emremr Управление образованием: теория и практикаEducation Management Review 2311-2174 10.25726/d3366-1483-1814-x2815 APPLIED RESEARCHПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ Педагогический дизайн адаптивных курсов для развития метакомпетенций учащихся старших классов с опорой на аналитику обучения и искусственный интеллектPedagogical design of adaptive courses for the development of high school students’ metacompetencies based on learning analytics and artificial intelligence Акиваев Евгений Акиваевич 81evgeni@gmail.com Мухаметшин Александр Тагирович prorect@mail.ru Забайкина Ирина Вячеславовна arisha1987.11@mail.ru Московский институт современного академического образования, 115191, Россия, г. Москва, 2-й Рощинский пр-д, д. 8 2026 30 01 2026 161-2127Управление образованием: теория и практикаEducation Management Review289 298 Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная. Статья посвящена обоснованию и эмпирической проверке модели педагогического дизайна адаптивных курсов, направленных на развитие метакомпетенций (саморегуляция, критическое мышление, креативность, учебная мотивация) учащихся старших классов в условиях цифровой трансформации школы. Цель исследования состояла в разработке и валидации архитектуры цифрового курса, использующего аналитику обучения и инструменты искусственного интеллекта для построения персонализированных траекторий на основе данных цифрового следа. В лонгитюдном квазиэксперименте на базе семи школ приняли участие 482 ученика 15-17 лет, распределённые на контрольную и экспериментальную группы; обучение в экспериментальной группе осуществлялось в LMS с ИИ-модулем, реализующим динамическую адаптацию сложности и содержания заданий. В качестве методов использовались стандартизированные опросники метакомпетенций, тесты критического мышления, шкалы мотивации, машинное обучение (кластеризация k-means, рекуррентные нейронные сети для прогноза траекторий), методы NLP для анализа эссе, а также ANOVA, корреляционный и регрессионный анализ. Результаты показали статистически значимое опережающее увеличение интегральных показателей критического мышления, самоорганизации и креативности в экспериментальной группе по сравнению с контрольной, снижение дисперсии итоговых результатов и выравнивание образовательных достижений слабых учащихся. Показано, что адаптивные траектории обеспечивают более высокий коэффициент усвоения знаний при меньших или сопоставимых временных затратах, а индекс когнитивного комфорта у участников адаптивного обучения существенно возрастает на протяжении всех этапов эксперимента. Обсуждается, что педагогически осмысленная интеграция учебной аналитики и ИИ способствует снижению непроизводительной когнитивной нагрузки, превращению ошибок в ресурс рефлексии и формированию устойчивых метакомпетенций, при этом эффективность системы определяется качеством педагогических сценариев и соблюдением баланса между алгоритмическим управлением и субъектностью ученика; обозначены перспективы масштабирования модели и этико-методологические ограничения её внедрения в школьную практику.The article is devoted to the justification and empirical testing of a model of pedagogical design of adaptive courses aimed at developing metacompetencies (self-regulation, critical thinking, creativity, learning motivation) of high school students in the context of digital transformation of schooling. The purpose of the study was to develop and validate a digital course architecture that uses learning analytics and artificial intelligence tools to construct personalized learning trajectories based on digital trace data. A longitudinal quasi-experiment was conducted in seven schools involving 482 students aged 15-17, divided into control and experimental groups; instruction in the experimental group was carried out in an LMS with an AI module implementing dynamic adaptation of task difficulty and content. The methods included standardized metacompetency questionnaires, critical thinking tests, motivation scales, machine learning (k-means clustering, recurrent neural networks for trajectory prediction), NLP methods for essay analysis, as well as ANOVA, correlation, and regression analysis. The results demonstrated a statistically significant superior increase in integral indicators of critical thinking, self organization, and creativity in the experimental group compared to the control group, a reduction in the variance of final outcomes, and the leveling of educational achievements among lower-performing students. It was shown that adaptive trajectories ensure a higher knowledge acquisition coefficient with equal or reduced time expenditure, and the cognitive comfort index of participants in adaptive learning increases substantially throughout all stages of the experiment. It is discussed that pedagogically meaningful integration of learning analytics and AI contributes to reducing unproductive cognitive load, transforming errors into a resource for reflection, and fostering sustainable metacompetencies, while the effectiveness of the system is determined by the quality of pedagogical scenarios and the balance between algorithmic regulation and student agency. The prospects for scaling the model and the ethical-methodological limitations of its implementation in school practice are outlined.pedagogical designadaptive coursesmetacompetencieslearning analyticsartificial intelligenceпедагогический дизайнадаптивные курсыметакомпетенциианалитика обученияискусственный интеллект issue-cover Алышева Т.В., Лабутин В.Б., Лабутина В.А. Проектирование и особенности реализации курса информатики в 7 классе для обучающихся с интеллектуальными нарушениями // Воспитание и обучение детей с нарушениями развития. 2022. № 6. С. 30-45. Исакович А.П. Развитие ключевых когнитивных метакомпетенций: содержание, задания, оценивание // Педагогический научный журнал. 2023. Т. 6. № 3. С. 37-43. Кабанова М.П. Анализ успеваемости учащихся по математике при помощи искусственного интеллекта: возможности и вызовы // Управление качеством образования: теория и практика эффективного администрирования. 2024. № 8. С. 18-23. Каракозов С.Д., Самохвалова Е.А., Рыжова Н.И. Имплементация основ искусственного интеллекта в курс информатики среднего общего образования: практико-ориентированный аспект // Информатика и образование. 2024. Т. 39. № 5. С. 6-20. Корчажкина О.М. Информационный подход при освоении школьниками технологий искусственного интеллекта // Педагогика информатики. 2022. № 1-2. С. 27-43. Костюченко Р.Ю. Познавательный анализ решения задачи как способ реализации методики адаптивного обучения математике // Проблемы современного педагогического образования. 2024. № 85-3. С. 160-163. Котыга М.М. Элективный курс по искусственному интеллекту как инструмент наставника при подготовке школьников к олимпиадам // Проблемы научной мысли. 2023. Т. 2. № 10. С. 41-62. Линник Е.П., Линник И.И., Марьясов Ф.В. Нейрокогнитивный подход к математическому образованию с использованием адаптивных интеллектуальных систем // Экономические и гуманитарные исследования регионов. 2025. № 3. С. 18-23. Лялин А.В. Задачи по теме «Искусственный интеллект» в школьной информатике // Современное образование. 2022. № 4. С. 43-49. Нуриев Н.К., Старыгина С.Д. Параметрическая дидактика: обучение инженера с оценкой уровня развития профессионального интеллекта // Управление устойчивым развитием. 2025. № 3(58). С. 105-119. Нуякшин М.Г. Концепция архитектуры интеллектуального помощника для подготовки к олимпиадам // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2024. № 10. С. 124-129. Самылкина Н.Н., Калинин И.А. Подготовка школьников к олимпиаде по искусственному интеллекту // Сибирский педагогический журнал. 2024. № 6. С. 31-39. Тимошко Ж.И. Повышение качества знаний учащихся по учебному предмету «Математика» с помощью технологии поэтапного формирования умственных действий // Профессиональное образование. 2024. № 1(55). С. 54-63. Хасанова Д.Д., Виноградова Н.В. Внедрение искусственного интеллекта в образовательную среду: трансформации и социально-экономические последствия // Human progress. 2024. Т. 10. № 6. С. 1-13. Черницына М.М., Абакумова И.В. Трансформация смыслообразующих механизмов у обучающихся путем интеграции искусственного интеллекта в образовательный процесс // Мир науки, культуры, образования. 2024. № 6(109). С. 332-335.