Q&A — keerulised küsimused ja valmis vastused

Pärast elevator pitch’i — valmis vastused, et miski ei jätaks teid hätta.

Tehnilised küsimused

”Miks BKT, mitte DKT (Deep Knowledge Tracing)?”

DKT on LSTM, mis õpib vastuste järjestustelt — vajab ~$10^5$ treeningnäidet, ja meil sellist korpust pole. Lisaks on see läbipaistmatu: õpetajale ei saa põhjendada, miks just see ülesanne valiti.

BKT kaotab suurte andmekogumite peal ~5% täpsust, kuid on tõlgendatav, töötab esimesel päeval kirjanduse vaikeväärtustel ning lubab andmete kogunedes EM-häälestust.

”Kust on $P(L_0), P(T), P(S), P(G)$?”

Kirjanduse vaikeväärtused 0,2 / 0,1 / 0,1 / 0,2 — Corbett & Anderson (1995). Need üldistuvad teemade üleselt. Päris andmete peal sobitame need ümber Expectation–Maximization-iga (Baum–Welch HMM-ide jaoks) — märkmikus NB-3 EM-i sobitamine on demo sünteetiliste andmete peal.

”Aga IRT (Item Response Theory)?”

IRT modelleerib võimet ja raskust — sobib testimiseks (SAT/GRE), kuid mitte õpetamiseks, sest ei jälgi, kuidas õpilane aja jooksul õpib. BKT hoiab selget meisterlikkuse olekut, mis uueneb iga vastusega — õige valik adaptiivseks õppeks.

Võrdlus: NB-4 IRT vs BKT.

”Aga intervallkordamine / Anki?”

SR optimeerib kordamise intervalle, et võidelda unustamisega — suurepärane sõnavarale, nõrgem matemaatilisele mõistmisele. Saab hiljem kombineerida — see on lihtsalt teine ülesande mõõde.

”Kas ChatGPT ei teeks sama?”

ChatGPT eksib aritmeetikas, ei mäleta õpilase taset ega taga kureeritud matemaatika sisu. Me ei usalda LLM-e ülesannete kirjutamiseks — ülesannete panka kureerib õpetaja, AI ainult valib.

Lisaks toob TalTechi kursus tudengite AI-kasutuse kohta välja jaotuse 10 / 80 / 10: ~10% õpib päriselt ja kasutab AI-d kiirendina, ~10% ei õpi niikuinii, ja ~80% muudab AI karguks ja mõistab lõpuks vähem. Klassile otsese ChatGPT-juurdepääsu andmine lükkab selle 80% kohe kargu peale. MATx valib õpilase eest ülesande kureeritud pangast — ega lase AI-l tema eest lahendada.

”Kas käsitsi kirjutatud lehe skannimine töötab?”

Demo on hübriid: õpilased märgivad lõppvastused ja sammud kindlatesse väljadesse — usaldusväärne numbri- ja linnukese-OCR. Täielik käekirja-CV matemaatikas on eraldi R&D-projekt — mitte MVP-s; ütleme seda teekaardi slaididel ausalt välja.

”Kas see on keeruline?”

Põhimootor — Bayesi teadmiste jälgimine mikrooskuste tasandil. Neljaparameetrilised Bayesi uuendused alates 1995. aastast. Õpetajad näevad, miks soovitused on sellised, nagu nad on. EM-häälestus tuleb pärast MVP-d; vaikeväärtused võimaldavad juba täna käivitada.

”Kui suur on ülesannete pank?”

MVP-s — Andri aus number. Me ei ajanud taga mahtu — mikrooskuste märgistus on kallis õpetaja töö, mitte sünteetiline genereerimine.

Tooteküsimused

”Mille poolest erinete Khan Academyst / Opiqist?”

Khan / Opiq optimeerivad õpilase teekonda. MATx keskendub õpetajale — säästab ~10 tundi nädalas diferentseeritud töölehtede ja parandamise pealt ning annab kogu klassi kaardi ühel ekraanil.

Mikrooskused + eestikeelne kirjeldav tagasiside; ülesandeid kirjutab õpetaja (Andri), AI valib ainult järjekorra.

”Kes on klient?”

Eesti koolid — matemaatikaõpetajad 5.–9. klassis, kellel on 20+ õpilast ja 10+ tundi diferentseerimist nädalas. ~25% põhikooli lõpetajatest ei soorita matemaatika eksamit — terav valupunkt.

”Kallutatus / õiglus / privaatsus?”

Õpilase andmed jäävad õpetaja / kooli juurde (SQLite prototüübis; kohapealne paigaldus teekaardil). Mikrooskused vastavad õpetaja kureeritud õppekava faktidele — objektiivne märgistus vähendab õigluse triivi võrreldes läbipaistmatute hindemudelitega.

”Skaala?”

MVP — üks klass. SQLite + Next.js peab vastu mitukümmend kooli enne, kui Postgres / Redis vajalikuks muutub. Selektori matemaatika ei muutu.

”eKool / Stuudium / Moodle integratsioonid?”

Teekaardil — häkatoni mahtu nendega ei laienda, et põhinarratiiv selge püsiks.

”Kas on olemas kaaslase-tööriist arvutuste enda harjutamiseks?”

Jah — Tom Kabel-i MATx. Meie õpetame modelleerima (tekst → võrrand), tema treenib lahendama (võrrand → arv). Eesti matemaatika 7.–9. klass, sama sihtgrupp.

Meie 9 mikrooskuse ja tema 9 competency vahel on vastavuskaart lehel Sild MATx-i. Häkatonil saadame silla meie poolelt; mudeli tehniline integratsioon (meie bktUpdate tema submit-handlerisse ühe reaga) — Phase 3, pärast häkatonit, kokkuleppel.

Kaitsvad vastused

”Kõlab nagu veel üks matemaatika-äpp.”

Erinevus: pole juhuslikud harjutused, pole AI-ga genereeritud ülesanded, pole UI-pinna kosmeetika. Päris adaptiivne mudel, mida saab seletada rida-realt — eraldi kategooria.

”Õpetajad ei võta seda omaks.”

Võimalik. Leevendus: toode ehitatakse koos õpetajaga (Andri), tema täis tunniplaan kinnitab praktiku usaldusväärsust ja avab piloodikanali.

”Liiga sarnane konkurendiga X.”

Pinnapealsed sarnasused kaovad — läbipaistev tõenäosuslik tuum + kureeritud eestikeelne sisu + õpetaja-kõigepealt seletused on muu strateegia kui „ChatGPT teismelistele”.

Mida mitte öelda

• Ära leiuta täpsusnumbreid — MVP ausus võidab.
• Ära luba GA-d kolme kuu pärast — Andri õpetamiskoormus ei luba.
• Ära toetu põhipitchis sõnadele “AI / LLM / GPT” — see hägustab positsioneeringut.
• Ära demonstreeri üldisi vestlusroboteid — see ei ole meie bränd.

Kui jääb aega elavaks demoks

• Klassi soojuskaart — kõige tugevam visuaal; kuulajad haakivad sellele kohe.
• Sisendi → olek → järgmine tööleht tsükkel — 30 sekundit.
• Eestikeelne seletustekst — diferentseerumise tõestus.

Vaata 3-minutilist proovistsenaariumi: docs/03-demo-plan.md.