Время вспомнить про xAPI

xAPI как-то не прижился в наших реалиях. Да и не в наших тоже нельзя сказать, что стандарт очень популярен. Исследования показывают, что его используют относительно небольшое число компаний.

При этом мы понимаем, что под «используют» не имеется в виду «используют по максимуму» или даже «используют часто». Скорее: «LMS это поддерживает, и кто-то когда-то этим пользовался».

xAPI годами был сильно заметен только в узких сценариях: 3D-тренажерах, VR-симуляторах для инженеров, сложных авиационных тренажерах и т.д.. Там, где есть четкие физические действия, последовательности тумблеров и измеримые ошибки.

Почему так вышло и почему именно сейчас всё может измениться?

1. Проблема глухих данных (зачем писать то, что нельзя проанализировать?)
Чтобы xAPI раскрыл свой потенциал в «софтовых» навыках (продажи, переговоры, менеджмент), нам нужно фиксировать не просто «прошел курс» или «работа с возражениями на 4 из 5» (это, конечно, уже лучше), а конкретные нюансы:
• Какую ошибку совершил сотрудник при отработке возражений?
• Как делал презентацию?
• Какую именно формулировку использовал?

Раньше собрать и зафиксировать такой датасет в стандартном интерактивном курсе было либо невозможно, либо требовало адской ручной разметки каждого варианта ответа и причесывания всего этого под какую-то гребенку, которая, конечно, за пару месяцев станет не актуальной. А главное: даже если вы соберете миллион детализированных xAPI-стейтментов, кто и как будет анализировать этот хаос из текста и логов?

В итоге xAPI без аналитики превращался в кладбище бесполезных данных.

Да и без ИИ, не так просто действительно глубоко капнуть в умения сотрудников.

2. Замкнутый круг инфраструктуры
Отсюда вытекала вторая проблема — инфраструктурный тупик:
• Разработчики не генерируют подробные xAPI-события, потому что не знают, как их потом использовать и платформа не поддерживает стандарт.
• Бизнес не формируют спрос на LRS и xAPI.
• Разработчики LMS не видят смысла пилить интеграции xAPI, ведь «никто не просит, всем хватает SCORM».
• Круг замыкается: у разработчиков нет понимания как использовать инструмент и нет возможности для экспериментов и обучения.

Стандарт настолько не популярен, что сейлзы LMS, зачастую не знают что такое xAPI и поддерживает ли их продукт стандарт – вообще никто про этот не спрашивает.

3. При чем тут ИИ и как пересобрать этот пазл?
ИИ принципиально меняет фундаментальную причину, почему xAPI не работал.

• ИИ умеет генерировать и размечать контекст
Диалоговые симуляторы на базе LLM могут на лету оценивать качество реплики, выделять конкретную ошибку (например, «не выявил потребность», «не отработал возражение о цене») и отправлять в LRS аккуратный xAPI-стейтмент.

• ИИ умеет анализировать xAPI-массивы
Агент с LLM может забирать из LRS тысячи сырых xAPI-событий разных пользователей, находить аномалии, паттерны ошибок и подсвечивать слепые зоны в обучении как всей компании, так и конкретного пользователя.

• Для ИИ-анализа данные могут быть не размеченными
Можно просто писать ответы пользователя или даже логи диалогов целиком, а потом просить ИИ сделать аналитику всего этого добра по нужным критериями.
Да, тут, конечно, немного спорно. Звучит как: «Сохраню все, потом разберусь что с этим делать». Да и xAPI тут как будто не нужен. Хранить все подряд можно и без него. Но на практике мы очень часто не знаем что именно нам потребуется через пол года.

Конечно, это не значит, что нужно превращать LRS в Авгиевы конюшни. Понакидаем мусора, а ИИ разберется. Не разберется.

Нам все еще нужно понимать, что, как и зачем мы пишем, и что потом с этим будем делать. Но ИИ и xAPI совершенно точно развязывает нам руки и дает дополнительные возможности.

Хочется верить, что зарождающийся тренд на Data Driven Learning и гиперпесонализацию обучения дадут xAPI второй шанс.

—————-

Алексей Миляев и команда сообщества Digital Learning

‼️ 19 ноября — Digital Learning ДВИЖ «НезаменИИмые» - программа готова, места заканчиваются!