой вопрос в аналитике обучения — не насколько точно алгоритм читает сегодняшний день, а как это чтение меняет образовательные возможности завтрашнего дня.
Представим образовательное учреждение, которое использует систему раннего предупреждения для расчёта вероятности того, что ученики потерпят неудачу или покинут программу к концу семестра. Система выдаёт оценку риска для каждого ученика на основе посещаемости, частоты входов в LMS, незавершённого контента, результатов экзаменов и задержек сдачи работ.
Из двух учеников одного академического уровня один отмечается как «высокий риск», другой — как «низкий риск». Первого наблюдают внимательнее, направляют на контент базового уровня и не рекомендуют на продвинутый проект. Второй получает доступ к обогащённому контенту, высоким ожиданиям учителя и большему числу академических вариантов. Через несколько недель участие первого действительно снижается; производительность второго растёт. В конце семестра система сообщает, что её прогнозы оказались точными.
Однако измеряемое здесь будущее — не будущее, независимое от алгоритма. Увидев оценку, учреждение по-разному выстроило отношения с учениками; изменились оказываемая поддержка, предлагаемый контент, ожидания учителей и доступные возможности. Иными словами, система не осталась лишь наблюдателем предсказанного исхода; она стала одной из причин этого исхода.
Эта возможность — сравнительно мало обсуждаемая правовая проблема аналитики обучения. Вопрос уже не только в том, профилируется ли ученик, на каком правовом основании обрабатываются данные или присутствует ли человек в решении. Более дальний вопрос таков: может ли образовательное учреждение представить будущее ученика, сформированное собственным вмешательством, как доказательство точности алгоритма?
Точка, в которой прогнозы успеха, производимые системами управления обучением, превращаются в проблемы профилирования, выводных персональных данных и автоматизированного принятия решений, ранее была подробно рассмотрена.[1] Та статья исследовала, когда разрозненные следы в LMS эволюционируют в институциональный профиль, порождающий последствия для ученика.
Эта статья не объясняет тот порог заново. Анализ начинается не там, где профиль создаётся, а там, где профиль начинают использовать. Потому что даже оценка, созданная для законной цели, технически точная и представленная человеку как поддержка решения, может систематически менять варианты ученика.
Это различие важно. Право профилирования в основном смотрит на источник данных, условия обработки, прозрачность и эффект автоматизированного решения. Право образования должно также учитывать возможности развития ученика, равенство возможностей, качество педагогического руководства и обязанность учреждения оказывать поддержку. Проблема алгоритмического будущего возникает на пересечении этих двух областей.
В литературе по машинному обучению понятие «перформативного прогноза» описывает изменение исхода, который прогноз пытается предсказать, через решения, принятые на основе этого прогноза. В рамке, предложенной Juan C. Perdomo и соавторами, выход модели формирует решения; решения в свою очередь влияют на мир, который модель позже увидит как данные.[2]
Образование — одна из областей, где это взаимодействие сильно. Потому что успех ученика — не только продукт его прошлого поведения. На результат влияют обратная связь, ожидания учителя, возможности психолого-педагогического сопровождения, уровень контента, группа сверстников, материальные ресурсы и институциональное распределение ресурсов. Когда алгоритм направляет решение, меняющее один из этих элементов, он уже не только измеряет ученика; он также перестраивает образовательную среду, в которой ученик будет действовать.
Не каждый перформативный эффект негативен. Предупреждение о высоком риске, обеспечивающее своевременную и адекватную поддержку, может снизить вероятность неудачи ученика. В этом случае прогноз становится полезным вмешательством, опровергающим собственный исход. Напротив, отстранение ученика от продвинутого курса, кандидатуры на стипендию или квалифицированного проекта из-за ярлыка риска может способствовать самоисполнению прогноза.
Поэтому вопрос «материализовался ли прогноз модели?» сам по себе недостаточен. Учреждение должно одновременно спросить:
Что было сделано с учеником после прогноза?
Изменились ли возможности, к которым ученик имел или не имел доступ?
Какая часть изменения исхода произошла из-за начального риска и какая — из-за институционального вмешательства?
Что могло бы произойти, если бы вмешательства не было или была дана другая поддержка?
Когда на эти вопросы нет ответа, высокий показатель точности может быть индикатором не образовательного успеха, а повторного измерения системой собственного эффекта.
Профили учеников часто набирают силу не одним решением, а малыми операциями, питающими друг друга со временем. Учреждениям особенно важно сделать видимыми четыре петли.
В петле вмешательства оценка риска порождает поддержку или ограничение; вмешательство меняет поведение ученика; изменённое поведение входит в новую оценку. Основной риск — что модель не может отделить начальный риск от эффекта институционального вмешательства. В петле ожиданий ярлык влияет на ожидание учителя или консультанта от ученика; ожидание влияет на задания, обратную связь и отношения. Здесь вероятностный выход превращается в институциональное мнение. В петле видимости о отмеченном ученике производится больше записей и заметок; неотмеченные ученики наблюдаются меньше. Плотность данных может быть принята за сам риск; ученики, нуждающиеся в помощи, но невидимые для модели, могут остаться за бортом. В петле институциональной памяти старая оценка становится данными для нового семестра или новой модели; предыдущий вывод питает следующий. Временная трудность институционализируется как постоянная черта ученика.
Среди этих петель эффект ожиданий следует обрабатывать осторожно. Существует обширная область исследований о влиянии ожиданий учителей на успех учеников; но преувеличивать эффект тоже неверно. Обзор Jussim и Harber тридцати пяти лет исследований указывает, что самоисполняющиеся ожидания существуют, но в целом малы и часто временны; при этом для некоторых стигматизированных групп могут проявляться более сильные эффекты.[3] Осторожный вывод для алгоритмических систем таков: оценка риска не обязательно определяет судьбу ученика; но она может масштабировать низкие ожидания, стандартизировать их и встроить ранее разрозненное мнение в институциональный рабочий процесс.
Образовательные учреждения часто указывают, что искусственный интеллект предоставляет лишь «поддержку решений» и что окончательная оценка делается учителем или администратором. Эта гарантия важна, но неполна. Потому что даже если система не принимает окончательное решение, она может определить, какой ученик, в каком порядке и с каким определением проблемы предстанет перед человеком.
Если на экране консультанта с сотнями учеников видны только двадцать с красным предупреждением, алгоритм распределил внимание учреждения до исхода решения. Консультант может внимательно изучить каждое дело; тем не менее ученик, невидимый для модели, может никогда не попасть в институциональную повестку. Аналогично ярлык «низкая вовлечённость», «риск отсева» или «трудности в обучении» заранее задаёт, с какого вопроса начнётся беседа.
Это и есть вопрос, названный в данной статье властью алгоритмического формирования повестки. Выражение — не самостоятельное понятие, определённое в действующем праве. Это управленческое понятие, используемое для объяснения того, что система может формировать институциональную видимость, приоритет и определение проблемы, не производя обязывающего решения.
Поэтому человеческий надзор нельзя измерять только вопросом «кто подписал окончательное решение?». Надзор должен также охватывать:
какие ученики вообще не появляются в системе,
какие риски получают более высокий приоритет,
на каком языке и с каким цветовым кодом предупреждение представлено учителю,
имеет ли персонал доступ к информации помимо оценки,
существует ли альтернативный канал, через который ученик может сообщить о своей потребности без алгоритмической метки.
Сохранение человека в процессе не создаёт достаточной гарантии, когда алгоритму разрешено формировать повестку в одиночку.
Инструменты аналитики обучения чаще всего рекламируются техническими показателями: точностью, прецизионностью, чувствительностью или долей ложных тревог. Эти меры необходимы; но они не доказывают, что система легитимна и полезна для образовательного учреждения. Следует разделить как минимум четыре уровня успеха.
Техническая валидность спрашивает, насколько точно модель предсказывает целевой исход в локальной группе учеников; достаточные доказательства — доли ложноположительных/ложноотрицательных результатов, групповая производительность и калибровка. Эффективность вмешательства спрашивает, действительно ли поддержка, применённая после предупреждения, улучшила положение ученика; ищутся соответствующее сравнение, результаты пилота и эффект по типу вмешательства. Распределительное воздействие спрашивает, кому система направила больше поддержки, меньше возможностей или более интенсивный надзор; доказательство — групповой анализ распределения ресурсов и возможностей. Соответствие правам спрашивает, сохранил ли процесс возможность развития, участия, обжалования и повторной оценки ученика; обжалование, исправление, независимое второе рассмотрение и незакрытость вариантов — доказательства на этом уровне.
Рандомизированное контролируемое исследование EWIMS, опубликованное Institute of Education Sciences Министерства образования США, показывает, почему это различие важно. В исследовании в семидесяти трёх старших школах с 37 671 учеником система раннего предупреждения и вмешательства снизила хроническую прогульность с 14 до 10 процентов и долю неуспеваемости хотя бы по одному предмету с 26 до 21 процента. Напротив, измеримого эффекта на низкий средний балл, отстранение и прогресс ученика по кредитам для выпуска не обнаружено.[4]
Предупреждение исследователей ещё важнее: поскольку прежняя связь между индикаторами риска выпуска и своевременным выпуском основывалась на корреляции, пока нельзя сказать, что улучшение индикатора обязательно улучшит показатели выпуска. Иными словами, система может успешно изменить определённый промежуточный индикатор; но не произвести конечный образовательный результат, к которому стремится учреждение.
Этот пример — не категорическое возражение против искусственного интеллекта. Напротив, он показывает, что некоторые приложения раннего предупреждения могут быть полезны. Но он также показывает, что на вопросы «кого мы предсказали правильно?» и «для кого какое вмешательство сработало?» нужно отвечать отдельно. Образовательное учреждение должно проверять не только точность модели, но цепочку прогноз–вмешательство–исход.
Политический документ Министерства национального образования (Millî Eğitim Bakanlığı, MEB) об искусственном интеллекте в образовании на 2025–2029 годы включил в план будущего образовательной системы аналитику обучения, отслеживание развития, раннее предупреждение и приложения поддержки решений.[5] Системы, производящие прогнозы об ученике, — не гипотетическая дискуссия о будущем. По мере роста институционального использования правовая оценка должна расширяться от обработки данных к тому, как на основе данных формируются образовательные отношения.
В приложениях в рамках MEB YAZEK привязывает анализ данных учеников с помощью искусственного интеллекта и использования поддержки решений — определение уровня ученика, группировка или формирование обратной связи о нём — к этической декларации. Этическое руководство MEB также требует, чтобы персонализированные рекомендации не ограничивали потенциал ученика; чтобы процессы с критическим влиянием на академическое будущее не оставлялись исключительно выходу искусственного интеллекта; и чтобы создавались механизмы обжалования для ученика или родителя.[6]
Эти принципы дают применимую отправную точку для проблемы перформативного прогноза. Обязанность не ограничивать потенциал ученика требует не только того, чтобы модель не использовала дискриминационные переменные, но и того, чтобы выход модели не превращался в сокращающую возможности институциональную реакцию. Аналогично человеческий надзор должен означать не только наличие сотрудника, утверждающего оценку, но и возможность ставить под сомнение повестку, созданную алгоритмом, и последствия вмешательства.
Закон № 1739 об основах национального образования (Millî Eğitim Temel Kanunu) предусматривает направление лиц в различные программы или школы в соответствии с их интересами, способностями и талантами; он также относит общность и равенство и равенство возможностей и средств к основным принципам национального образования.[7] Алгоритмическое руководство при правильном использовании может служить этим целям, рано распознавая потребность ученика. Однако когда вероятностная оценка заменяет педагогическое суждение, оценивающее текущее развитие ученика, «направление» перестаёт быть поддержкой, открывающей пути перед учеником, и превращается в классификацию, закрывающую пути заранее. Право на образование и обучение, защищённое статьёй 42 Конституции, поэтому следует понимать не только как формальный доступ в школу, но как справедливый доступ к важным возможностям внутри образования.[8]
На стороне KVKK определяющими являются принципы точности и актуальности, ограничения цели, соразмерности и срока хранения. Статья 11/1-g Закона также предоставляет возможность возражать против неблагоприятного результата, возникшего исключительно из автоматизированного анализа, когда условия нормы выполнены.[9] Однако перформативный прогноз добавляет слой, на который право защиты данных в одиночку не может ответить: оценка может быть технически точной в день производства; тем не менее институциональная реакция на оценку может несоразмерно сузить образовательные возможности ученика. Поэтому точность в записи и справедливость архитектуры решения должны исследоваться отдельно.
Здесь также следует сохранить разграничение охвата. YAZEK и Этическое руководство MEB нельзя считать автоматически применимыми ко всем университетским и EdTech использованиям вне их регуляторной сферы. Однако в сочетании с правами ребёнка, защитой персональных данных и сравнительным управлением искусственным интеллектом они предлагают сильный политический стандарт для высокозначимой аналитики обучения. Режим высшего образования, частного образования, трудового или потребительского права, которому подчинено каждое учреждение, также должен оцениваться отдельно.
Конвенция о правах ребёнка требует, чтобы высший интерес ребёнка был одним из основных соображений; чтобы учитывалось мнение ребёнка в делах, его затрагивающих; и чтобы образование было направлено на максимально полное развитие личности и способностей ребёнка.[10]
Общий комментарий № 25 Комитета ООН по правам ребёнка, перенося эти принципы в цифровую среду, делает два важных предупреждения, обращённых прямо к будущему. Комитет требует, чтобы автоматизированные системы не использовались для влияния на поведение или эмоции ребёнка или для ограничения его возможностей и развития. Он также указывает, что негативные последствия автоматизированной обработки и профилирования для ребёнка могут переноситься на последующие периоды жизни. Он подчёркивает необходимость доказательной политики и стандартов для образовательных технологий; обоснование использования образовательной целью; и отсутствие нарушения прав ребёнка.[11]
Руководство UNICEF 2025 года «Дети и искусственный интеллект» также рекомендует отслеживать краткосрочные и долгосрочные прямые и косвенные эффекты искусственного интеллекта на ребёнка на протяжении жизненного цикла, подтверждать пользу доказательствами в школьных приложениях системного масштаба и учитывать этапы развития детей.[12]
В сравнительных документах виден и более осторожный порог. Рекомендация Комитета министров Совета Европы 2018 года и руководство 2021 года по защите данных детей в образовательной среде рекомендуют запретить профилирование детей как правило; но допускают исключение, когда существуют высший интерес ребёнка или преобладающий публичный интерес и обеспечены правовые гарантии.[13] Эти документы нельзя представлять как прямые правовые нормы для Турции. Тем не менее важно для построения политики относиться к профилированию детей не как к обычной персонализации, а как к вмешательству, требующему исключительного обоснования.
Отнесение Регламента ЕС об искусственном интеллекте (AB Yapay Zekâ Tüzüğü) некоторых использований — доступ к образованию, оценка результатов обучения и определение подходящего уровня образования лица — к высокому риску является регуляторным выражением того же направления.[14] Эта классификация не применяется напрямую к каждому приложению в Турции; но показывает, что прогноз в образовании может быть не только выходом программного обеспечения, но инфраструктурой решений, распределяющей фундаментальные возможности.
В этой рамке для образовательных учреждений может быть предложена гарантия открытого будущего. Выражение — не самостоятельное основное право, регулируемое под таким названием в турецком праве, и не официальная обязанность, определённая MEB. Это стандарт управления, разработанный для применения принципов высшего интереса ребёнка, развития и права на образование, равенства возможностей, точности данных, ограничения хранения, участия и обжалования к высокозначимым профилям учеников.
Основная идея гарантии открытого будущего такова: учреждение не должно давать вероятностному объяснению, произведённому из прошлого поведения ученика, власть навсегда закрывать его будущие варианты. Способность ученика меняться, опровергать оценку, быть повторно оценённым в новом контексте и получать доступ к возможностям, независимым от прошлого вывода, должна быть системой сделана подлинно возможной.
Эта гарантия может быть конкретизирована в шести правилах.
Функцией оценки раннего предупреждения по умолчанию должно быть предложение ученику дополнительного варианта поддержки. Если оценка снижает доступ к продвинутому курсу, проектной группе, стипендии, программе или подобной возможности, это требует отдельного и усиленного рассмотрения. Автоматическое рассуждение в форме «не признан подходящим, поскольку высокий риск» недостаточно. Ограничительное решение должно основываться на актуальных, независимых и персонализированных педагогических основаниях.
Перенос профиля риска, созданного для помощи ученику, в тихом режиме в дисциплинарный процесс, отзыв стипендии, приём, понижение уровня или другой санкционный процесс должен быть предотвращён. Для повторного использования требуется новый анализ цели, правового основания, необходимости и соразмерности; при необходимости — новая этическая декларация и оценка воздействия. Технические права доступа также должны поддерживать это разграничение.
Вывод о риске — не постоянная черта личности ученика, а ограниченное по времени утверждение, установленное при определённых данных и условиях. Поэтому каждой оценке должна сопутствовать «архитектура срока годности»: дата действия, событие, аннулирующее оценку, порог повторного рассмотрения и список систем, в которые переносится результат. Правилом по умолчанию при новом семестре, курсе или значимом изменении развития должна быть чистая страница; продолжение оценки возможно только с новым и задокументированным обоснованием.
Механизм обжалования не должен оставаться на уровне «моя запись о прогуле неверна». Ученик или родитель должны иметь возможность сказать: «из этих данных нельзя вывести, что я потерплю неудачу», «рекомендуемое вмешательство не соответствует моей потребности» или «из-за этого профиля не должен закрываться вариант передо мной». При высокозначимых последствиях рассмотрение должно включать вторую оценку, достаточно независимую от системы, произведшей первую оценку, и от лица, которое её регулярно использует.
Учреждение должно отслеживать точность оценки, применённую поддержку и получившийся исход в отдельных записях. Оценка не должна смотреть только на то, сколько рисковых учеников действительно потерпели неудачу; она должна также исследовать, какое вмешательство кому предложено, участвовал ли ученик в нём, какие возможности открылись или закрылись и получали ли схожие ученики разное обращение. Иначе модель может записать вызванное ею изменение на свой счёт успеха.
Ученик, невидимый для модели, также должен иметь возможность запросить поддержку; ложноотрицательные результаты не должны оставаться вне институциональной помощи. Аналогично при высокозначимом руководстве ученик должен иметь доступ к пути оценки, не привязанному исключительно к алгоритмическому профилю. Это не полное отключение искусственного интеллекта; это то, что институциональное внимание и возможности не должны иметь алгоритм в качестве единственной двери.
Образовательное учреждение может исследовать использование аналитики обучения по следующей шестиэтапной карте.
1. Цель спрашивает, какой именно образовательный исход прогнозируется и почему. Доказательства для сохранения — ясная цель, целевая группа и анализ альтернативных методов; красная линия — неизмеримая цель вроде «общий успех учеников». 2. Прогноз спрашивает, с какими данными, периодом, моделью и неопределённостью произведена оценка. Доказательства — источник данных, версия, локальная производительность и записи об ошибках; красная линия — ярлык, представленный как бесвременный, без источника и как несомненный факт. 3. Вмешательство спрашивает, какое действие запускает каждый уровень риска. Доказательства — матрица вмешательств, ответственное лицо и разграничение поддержки и ограничения; красная линия — закрытие возможности одной лишь оценкой.
4. Участие спрашивает, что знает ученик, когда его слушали и как он обжаловал. Доказательства — соответствующее возрасту разъяснение, мнение и запись второго рассмотрения; красная линия — скрытый профиль или неэффективное обжалование. 5. Исход спрашивает, действительно ли вмешательство принесло пользу и возникло ли различие между группами. Доказательства — эффект по вмешательствам, благополучие, ошибки и распределение возможностей; красная линия — считать успехом только точность модели. 6. Повторное использование спрашивает, когда оценка будет удалена, обновлена или перенесена в другой процесс. Доказательства — срок, «огненный барьер», удаление и запись повторной оценки; красная линия — автоматический перенос вывода в новый семестр или решение.
Эта карта не заменяет декларацию YAZEK или документы соответствия по персональным данным. Она делает видимой связь, на которую они не отвечают: какое институциональное поведение породил прогноз и как это поведение изменило последующие данные ученика?
Успех систем раннего предупреждения — не в большом числе предупреждений или высокой точности обнаружения рисковых учеников. Даже если в учреждении все ученики высокого риска потерпят неудачу, на первый взгляд это может выглядеть как исключительная точность модели; в действительности это может указывать на то, что система поддержки не работала или ярлык сузил возможности.
Более содержательные показатели:
доля учеников, получивших доступ к адекватной поддержке после предупреждения,
распределение учеников, получивших пользу от поддержки, и типов вмешательства,
ошибочно отмеченные или нуждающиеся в поддержке без отметки ученики,
образовательные варианты, открытые и закрытые из-за оценки,
доли обжалований, исправлений и изменённых решений,
удалялись ли ярлыки в предусмотренный срок,
стигматизация, тревога или потеря автономии, пережитые учениками в процессе,
возникло ли различие в поддержке и возможностях между разными группами учеников.
Эти показатели не обесценивают техническую производительность. Они связывают техническое измерение с подлинной целью образовательного учреждения: обучением, развитием и справедливой возможностью.
Аналитика обучения может усилить право на образование, рано распознавая потребность ученика. Но правовая и педагогическая ценность системы не измеряется тем, насколько точно она классифицирует ученика. Подлинная ценность проявляется в том, какую поддержку эта классификация дала ученику, какие варианты затронула и насколько честно учреждение отслеживало последствия собственного вмешательства.
Поэтому новый вопрос соответствия для образовательных учреждений не должен заканчиваться на «профилируем ли мы?». Он должен продолжаться вопросами: Чьё внимание и куда направляет профиль? Какой ученик становится видимым, какой — невидимым? Добавляет ли предупреждение поддержку или уменьшает возможности? Когда устаревает старый прогноз? Может ли учреждение отделить собственное вмешательство от успеха модели?
Политическим выражением этих вопросов является не только инвентарь искусственного интеллекта, но Политика профилирования учеников и алгоритмического руководства. Такая политика должна соединить процесс YAZEK с процедурами оценки и аттестации, психолого-педагогического сопровождения, персональных данных, равенства, обжалования и управления записями в одной цепочке решений. Начать можно с построения потока прогноз–вмешательство–исход для трёх использований: раннее предупреждение, рекомендация курса и определение уровня.
Образовательное учреждение будущего будет отличаться не только тем, сколько искусственного интеллекта оно использует. Главное отличие — сможет ли учреждение использовать алгоритмический прогноз, не превращая его в вынесенный в отношении ученика приговор. Потому что если учреждение вмешалось в формирование материализовавшегося будущего, это будущее нельзя считать нейтральным свидетельством точности алгоритма.
Онлайн-источники, на которые ссылается текст, последний раз проверены 9 сентября 2026 г. Оценки носят общий характер; каждое конкретное применение должно рассматриваться отдельно через статус учреждения, целевую аудиторию, потоки данных и решений, структуру закупок и применимые актуальные правила. «Власть алгоритмического формирования повестки» и «гарантия открытого будущего» — политические понятия, разработанные в данной статье; это не самостоятельные права или обязанности, определённые под такими названиями в действующем праве.
