Введение
Современное образование всё больше переходит в цифровую плоскость, формируя так называемое открытое цифровое пространство — децентрализованную, глобально доступную и технологически насыщенную образовательную среду. В условиях пандемических и постпандемических реалий, а также в связи с бурным развитием технологий искусственного интеллекта, больших данных и облачных вычислений, традиционные образовательные парадигмы требуют кардинальной переоценки.
Особую актуальность приобретают новые образовательные стратегии, ориентированные не на стандартное массовое обучение, а на построение персонализированных траекторий развития обучающихся. В этом контексте особое значение имеют информационные системы и технологии, выступающие в роли инфраструктурной и методологической основы для создания интеллектуальных образовательных платформ (см., например, [1]-[4]).
Целью данной работы является разработка теоретической модели адаптивной образовательной экосистемы, интегрирующей принципы открытости, цифровизации и искусственного интеллекта.
1. Концептуальные основы открытого цифрового образовательного пространства
Открытое цифровое образовательное пространство (ОЦОП) понимается как совокупность цифровых ресурсов, сервисов и сообществ, обеспечивающих свободный доступ к знаниям, гибкость образовательных траекторий и поддержку непрерывного обучения [5]. Ключевыми характеристиками ОЦОП являются:
·       Доступность — независимость от географического положения и социального статуса;
·       Интероперабельность — способность различных цифровых платформ и контентов взаимодействовать друг с другом;
·       Персонализация — адаптация образовательного процесса под индивидуальные потребности обучающегося;
·       Участие — вовлечение всех участников (обучающихся, преподавателей, разработчиков, работодателей) в ко-создание образовательного контента и практик.
ОЦОП базируется на концепции открытого образования, включающей открытые образовательные ресурсы (ООР), открытые лицензии (Creative Commons) [6], а также открытые практики преподавания и обучения [7], [8].
2. Концептуальная модель адаптивной образовательной экосистемы
Центральным теоретическим вкладом данной работы является концептуальная модель адаптивной образовательной экосистемы (АОЭ) — системная конструкция, объединяющая педагогические, технологические и социальные аспекты цифрового обучения.
2.1. Определение и принципы
АОЭ определяется как открытая, самоорганизующаяся и многокомпонентная информационно-образовательная среда, в которой обучающийся взаимодействует с цифровыми ресурсами, искусственным интеллектом, педагогами и другими участниками через единую, гибкую и масштабируемую платформу.
Модель основана на следующих принципах:
1.    Персонализация — адаптация контента, темпа и траектории под когнитивный профиль обучающегося;
2.    Открытость — использование ООР, открытых API и стандартов (xAPI, LTI);
3.    Адаптивность — динамическое реагирование на изменения в поведении, успеваемости и целях обучающегося;
4.    Участие — вовлечение обучающегося в процесс ко-создания знаний (co-creation);
5.    Этичность — защита персональных данных, алгоритмическая прозрачность и инклюзивность.
2.2. Уровневая архитектура АОЭ
Модель АОЭ строится по четырёхуровневой архитектуре, которая обеспечивает как технологическую реализуемость, так и педагогическую обоснованность:

Таблица 1

Эта архитектура обеспечивает сквозную цифровую траекторию, от фиксации активности до генерации персонализированной обратной связи.
2.3. Теоретические основания
Концептуальная модель АОЭ опирается на три ключевые педагогические теории:

• Коннективизм — знание рассматривается как сеть связей, а обучение — как процесс построения и навигации в этой сети. АОЭ выступает в роли цифровой среды, поддерживающей формирование таких связей.
• Зону ближайшего развития — ИИ-наставник и рекомендательные системы играют роль «цифрового посредника», поддерживающего обучающегося на границе его текущих возможностей.
• Теорию самоопределённого обучения (heutagogy) — экосистема даёт обучающемуся автономию в выборе контента, темпа и формата, развивая метакогнитивные навыки.

2.4. Визуализация концептуальной модели

Диаграмма развертывания отображает:

• Клиентский уровень: устройства обучающихся (веб/мобильные приложения);
• Локальная инфраструктура ВУЗа: LMS, СЭД, шлюзы интеграции;
• Облачная платформа АОЭ: микросервисы ИИ, базы данных, API-шлюз;
• Внешние федеральные и открытые ресурсы: реестры ООР, микро-квалификаций, MOOC;
• Корпоративные партнёры: работодатели как источник требований к компетенциям;
• Протоколы взаимодействия: HTTPS, LTI, REST, xAPI;
• Соблюдение требований законодательства (ФЗ-152 [9], GDPR [10]).

2.5 Матрица связей компонентов АОЭ
Матрица связей отражает функциональную взаимозависимость компонентов АОЭ. Анализ показывает, что система обладает высокой степенью интеграции: 82 % возможных связей между компонентами являются активными, что подтверждает её системный и экосистемный характер. При этом отсутствие избыточных связей (например, между MOOC и когнитивным профилированием) обеспечивает модульность и масштабируемость архитектуры.
Интерпретация ключевых связей:
1.    xAPI/LRS является источником исходных данных для почти всех компонентов — фиксирует клики, просмотры, ответы, время и т.д.
2.    Цифровой профиль служит центром агрегации данных: он обогащается из LRS, ML-аналитики, работодателей и возвращает информацию сервисам.
3.    Рекомендательный движок зависит от всех аналитических компонентов (ML, профилирование, профиль), но сам не генерирует данные — только потребляет.
4.    ИИ-наставник активно взаимодействует с практически всеми сервисами, так как выступает в роли «единого интерфейса» для обучающегося.
5.    Работодатели и микро-квалификации вносят внешние требования к компетенциям, влияя на персонализацию и верификацию результатов.
Ниже — PlantUML-диаграмма компонентов, отражающая все значимые взаимодействия из матрицы. Для улучшения читаемости компоненты сгруппированы по функциональным блокам, аналогично четырёхуровневой модели.

2.6. Интеграция с ИТ-инфраструктурой вуза
АОЭ не заменяет, а дополняет существующие информационные системы вуза:

• Интеграция с СУП (Системой управления обучением) через LTI;
• Синхронизация с СЭД и электронными зачётными книжками;
• Подключение к единым федеральным реестрам компетенций и ООР (например, «Содействие» или «Открытое образование»).

Такой подход обеспечивает эволюционное (а не революционное) внедрение АОЭ.
3. Сравнительный анализ с существующими моделями адаптивного обучения
Для оценки новизны и преимуществ предложенной модели АОЭ проведено сопоставление с тремя ведущими платформами, реализующими принципы адаптивного обучения:

• Coursera — глобальная коммерческая MOOC-платформа с элементами ИИ-персонализации;
• Open edX — открытая платформа для создания онлайн-курсов, поддерживающая расширения;
• Knewton Alta — специализированная система адаптивного обучения, основанная на когнитивной модели знаний.

Сравнение выполнено по пяти ключевым критериям, отражающим как педагогические, так и технологические аспекты:

Таблица 3

Ключевые отличия:

• Coursera предлагает удобный пользовательский интерфейс и высококачественный контент, но работает как изолированная среда, не интегрирующаяся во внутренние образовательные процессы вуза. Персонализация ограничена рекомендациями курсов, но не адаптирует внутрикурсовой контент.
• Open edX обеспечивает технологическую гибкость, однако требует значительных ресурсов на доработку. Адаптивность реализуется через сторонние модули (например, Adaptive Engine), которые не поддерживают ИИ-аналитику в реальном времени.
• Knewton Alta — наиболее продвинутая система по адаптации внутри дисциплины (особенно в STEM), но она узкоспециализирована, закрыта и не поддерживает открытые образовательные практики. Кроме того, отсутствует поддержка русского языка и локальных образовательных стандартов.

Предложенная модель АОЭ сочетает открытость Open edX, глубину адаптации Knewton и пользовательский опыт Coursera, при этом обеспечивая:

• Суверенность (локальное развёртывание, соблюдение ФЗ-152);
• Гибридную интеграцию (работа поверх существующих LMS);
• Расширяемость (модульная архитектура с открытыми API);
• Педагогическую целостность (связь с теориями обучения и образовательными стандартами).

Таким образом, модель АОЭ представляет собой синтетический подход, выделяющийся на фоне существующих решений балансом между технологической зрелостью, педагогической обоснованностью и национальной применимостью.
4. Роль информационных систем и технологий в формировании адаптивных образовательных экосистем
Адаптивная образовательная экосистема представляет собой динамическую, самоорганизующуюся и многокомпонентную систему, в которой обучающийся взаимодействует с цифровыми ресурсами, ИИ-агентами, педагогами и другими участниками через единую информационную платформу.
Центральным элементом подобной экосистемы является интеллектуальная образовательная платформа, реализующая следующие функции:

• Анализ цифрового следа обучающегося (история взаимодействия с контентом, результаты тестирования, стиль восприятия информации);
• Динамическое моделирование компетенций (оценка текущего уровня знаний и навыков);
• Рекомендательные механизмы на основе машинного обучения, предлагающие релевантные учебные материалы, задания и курсы;
• Интерфейс взаимодействия с ИИ-наставниками, чат-ботами и виртуальными лабораториями.

Архитектура платформы может включать следующие уровни:
1.    Уровень данных — хранилища образовательных объектов, метаданных, логов взаимодействия;
2.    Уровень аналитики — модули машинного обучения и обработки больших данных;
3.    Уровень сервисов — микросервисы рекомендаций, оценки, обратной связи;
4.    Уровень взаимодействия — API, LMS-интеграция, мобильные и веб-интерфейсы.
5.Персонализация как ключевой принцип новой образовательной стратегии
В отличие от массового образования XX века, современные стратегии строятся вокруг обучающегося как центра образовательного процесса. Персонализация достигается за счёт:

• Когнитивного профилирования — определение предпочитаемого стиля обучения (визуальный, аудиальный, кинестетический и др.);
• Адаптивного темпа обучения — динамическое регулирование сложности и темпа подачи материала;
• Контекстуализации контента — связь учебного материала с реальными задачами, интересами обучающегося и профессиональными целями.

Применение ИИ позволяет не только автоматизировать подбор контента, но и предсказывать риски академической неуспешности, предлагать своевременную поддержку и формировать «умные» учебные планы.
6.Этические и социальные аспекты
Развитие адаптивных образовательных экосистем сопряжено с рядом вызовов:

• Цифровое неравенство — доступ к технологиям не является универсальным;
• Приватность данных — сбор и обработка личных данных обучающихся требует строгого регулирования (в соответствии с GDPR, ФЗ-152 и др.);
• Алгоритмическая прозрачность — необходимость обеспечения объяснимости ИИ-решений в образовательной практике.

Важно, чтобы внедрение ИИ не приводило к дегуманизации образования, а, напротив, способствовало усилению ролей наставничества, рефлексии и критического мышления.
Формирование адаптивных образовательных экосистем на основе искусственного интеллекта представляет собой перспективное направление развития новых образовательных стратегий в условиях открытого цифрового пространства. Предложенная теоретическая модель подчеркивает необходимость синергии между педагогикой, информационными системами и этическими принципами.
Дальнейшие исследования должны быть направлены на:

• разработку стандартов интероперабельности образовательных платформ;
• создание методик верификации ИИ-рекомендаций;
• оценку эффективности адаптивных стратегий в реальных образовательных контекстах.

Только комплексный и междисциплинарный подход позволит реализовать потенциал цифровой трансформации образования в интересах всех участников образовательного процесса.
Исследование выполнено за счет внутренних грантов РГПУ им. А. И. Герцена (проект N 77-ВГ).

Литература:
1.      Флегонтов А.В., Матюшичев И.Ю. Анализ современных тенденций в области методов и технологий искусственного интеллекта для информационных систем // Современные проблемы математики и математического образования. Сборник Международной научной конференции «78 Герценовские чтения». Санкт-Петербург. – 2025. – С. 336-341.
2.      Флегонтов А.В., Матюшичев И.Ю., Винокурова Д.В. Интеллектуальный анализ образовательных данных и адаптивная образовательная среда // Новые образовательные стратегии в открытом цифровом пространстве. Сборник научных статей по материалам Международной научно-практической конференции. Санкт-Петербург. – 2025. – С. 122-128.
3.      Матюшичев И.Ю., Флегонтов А.В. Использование искусственного интеллекта при создании информационной системы с помощью языка UML // Письма в Эмиссия.Оффлайн (The Emissia.Offline Letters): электронный научный журнал. 2025. №12 (декабрь). ART 3628. URL: http://emissia.org/offline/2025/3628.htm
4.      Матюшичев И.Ю., Флегонтов А.В. Разработка прототипа ИИ-ассистента на базе fine-tuned языковой модели для генерации PlantUML-диаграмм // Педагогическая информатика. Москва, № 4, 2025. – С. 93-106.
5.      Siemens, G. Connectivism: A Learning Theory for the Digital Age. International Journal of Instructional Technology and Distance Learning, 2005, vol.2, N1.
6.      Wiley, D. The Access Compromise and the 5th R. Open Content Network. 2014
7.      Popenici, S. A. D., & Kerr, S. Exploring the Impact of Artificial Intelligence on Teaching and Learning in Higher Education. Research and Practice in Technology Enhanced Learning, 2017,12(1), 22.
8.      Zawacki-Richter, O., et al. Systematic Review of Research on Artificial Intelligence Applications in Higher Education. International Journal of Educational Technology in Higher Education, 2019,16(1).
9.      Федеральный закон №152-ФЗ «О персональных данных». Россия, 2006.
10.   UNESCO AI and Education: Guidance for Policy-Makers. Paris: UNESCO Publishing. 2021