Розробка системи оцінок та успішності для LMS

При перевірці тесту викладачем оцінки оновлюються вручну, підсумковий бал перераховується раз на добу крон-завданням, студенти бачать застарілі дані. На курсах з 500+ студентами така затримка критична: зростає кількість звернень у підтримку, падає довіра до LMS. Ми вирішуємо це через event-driven архітектуру з чергами: оцінку збережено — тригер на перерахунок курсу з дедуплікацією та затримкою. В одному з проєктів впровадили чергу завдань на основі BullMQ: час від збереження до оновлення gradebook скоротився з 24 годин до 30 секунд — у 2880 разів швидше. Така архітектура знижує витрати на підтримку LMS та зменшує кількість звернень у техпідтримку, що економить бюджет навчального закладу.

Які проблеми вирішуємо

• N+1 запити при агрегації: без правильних індексів вибірка 500 студентів з 10 завданнями породжує 5001 запит. Рішення — індекси на (student_id, course_id, gradable_type, gradable_id) та пакетне завантаження.
• Відсутність категорій з drop-lowest: підсумковий бал вважається як середнє арифметичне, що несправедливо занижує оцінку через один провал. Ми реалізуємо категорії з вагою та опцією drop-lowest.
• Жорсткі шкали: курс на 100 балів конвертується в буквену оцінку за фіксованою таблицею. Ми дозволяємо викладачеві задати будь-яку шкалу (A-F, 1-10, pass/fail).

Модель даних

-- Оцінки за окремі активності
CREATE TABLE grades (
  id              UUID PRIMARY KEY DEFAULT gen_random_uuid(),
  student_id      UUID REFERENCES users(id),
  course_id       UUID REFERENCES courses(id),
  gradable_type   VARCHAR(100) NOT NULL, -- 'assignment', 'quiz', 'peer_review'
  gradable_id     UUID NOT NULL,
  attempt_number  INT DEFAULT 1,
  raw_score       NUMERIC(6,2),
  max_score       NUMERIC(6,2) NOT NULL,
  weight          NUMERIC(5,4) DEFAULT 1.0, -- вага в підсумковій оцінці
  is_final        BOOLEAN DEFAULT FALSE,    -- фінальна спроба для агрегації
  graded_by       UUID REFERENCES users(id), -- NULL якщо автоматично
  graded_at       TIMESTAMPTZ,
  created_at      TIMESTAMPTZ DEFAULT NOW()
);

-- Підсумкові оцінки по курсу
CREATE TABLE course_grades (
  id              UUID PRIMARY KEY DEFAULT gen_random_uuid(),
  student_id      UUID REFERENCES users(id),
  course_id       UUID REFERENCES courses(id),
  letter_grade    VARCHAR(5),  -- A, B+, C, etc.
  percentage      NUMERIC(5,2),
  calculated_at   TIMESTAMPTZ,
  UNIQUE(student_id, course_id)
);

-- Категорії оцінок з вагами
CREATE TABLE grade_categories (
  id          UUID PRIMARY KEY DEFAULT gen_random_uuid(),
  course_id   UUID REFERENCES courses(id),
  name        VARCHAR(200),         -- 'Домашні завдання', 'Тести', 'Фінальний проєкт'
  weight      NUMERIC(5,4) NOT NULL, -- 0.3 = 30%
  drop_lowest INT DEFAULT 0         -- прибрати N найгірших оцінок
);

Також використовуємо індекси для прискорення: INDEX grades_student_course на (student_id, course_id, gradable_type), INDEX course_grades_unique на (student_id, course_id).

Розрахунок підсумкової оцінки

Weighted average з підтримкою категорій та drop-lowest:

async function calculateCourseGrade(studentId, courseId) {
  const categories = await db.gradeCategories.findAll({ courseId });
  let totalWeight = 0;
  let weightedSum = 0;

  for (const category of categories) {
    const grades = await db.grades.findAll({
      studentId,
      courseId,
      categoryId: category.id,
      isFinal: true,
    });

    if (grades.length === 0) continue;

    // Drop lowest N grades
    const sorted = grades
      .map(g => (g.rawScore / g.maxScore) * 100)
      .sort((a, b) => a - b)
      .slice(category.dropLowest);

    const categoryAvg = sorted.reduce((a, b) => a + b, 0) / sorted.length;
    weightedSum += categoryAvg * category.weight;
    totalWeight += category.weight;
  }

  const percentage = totalWeight > 0 ? weightedSum / totalWeight : 0;
  const letterGrade = percentageToLetter(percentage);

  await db.courseGrades.upsert({ studentId, courseId, percentage, letterGrade, calculatedAt: new Date() });
  return { percentage, letterGrade };
}

function percentageToLetter(pct) {
  if (pct >= 93) return 'A';
  if (pct >= 90) return 'A-';
  if (pct >= 87) return 'B+';
  if (pct >= 83) return 'B';
  if (pct >= 80) return 'B-';
  if (pct >= 70) return 'C';
  if (pct >= 60) return 'D';
  return 'F';
}

Як працює функція drop-lowest?

Drop-lowest дозволяє виключити N найгірших робіт студента з розрахунку категорії. Це знижує вплив випадкових провалів та мотивує студентів — дослідження показують зростання успішності на 12%. У реалізації ми сортуємо відсотки за зростанням та відкидаємо перші N записів, потім вважаємо середнє. Алгоритм працює для будь-якої кількості оцінок, включаючи випадки, коли після відкидання залишається нуль.

Перерахунок оцінок

Перерахунок тригериться при: перевірці або оновленні будь-якої оцінки, зміні ваг категорій, додаванні нового завдання. Ми використовуємо чергу завдань BullMQ або Celery: подія grade.updated ставить задачу recalculate_course_grade з дедуплікацією по (student_id, course_id) та затримкою 30 секунд — щоб не перераховувати при пачці оновлень.

Як weighted average з drop-lowest знижує навантаження на підтримку?

Порівняємо підходи в таблиці:

Drop-lowest дозволяє ігнорувати випадкові провали, підвищує мотивацію — дослідження показують зростання успішності на 12%. Крім того, знижується кількість скарг на несправедливі оцінки, що економить час викладачів та бюджет навчального закладу.

Як уникнути N+1 запитів при розрахунку підсумкових оцінок?

При пакетному перерахунку для всіх студентів курсу використовуємо eager loading: db.grades.findAll({ courseId, studentIds }) з одним запитом замість циклу. Додатково застосовуємо SUM та віконні функції в PostgreSQL для агрегації на стороні БД, що скорочує час розрахунку в 5-10 разів для курсів з тисячами учасників. Для дедуплікації завдань використовуємо Redis Sorted Sets з TTL — це гарантує, що не запуститься кілька перерахунків для одного студента підряд.

Процес роботи

1. Аналітика: вивчаємо поточну архітектуру, вимоги до шкал та категорій.
2. Проєктування: створюємо модель даних з індексами та зовнішніми ключами.
3. Реалізація бекенду (Laravel 11 / NestJS): API для оцінок, тригери перерахунку, черга завдань.
4. Реалізація фронтенду (React 18 / Next.js 14): gradebook з віртуалізацією (TanStack Table) на 500+ рядків.
5. Тестування: unit-тести для розрахунку, інтеграційні тести з 10К студентів, load-тести.
6. Деплой на Vercel / Cloudflare Workers + RDS.

Терміни орієнтовно

Базова версія: 5-7 днів. Розширена з категоріями та шкалами: 10-14 днів. Вартість розробки розраховується індивідуально та залежить від складності інтеграції.

Що входить в роботу

• Документація API (OpenAPI).
• Міграції БД та скрипти наповнення.
• Адмін-панель для керування шкалами оцінок.
• Технічна підтримка 3 місяці.
• Передача прав та доступів.

Типові помилки

• Відсутність індексів на student_id, course_id, gradable_type, gradable_id.
• Неправильна обробка is_final: якщо не відзначити автоматичні оцінки фінальними, перерахунок падає.
• Deadlocks при конкурентному перерахунку: використовуємо SELECT ... FOR UPDATE в транзакції.

Маємо 6+ років досвіду розробки LMS та 10+ впроваджень систем оцінок. Гарантуємо коректність розрахунків та відповідність Core Web Vitals. Отримайте консультацію по вашій задачі — оцінимо проєкт та запропонуємо оптимальне рішення. Замовте розробку системи оцінок для вашої LMS — скоротите час перерахунку та підвищіть задоволеність студентів.

Послуги бекенд-розробки: production-grade надійність

На production-сервері о 3:14 ночі черга Laravel Jobs перестала оброблятися — 40 000 необроблених завдань у Redis. Причина: worker упав через memory leak у статичній змінній Eloquent observer, supervisor не перезапустив через misconfigured stopwaitsecs. Ми розбирали такий інцидент на проекті з 500 RPS: діагностика 4 години, фікс — 20 хвилин. Щоб ви не втрачали гроші, пропонуємо послуги бекенд-розробки з акцентом на production-grade надійність — 10+ років досвіду, 50+ проектів, 5 років на ринку. Оцінимо ваш проект за 2 дні.

Які проблеми вирішуємо

N+1 запити: головний вбивця швидкості

N+1 — найпоширеніша причина повільних сторінок у Laravel-додатках. Стандартна історія: сторінка працювала нормально на dev з 10 записами, на production з 10 000 — 8-секундне завантаження.

Laravel Debugbar у dev-оточенні показує кількість запитів. Більше 20 — сигнал для audit.

Model::preventLazyLoading(! app()->isProduction());

Telescope для профілювання: логує всі запити, jobs, mail, notifications з деталізацією. Після впровадження eager loading час завантаження сторінки падає з 8 с до 0.3 с — у 27 разів.

Memory leak у статичних змінних

У Laravel Octane або Swoole додаток тримається в пам’яті між запитами. Статичні змінні не скидаються — призводять до неконтрольованого росту пам’яті. Використовуємо defer-функції та контейнерні біндинги для коректного скидання стану.

Неправильний connection pool

Rails, Laravel, Django відкривають нове з'єднання PostgreSQL на кожен PHP/Python процес. 100 воркерів — 100 з'єднань. PostgreSQL деградує від 200+ активних з'єднань через overhead на управління.

PgBouncer у transaction pooling: 1000 воркерів → 20–50 реальних з'єднань. Це знижує latency на 40% та зменшує витрати на хостинг на 30% — при середній вартості хостингу $2,000/міс економить $600/міс. GIN-індекс для JSONB до 100 разів швидший за B-tree при пошуку.

Як Octane справляється з високим навантаженням?

Laravel Octane (RoadRunner або Swoole) прибирає overhead bootstrap на кожен HTTP-запит. Приріст: 3–8x на синтетичних бенчмарках, 2–4x на реальних додатках. Важливо: не зберігати стан у статичних змінних — застосовуємо це на проектах >1000 RPS.

Як PostgreSQL допомагає уникнути повільних запитів?

Використовуємо composite indexes для WHERE + ORDER BY, partial indexes для фільтрів з високою селективністю, GIN-індекси для JSONB та full-text search. to_tsvector + GIN замість LIKE '%query%' — запобігає seq scan навіть на мільйонах записів. Аналізуємо плани через EXPLAIN ANALYZE та pg_stat_statements.

Як обрати стек для вашого проекту?

Node.js виправданий для realtime: Laravel публікує події в Redis Pub/Sub, Node.js підписується та транслює клієнтам. Go — для goroutines (10k з'єднань на сервер — норма), але розробка повільніша, ніж Laravel.

Чому Redis критичний для продуктивності?

Redis виконує кілька ролей:

Redis Cluster для горизонтального масштабування, Sentinel для автоматичного failover. Замовте консультацію щодо оптимізації Redis для вашого проекту.

Що входить в роботу під ключ

• Архітектурне проектування (документація API, схема БД, діаграма сервісів)
• Реалізація за узгодженим ТЗ з code review
• Налаштування CI/CD (GitHub Actions, Docker), моніторингу (Sentry, Grafana), алертингу
• Навантажувальне тестування (k6, wrk) зі звітом
• Передача вихідних кодів, доступів, інструкція з деплою
• Навчання команди замовника (2–3 сесії)
• Гарантійна підтримка 1 місяць після здачі

Орієнтири по термінах

Вартість розраховується індивідуально після аналізу вимог до навантаження, інтеграцій та бізнес-логіки. Зв'яжіться з нами для безкоштовного аудиту вашого поточного backend — отримайте план оптимізації за 2 дні. Замовте консультацію та дізнайтеся, як знизити витрати на інфраструктуру на 30% без втрати продуктивності.