Elevator pitch in three languages
Russian
Section titled “Russian”Я пишу маленький движок (~40 строк), который держит для каждого ученика «карту уверенности» по микро-навыкам, обновляет её после каждой задачи по формуле Байеса и выбирает следующую задачу так, чтобы она была «трудно, но достижимо» (). Плюс генератор объяснений учителю и тепловая карта класса. Никакого нейросетевого тумана — просто прозрачная вероятностная модель из 1995 года, у которой главное достоинство в том, что её решения можно объяснить словами.
Ma võtan enda peale „intelligence layer’i” — väike mootor (~40 rida koodi), mis hoiab iga õpilase kohta „kindluskaarti” mikrooskuste lõikes, uuendab seda iga ülesande järel Bayesi valemiga ja valib järgmise ülesande nii, et see oleks „raske aga jõukohane” (). Pluss õpetajale seletuste generaator („miks just see ülesanne”) ja klassi soojuskaart. Mitte mingit närvivõrkude udu — lihtne läbipaistev tõenäosusmudel aastast 1995, mille peamine pluss on et iga otsust saab sõnadega ära seletada.
English
Section titled “English”I’m building a small engine (~40 lines) that keeps a “confidence map” per student across micro-skills, updates it after every task via Bayes’ rule, and picks the next task to be “hard but doable” (). Plus a teacher-facing explainer (“why this task”) and a class heatmap. No neural-network fog — just a transparent probabilistic model from 1995, whose main virtue is that every decision can be explained in plain words.
When they ask “is it hard?”
Section titled “When they ask “is it hard?””Ready answer for teammates — the same wording works aloud for any audience:
Under the hood — Bayesian Knowledge Tracing over micro-skills. Classic 1995 model, four parameters, Bayes updates. We chose it because it’s interpretable: teachers see why the system recommends a given task. On production data we’ll refit parameters via EM; for MVP literature defaults suffice.