Почему "персонализация" часто понимается слишком узко
Когда говорят о персонализации в языковом приложении, обычно имеют в виду уровень.
Пользователь A1 получает простые фразы.
Пользователь B1 - более сложные.
Пользователь C1 - тексты и задания посерьёзнее.
Это полезно, но недостаточно.
Уровень отвечает на вопрос:
"Насколько сложно?"
Но пользователь часто приходит с другим вопросом:
"Что именно мне нужно сейчас?"
Например:
- хочу потренировать прошедшее время;
- нужны фразы для ресторана;
- хочу подготовиться к поездке;
- плохо понимаю речь на слух;
- хочу деловую переписку;
- путаю предлоги;
- хочу слова про спорт;
- хочу говорить о своей работе.
Это уже не просто уровень. Это цель.
Хорошее языковое приложение должно учитывать и сложность, и цель.
Почему один "следующий урок" подходит не всем
Классический курс устроен линейно.
Урок 1.
Урок 2.
Урок 3.
Следующая тема.
Следующая грамматика.
Следующий список слов.
Такой подход удобен для структуры. Но реальные пользователи учат язык по разным причинам.
Один человек учит английский для путешествия. Ему нужны аэропорт, отель, кафе, вопросы, просьбы.
Другой - для работы. Ему нужны email, meetings, deadlines, polite requests.
Третий хочет смотреть видео. Ему нужны частотные разговорные фразы и listening.
Четвёртый готовится к экзамену. Ему нужны задания на грамматику, чтение и письмо.
Если всем показывать один и тот же "следующий урок", приложение теряет персональность.
Персонализация - это не только слабые места
Есть два типа персонализации.
Первый - адаптация к слабым местам.
Например, система видит, что пользователь ошибается в Past Simple, и чаще возвращает эту тему.
Второй - адаптация к намерению пользователя.
Например, пользователь сам говорит:
"Хочу потренировать фразы для ресторана."
или:
"Дай упражнения на future tense."
Оба типа важны.
Система может знать, что человеку нужно повторить. Но сам пользователь тоже может знать, что ему сейчас важно.
Хорошее приложение должно поддерживать обе логики: adaptive learning и learner-directed learning.
Что такое learner-directed personalization
Learner-directed personalization - это когда пользователь сам задаёт направление обучения.
Не просто проходит то, что система решила за него, а формулирует запрос:
"Хочу фразы для отеля."
"Хочу повторить неправильные глаголы."
"Хочу научиться заказывать еду."
"Хочу упражнения на сравнения."
"Хочу слова про здоровье."
Система должна подобрать подходящий материал: фразы, предложения, упражнения, карточки, аудио или мини-урок.
Это особенно важно для взрослых учеников. У них часто есть конкретная задача и мало времени.
Почему это трудно технически
На первый взгляд кажется: пользователь написал запрос, приложение ищет похожие упражнения.
Но прямой поиск часто ломается.
Пользователь пишет:
past tense verbs
А упражнение в базе может выглядеть так:
She visited her grandmother yesterday.
В упражнении нет слов "past tense". Там просто есть прошедшее время.
Или пользователь пишет:
restaurant phrases
А подходящее упражнение:
Could I see the menu, please?
В нём нет слова "restaurant", но оно именно про ресторан.
Или пользователь пишет:
business email
А полезная фраза:
I look forward to hearing from you.
Опять же, прямого совпадения нет.
Это и есть semantic gap: пользователь описывает цель, а упражнения содержат конкретный язык.
Язык о языке и язык сам по себе
Запрос пользователя часто написан "языком о языке":
- past tense;
- irregular verbs;
- subject-verb agreement;
- restaurant vocabulary;
- polite requests;
- business phrases;
- idioms;
- pronunciation;
- second person;
- colloquial expressions.
А упражнение обычно написано на самом языке:
I went to the store yesterday.
Could you help me?
Would you like some coffee?
I'm looking forward to your reply.
You're pulling my leg.
Поэтому обычная similarity-система может искать предложения, где встречаются слова "verb", "tense", "grammar", "restaurant", "business", а не предложения, которые реально тренируют нужный навык.
Хороший retrieval должен понимать, что "past tense" означает не текст со словами "past tense", а предложения с прошедшим временем.
Почему vector search сам по себе может ошибаться
Векторный поиск хорошо работает, когда запрос и документ похожи по смыслу и форме.
Но в языковом обучении запрос и упражнение часто принадлежат разным типам текста.
Запрос:
How to order food at a restaurant
Релевантные фразы:
Could I see the menu, please?
I'd like to order the soup.
Can I have the bill?
Does this dish contain nuts?
Они не похожи буквально. Но они релевантны.
Если система ищет только ближайшие embedding-соседи к запросу, она может найти фразы вроде:
I like restaurants.
This restaurant is expensive.
Они похожи по теме, но хуже тренируют реальную задачу.
Как LLM может помочь retrieval
LLM можно использовать как мост.
Вместо того чтобы искать упражнения напрямую по запросу:
past tense verbs
система сначала просит LLM сгенерировать несколько примерных упражнений:
She visited her friend yesterday.
They watched a movie last night.
I cooked dinner on Monday.
We went to the park.
Теперь поиск идёт не от абстрактного запроса "past tense verbs", а от конкретных предложений в нужном формате.
Дальше система ищет похожие реальные упражнения в каталоге.
Это похоже на перевод намерения пользователя в язык упражнений.
Почему важно искать в существующем каталоге, а не только генерировать
Можно спросить: если LLM уже сгенерировал упражнения, зачем retrieval?
Почему бы просто не показать их пользователю?
Потому что сгенерированный материал может быть неидеальным.
Он может быть:
- слишком сложным;
- не по уровню;
- неестественным;
- без проверенного перевода;
- без аудио;
- с неподходящей грамматикой;
- не согласованным с курсом;
- не проверенным на безопасность и качество.
Если же LLM используется только для retrieval, итоговое упражнение берётся из проверенного каталога.
Это безопаснее.
LLM помогает понять запрос. Каталог даёт контролируемый учебный материал.
Почему персонализация должна учитывать уровень
Запрос пользователя - это только одна сторона.
Если пользователь A1 просит:
business English
не нужно сразу давать сложные письма и переговорные фразы.
Можно начать с простого:
I have a meeting today.
Can you send me an email?
I'm busy right now.
Если пользователь B2 просит то же самое, можно дать:
I'm following up on our previous conversation.
Could you clarify the deadline?
Please let me know if you have any questions.
Один запрос, разные уровни.
Поэтому retrieval должен учитывать и цель, и сложность.
Почему персонализация должна учитывать историю
Допустим, два пользователя одного уровня просят:
travel phrases
Первый уже хорошо знает airport и hotel vocabulary. Ему можно дать более сложные ситуации.
Второй только начал. Ему нужны базовые фразы.
История важна:
- что пользователь уже учил;
- что часто забывает;
- какие фразы уже стали лёгкими;
- какие ошибки повторяются;
- какие темы интересовали раньше;
- какие слова в активном словаре;
- что недавно было в SRS.
Без истории персонализация остаётся поверхностной.
Почему персонализация должна учитывать формат навыка
Один и тот же запрос можно превратить в разные задания.
Запрос:
restaurant
Можно дать:
- карточки с фразами;
- аудирование;
- диалог;
- cloze-задания;
- перевод;
- выбор ответа;
- pronunciation practice;
- мини-урок;
- role-play с AI-чатботом;
- SRS-набор.
Для пользователя, который хочет говорить, полезнее фразы и role-play.
Для пользователя, который хочет читать меню, полезнее vocabulary и reading.
Для listening - аудио и повторение на слух.
Поэтому персонализация должна отвечать не только "о чём", но и "какой навык тренируем".
Почему запрос пользователя может быть расплывчатым
Пользователь может написать:
I want to speak better.
Это слишком общее.
Система должна уточнить или предложить варианты:
- everyday conversation;
- travel phrases;
- talking about yourself;
- asking questions;
- polite requests;
- pronunciation;
- listening.
Или пользователь пишет:
I need English for work.
Работа бывает разная: email, meetings, customer support, presentations, small talk, reports.
Хорошее приложение не должно делать вид, что оно точно поняло. Иногда лучше задать уточнение или предложить несколько маршрутов.
Почему важно не отдавать пользователю полный контроль
Learner-directed personalization полезна, но пользователь не всегда знает, что ему нужно.
Он может просить слишком сложное.
Может избегать слабых мест.
Может выбирать только интересные темы.
Может добавлять слишком много нового.
Может перегрузить SRS.
Поэтому система должна сочетать свободу и педагогические ограничения.
Например:
"Вы хотите business English, но ваш текущий уровень ближе к A2. Начнём с простых рабочих фраз."
Или:
"Вы выбрали 30 новых фраз. Лучше добавить 5-7, чтобы повторения не стали слишком тяжёлыми."
Хорошая персонализация не просто исполняет запрос, а помогает сделать его учебно разумным.
Как это связано с SRS
Персональный retrieval особенно полезен, если связан с SRS.
Пользователь просит:
phrases for hotel
Система подбирает фразы:
I have a reservation.
Can I check in?
Is breakfast included?
Could I have a quiet room?
Но на этом не нужно останавливаться.
Если фразы полезны, они должны попасть в повторение. Иначе пользователь увидит их один раз и забудет.
SRS превращает персональный запрос в долгосрочное обучение.
Как это связано с Lingro.ru
Для Lingro.ru это направление очень перспективно.
Сейчас сильная база - короткие реальные фразы, перевод, озвучка и интервальное повторение.
Следующий уровень персонализации может быть таким:
пользователь выбирает цель:
- путешествие;
- ресторан;
- работа;
- знакомство;
- small talk;
- аудирование;
- грамматический шаблон;
- конкретная тема.
Система подбирает фразы из каталога, учитывая уровень и историю повторений.
Так Lingro.ru становится не просто библиотекой фраз, а персональным маршрутом.
Почему это лучше, чем бесконечный курс
Линейный курс хорошо подходит для старта. Но дальше пользователю нужно больше гибкости.
Например, человек едет в Италию через месяц. Ему не нужен абстрактный "урок 17". Ему нужны фразы для отеля, кафе, транспорта, просьб, простых вопросов.
Другой пользователь хочет читать профессиональные материалы. Ему нужны другие фразы.
Третий хочет подтянуть listening. Ему нужны аудио и короткие узнаваемые chunks.
Персональный retrieval позволяет быстрее привести пользователя к его реальной цели.
Почему каталог всё равно важен
Может показаться, что с LLM каталог больше не нужен. Но это опасное заблуждение.
Каталог даёт:
- проверенные фразы;
- переводы;
- аудио;
- уровень;
- теги;
- связи между фразами;
- безопасность;
- стабильность;
- возможность SRS;
- контроль качества.
LLM помогает найти и адаптировать. Но качественный каталог остаётся ядром продукта.
Особенно если материал повторяется через SRS: повторять нужно то, в чём продукт уверен.
Как может выглядеть хороший пользовательский сценарий
Пользователь пишет:
"Хочу фразы для кафе на английском."
Система понимает цель: ordering food / cafe.
Проверяет уровень: A1-A2.
Подбирает фразы:
Can I have a coffee, please?
I'd like a sandwich.
How much is it?
Can I pay by card?
Could I have the bill, please?
Показывает перевод и аудио.
Добавляет 5-7 фраз в SRS.
Через несколько дней возвращает трудные фразы.
Позже предлагает мини-диалог:
You are in a cafe. Order a drink.
Так пользователь получает не просто подборку, а маршрут.
Где есть ограничения
Персональный retrieval может ошибаться.
Система может неверно понять запрос. Может подобрать слишком сложные фразы. Может найти похожую тему, но не тот навык. Может выдать слишком много материала. Может не учитывать, что пользователь уже устал или перегружен повторениями.
LLM тоже может ошибаться: сгенерировать плохие hypothetical exercises, неправильно интерпретировать уровень, спутать грамматическую тему.
Поэтому результат должен проходить фильтры:
- уровень;
- длина;
- тема;
- качество;
- known vocabulary;
- наличие перевода;
- наличие аудио;
- пригодность для SRS.
Персонализация без контроля может стать хаосом.
Практические выводы
Персонализация - это не только подбор сложности.
Пользователь может сам задавать учебную цель.
Обычный поиск плохо работает, когда запрос написан "языком о языке", а упражнения выглядят как обычные предложения.
LLM может помочь перевести запрос пользователя в примерные упражнения, по которым проще искать реальные материалы.
Лучше искать в проверенном каталоге, чем показывать непроверенную генерацию напрямую.
Retrieval должен учитывать уровень, историю, формат навыка и нагрузку SRS.
Для Lingro.ru это естественный путь развития: от фразовой базы к персональным маршрутам.
Вывод
Хорошее языковое приложение должно отвечать не только на вопрос "какой у вас уровень?", но и на вопрос "что вы хотите уметь?".
Ученик может хотеть фразы для поездки, упражнения на прошедшее время, деловую переписку, ресторан, аудирование или разговорные chunks. Всё это разные цели, даже если уровень один и тот же.
AI и retrieval могут помочь связать эти цели с конкретными упражнениями. Но лучший результат получается не от бесконтрольной генерации, а от аккуратного сочетания: пользовательский запрос, LLM как мост, проверенный каталог, уровень, история и SRS.
Тогда персонализация становится не рекламным словом, а реальным способом дать человеку именно тот язык, который ему сейчас нужен.
