Elevator pitch kolmes keeles

Eesti

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” ($P(\text{lahendab}) \approx 0.7$). 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.

Русский

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» ($P(\text{решит}) \approx 0.7$). 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.

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” ($P(\text{solve}) \approx 0.7$). 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.

---

Mida öelda kui küsivad „kas see on raske?”

Valmis vastus tiimile — sama sõnastus kõlbab ka avaliku Q&A jaoks:

Mootori all on Bayesian Knowledge Tracing mikrooskuste kaupa. See on klassikaline mudel aastast 1995, neli parameetrit, uuendamine Bayesi valemi järgi. Me kasutame seda just sellepärast, et see on tõlgendatav: õpetaja näeb miks süsteem konkreetset ülesannet soovitab. Päris andmete pealt sobitame parameetrid EM-iga, aga MVP jaoks piisab kirjandusliku vaikevärdiga.