ИИ для проверки заданий: обратная связь ученикам

Для онлайн-школы со 100 учениками ИИ может сократить рутинную проверку с 8 часов в неделю примерно до 1 часа выборочного контроля. Он читает работу по заранее заданным критериям, находит ошибки, объясняет их и отправляет ученику понятную обратную связь. Полностью отдавать ИИ оценивание нельзя: творческие задания, спорные решения и итоговую аттестацию должен подтверждать человек.

Что именно проверяет ИИ в онлайн-школе

Автоматизация начинается не с выбора модели, а с классификации заданий. Для каждого типа нужен свой способ проверки и свой уровень доверия к результату.

Код. Агент запускает тесты, проверяет структуру решения, стиль и соответствие требованиям урока. Важно разделять технический результат и педагогический: программа может пройти тесты, но ученик не понять, почему решение работает. Поэтому в ответе нужны не только найденные ошибки, но и объяснение на уровне текущего урока.

Тексты и эссе. ИИ сверяет работу с рубрикой: тезис, аргументация, структура, фактические ошибки, оформление. Он может выделить места, которые стоит переписать, но не должен превращаться в бездумный счётчик запятых. Для творческого текста корректнее дать комментарии и вопросы автору, чем выдавать окончательную оценку.

Задачи с формализуемым ответом. Математика, тесты, SQL-запросы и короткие практические задания проверяются устойчивее, если есть эталон, допустимый диапазон и набор типичных ошибок. ИИ объясняет ход решения, но вычислительную проверку лучше дублировать отдельным тестом или формулой.

Проектные работы. Здесь агент собирает предварительный отчёт: какие пункты задания выполнены, каких файлов не хватает, где нарушены требования. Это не финальная оценка, а фильтр, который освобождает преподавателя от одинаковых комментариев.

Для каждого вида работы полезно заранее задать три статуса: проверено автоматически, требуется выборочная проверка, обязательно проверить человеку. Так школа не создаёт ложное ощущение точности.

Как выглядит процесс от загрузки до обратной связи

Рабочий процесс можно собрать в пять этапов.

1. Ученик отправляет файл, ссылку или текст в LMS, форму или Telegram.
2. Агент определяет тип задания и подставляет нужную рубрику: например, «Python, урок 4» или «эссе по модулю 2».
3. Система проверяет работу. Для кода отдельно запускаются тесты, для текста применяется чек-лист, для задачи сверяется решение с эталоном.
4. Агент формирует результат в фиксированном формате: что получилось, две-три главные проблемы, объяснение, следующий шаг.
5. Если уверенность низкая или найдено исключение, работа попадает в очередь преподавателя. После его решения ответ можно использовать как новый пример для улучшения инструкции.

Сообщение ученику не должно быть длинным протоколом. Хорошая обратная связь отвечает на четыре вопроса: что уже сделано, где ошибка, почему она возникла и что сделать сейчас. В конце лучше дать одно конкретное действие, а не список из десяти рекомендаций.

Например: «Структура функции верная. Тест не проходит на пустом списке: цикл обращается к первому элементу до проверки длины. Добавь условие из урока 3 и перезапусти тест. После исправления отправь работу повторно». Такой ответ полезнее, чем «ошибка в логике, доработайте».

Если школа уже собирает данные в таблицах, сводку по проверкам можно связать с ИИ для отчётов: сколько работ принято с первого раза, какие ошибки повторяются, на каком уроке растёт очередь. Для общения с учениками пригодится сценарий ИИ-помощника в Telegram, но учебные критерии нужно хранить отдельно от общих инструкций помощника.

Как настроить критерии, чтобы ИИ не ставил оценки наугад

Главная причина слабой автопроверки — расплывчатое задание для самого агента. Фраза «проверь работу ученика» не задаёт ни стандарта, ни границ. Нужна рубрика, которую сможет применить другой преподаватель.

В рубрике укажи:

• цель задания и тему урока;
• обязательные элементы результата;
• критерии по уровням: выполнено, частично, не выполнено;
• типичные ошибки и допустимые варианты решения;
• что нельзя считать ошибкой;
• формат комментария и максимальный объём;
• условия передачи работы человеку.

Добавь три-четыре реальных примера: хорошую работу, работу с одной типичной ошибкой, слабую работу и спорный случай. На примерах видно, не путает ли агент нарушение формата с непониманием темы.

Не проси модель сразу вычислять итоговую оценку по пятибалльной шкале. Надёжнее сначала получить наблюдения по каждому критерию, а итог рассчитывать прозрачным правилом. Если преподаватель не может объяснить, почему работа получила 7 из 10, ученик тем более не поймёт.

Полезно ввести порог уверенности. При очевидном совпадении с правилами агент отправляет ответ автоматически. При конфликте критериев, необычном решении или потенциальной ошибке проверки он пишет преподавателю краткую сводку и ждёт подтверждения.

Внешний интерфейс для ученика может быть простым, а внутренняя инструкция — подробной. Подход к созданию таких сценариев похож на настройку Claude Code: сначала описываются правила и контекст, затем проверяется результат на конкретных примерах, а не на красивом демонстрационном запросе.

В моей практике: автоматизировать рутину, а не доверие

Я собирал свои сервисы без знания кода и на собственных задачах увидел важную границу: агент хорошо снимает повторяющиеся действия, но плохо отвечает за решение, цену которого никто не проверяет. Это особенно заметно в обучении.

Если у преподавателя 100 одинаковых домашних заданий, нет смысла писать один и тот же комментарий сотню раз. Но если ученик нашёл нестандартное решение, механическая проверка может назвать его ошибкой. Поэтому я бы запускал процесс в два этапа: сначала агент готовит черновик ответа на всех работах, затем человек смотрит выборку и все сработавшие исключения.

В пилоте стоит измерять не только сэкономленные часы. Нужны четыре показателя: доля ответов без исправлений преподавателя, повторная отправка работы, время до полезной обратной связи и число ошибочных замечаний. Если скорость выросла, а ученики стали чаще пересылать одну и ту же работу, автоматизация настроена плохо.

Для владельца школы это также способ понять, где программа требует доработки. Десятки одинаковых ошибок могут означать не невнимательность учеников, а слишком резкий переход между уроками или неудачный пример в методичке. ИИ здесь выступает не судьёй, а датчиком качества курса.

Где автоматизация ломается и как защитить ученика

Творческие ответы. У них может быть несколько правильных стратегий. Ограничь ИИ ролью рецензента: он задаёт вопросы и показывает несоответствия критериям, но не выносит окончательный вердикт.

Неполный контекст. Если агент не видит условие задачи, материалы урока или предыдущие попытки, он будет достраивать смысл. Перед проверкой передавай идентификатор модуля, условие, критерии и саму работу.

Конфиденциальные данные. Не отправляй в модель лишние персональные сведения. Для учебной проверки обычно достаточно идентификатора ученика и содержания работы. Права доступа к результатам должны быть разделены: ученик видит свою обратную связь, преподаватель — очередь группы.

Ошибки в интеграции. Если сообщение не дошло или файл обработался дважды, школа теряет доверие быстрее, чем из-за одного неудачного комментария. Сохраняй журнал событий, идентификатор работы и статус: получено, проверяется, отправлено, требует человека.

Слишком дорогая модель. Для простого теста не нужна самая тяжёлая модель. Сложные эссе можно направлять на более сильную проверку, а формальные задания — на быстрый сценарий. Если использовать модели вроде Claude 3.5 Sonnet или GPT-5, стоимость расчётов возрастает в 3-5 раз, поэтому маршрутизацию нужно считать заранее.

Начни с одного курса и одного типа заданий. После 20-30 работ сравни ответы агента с оценками преподавателя, поправь рубрику и только потом подключай следующий поток. Подробнее о роли ИИ в продвижении и процессах школы можно посмотреть в статье ИИ для маркетолога, но проверку учебных работ лучше развивать отдельным контуром.

Для запуска без самостоятельной сборки интеграций можно использовать Мой агент и начать с узкого сценария: принять работу, проверить по рубрике, отправить черновик ответа и передать исключения куратору. Если нужны системные навыки работы с ИИ и автоматизацией, смотри программу курса.

Проверка заданий ИИ приносит пользу не тогда, когда убирает преподавателя, а когда возвращает ему время на объяснение сложного. Сначала зафиксируй критерии, оставь человеку спорные случаи, измерь ошибочные замечания и только потом расширяй автоматизацию на весь курс.