Американская психологическая ассоциация пересмотрела критерии оценки эффективности EdTech

APA рекомендовала оценивать образовательные технологии глубже, чем по времени у экрана

Ключевой сдвиг: вместо подсчёта минут у экрана — содержание задач, learning outcomes и измеримый skill transfer. Для рынка онлайн-обучения это сигнал, что вендорские метрики вроде «hours on platform» перестают быть валидным критерием качества.

Что предлагает APA

По данным источника, доклад формулирует несколько жёстких требований к закупке и оценке EdTech:

• Привязка procurement-решений к независимым данным или сторонней валидации. Маркетинговые обещания исключаются.
• От вендоров ожидаются данные о retention и переносе навыков минимум через неделю после прекращения работы с инструментом.
• Генеративный ИИ — отдельный режим с возрастными фильтрами и повышенной осторожностью.
• Метрики engagement, удовольствия и интереса студента не заменяют learning outcomes.

APA особо отмечает, что инструмент оценивается по тому, что студент может сделать после прекращения работы с ним, а не по времени внутри платформы.

Регуляторный контекст

По данным источника, доклад вышел на фоне волны ограничений по штатам. NYC Public Schools и Los Angeles Unified School District объявили годовые моратории на student-facing AI-инструменты на 2026–27 учебный год. Оба округа параллельно ввели лимиты экранного времени с градацией по классам.

В августе Министерство образования США направило Dear Colleague letter с уточнением: образовательные и рекреационные технологии — разные категории, и политика округа должна фокусироваться на том, улучшает ли инструмент академические результаты, а не на полном отказе от технологий.

Кроме того, исследование WestEd зафиксировало ранние данные о положительном эффекте outcomes-based contracting — модели, при которой часть вознаграждения вендора привязана к измеримым результатам на пилотной когорте студентов.

Чек-лист аудита EdTech по версии APA

Для практики выбора онлайн-курса или платформы рекомендации транслируются в шесть фильтров:

• Retention. Наличие данных о сохранении знания через 7–30 дней после прохождения модуля. Без самооценки, с измерением.
• Skill transfer. Переносится ли навык на задачи вне платформы. Без этого курс — закрытая экосистема без отдачи.
• Независимая валидация. Third-party research, RCT или когортный анализ с контрольной группой. Вендорский case study не считается.
• Возрастной фильтр для LLM. Чёткая сегментация по возрасту, уровень автономии студента, политика обработки данных.
• Привязка оплаты к результату. Поддержка outcomes-based модели. Снижает риск покупателя.
• Professional development. Готовность вендора обучать преподавателей и тьюторов. Без этого инструмент деградирует до пассивного чек-листа.

Если по трём и более пунктам данных нет — это красный флаг вне зависимости от маркетингового бюджета площадки.