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.