В контексте современных вызовов IT-образования, связанных с необходимостью динамической персонализации обучения будущих IT-специалистов при сохранении качества подготовки, представлена разработка алгоритма «Цепочка промптов» для решения задачи формирования индивидуальных образовательных траекторий. Цель работы – создание алгоритма, обеспечивающего системную декомпозицию задачи на 10 управляемых этапов, от уточнения требований до финальной интеграции компонентов траектории с педагогически обоснованной последовательностью. Ключевым инновационным решением является использование адаптивной JSON-структуры для передачи контекста между этапами, что позволяет динамически включать или исключать отдельные шаги в зависимости от типа образовательной задачи, сохраняя при этом педагогическую целесообразность. Алгоритм реализован на Python с интеграцией произвольных больших языковых моделей и поддерживает механизмы динамической адаптации сложности заданий, междисциплинарной интеграции знаний через кластеризацию компонентов, а также актуализации содержания на основе генерации с дополненной выборкой. В статье представлены результаты первичной апробации при формировании ИОТ по дисциплине «Web-разработка на Django», которые продемонстрировали работоспособность алгоритма: обеспечено автоматическое выявление пробелов в знаниях, генерация персонализированных заданий и адаптация сложности. Научная новизна заключается в гибридной структурированно-генеративной архитектуре, сочетающей педагогический дизайн и возможности языковых моделей, что отличает предложенный подход как от хаотичного промптинга, так и от онтологических систем с жесткими правилами.
In the context of modern challenges in IT education, associated with the need for dynamic personalization of training for future IT specialists while maintaining the quality of education, the development of the “Prompt Chain” algorithm for solving the problem of forming individual learning paths is presented. The aim of the work is to create an algorithm that ensures systematic decomposition of the task into 10 manageable stages, from clarifying requirements to the final integration of trajectory components. The key innovative solution is the use of an adaptive JSON structure for transferring context between stages, which allows dynamically including or excluding individual steps depending on the type of educational task, while maintaining the pedagogical appropriateness of the sequence. The algorithm is implemented in Python with the integration of arbitrary large language models and supports mechanisms for dynamic adaptation of task complexity, interdisciplinary integration of knowledge through component clustering, as well as content updating based on the retrieval augmented generation approach. The results of testing the algorithm in forming individual educational trajectories for the discipline “Web Development with Django” demonstrated its operability: automatic identification of knowledge gaps, generation of personalized tasks, and difficulty adaptation were achieved. The scientific novelty lies in the hybrid structured-generative architecture that combines pedagogical design and the capabilities of language models, distinguishing the proposed approach from both chaotic prompting and ontology-based systems with rigid rules.
1. Kasneci E., Seßler K., Küchemann S., Bannert M., et al. ChatGPT for good? On opportunities and challenges of large language models for education // Learning and Individual Differences. 2023. Vol. 103. № 102274. P. 1–13. DOI: 10.1016/j.lindif.2023.102274.
2. Носова Е. П. Индивидуальная образовательная траектория: сущность и механизмы проявления // Известия Российского государственного педагогического университета им. А. И. Герцена. 2009. № 12 (91). С. 138–144. EDN: JVZPDV.
3. Абросимов В. К., Лебидько В. В. Индивидуальные образовательные траектории: формализация выбора, построения, управления // Открытое образование. 2009. № 4. С. 4–16. EDN: KUSQZZ.
4. Вдовина С. А., Кунгурова И. М. Сущность и направления реализации индивидуальной образовательной траектории // Науковедение. 2013. Вып. 6. С. 1–8. EDN: SAKSCB.
5. Шапошникова Н. Ю. Индивидуальная образовательная траектория студента: анализ трактовок понятия // Педагогическое образование в России. 2015. № 5. С. 39–44. EDN: TWLKHF.
6. Старостина С. Е. Внедрение индивидуальных образовательных траекторий в вузе: проблемы и перспективы // Ученые записки Забайкальского государственного университета. 2023. Т. 18. № 3. С. 41–47. DOI: 10.21209/2658-71142023-18-3-41-47. EDN: OGSROH.
7. Шилова Л. В., Фетисова Л. Ю. Индивидуальная образовательная траектория студента как инновационная модель профессионального и личностного развития // Высшее образование сегодня. 2020. Вып. 7. С. 40–43. DOI: 10.25586/RNU.HET.20.07.P.40. EDN: TMQTLE.
8. Галушина П. С., Ражина Е. В., Неверова О. П., Горбунова О. С., Стахеева Л. М. Индивидуальная образовательная траектория студента вуза // Образование и право. 2024. № 5. С. 504–508. DOI: 10.24412/2076-1503-2024-5-504-508. EDN: RNZTNY.
9. Донкова И. А., Якубовский Ю. Е., Карякин И. Ю., Карякин Ю. Е. Опыт формирования индивидуальных образовательных траекторий // Инженерное образование. 2024. № 35. С. 119–130. DOI: 10.54835/18102883_2024_35_11. EDN: JZDPQS.
10. Lo C. K. What Is the Impact of ChatGPT on Education? A Rapid Review of the Literature // Education Sciences. 2023. Vol. 13. № 4. Article 410. P. 1–15. DOI: 10.3390/educsci13040410.
11. Uto M., Uchida Y. Automated Short-Answer Grading Using Deep Neural Networks and Item Response Theory // Bittencourt I., Cukurova M., Muldner K., Luckin R., Millán E. (eds.). Artificial Intelligence in Education. 21st International Conference, AIED 2020, Proceedings, Part II. Cham: Springer, 2020. P. 61–70. (Lecture Notes in Computer Science. Vol. 12164). DOI: 10.1007/978-3-030-52240-7_61.
12. Jiang L., Bosch N. Short answer scoring with GPT-4 // Proceedings of the Eleventh ACM Conference on Learning @ Scale. New York: Association for Computing Machinery, 2024. P. 438–442. DOI: 10.1145/3657604.3664685.
13. Сердюк Ю. П., Власова Н. А., Момот С. Р., Сулейманова Е. А. Анализ судебных решений с помощью больших языковых моделей // Программные системы: теория и приложения. 2026. Т. 17. № 1. С. 21–56. DOI: 10.25209/2079-33162026-17-1-21-56.
14. Allemang D., Hendler J. Semantic Web for the Working Ontologist: Effective Modeling for Linked Data, RDFS, and OWL. 2nd ed. Morgan Kaufmann, 2011. 384 p. URL: https://www.sciencedirect.com/book/9780123859655/semantic-webfor-the-working-ontologist (дата обращения: 15.02.2026).
15. Gupta A., Reddig J.M., Calo T., Weitekamp D., MacLellan C.J. Beyond Final Answers: Evaluating Large Language Models for Math Tutoring // Proceedings of the International Conference on Artificial Intelligence in Education (AIED 2025). Cham: Springer. 2025. P. 323–337. (Lecture Notes in Computer Science. Vol. 15877). DOI: 10.1007/978-3-031-98414-3_23.
16. Li J., Lyu Q., Qiu W., Khong A.W. Improving Course Recommendation Systems with Explainable AI: LLM-Based Frameworks and Evaluations // Proceedings of the 18th International Conference on Educational Data Mining. 2025. P. 205214. DOI: 10.5281/zenodo.15870185.
17. Швыров В. В., Капустин Д. А., Сентяй Р. Н., Шулика Т. И. Анализ наборов данных и больших языковых моделей для обнаружения уязвимостей в программном коде на императивных языках программирования // Программная инженерия. 2024. Т. 15. № 11. С. 555–569. DOI: 10.17587/prin.15.555-569. EDN: DAIBNQ.
18. Amugongo L. M., Mascheroni P., Brooks S., Doering S., Seidel J. Retrieval augmented generation for large language models in healthcare: A systematic review // PLOS Digital Health. 2025. Vol. 4. № 6. Article e0000877. P. 1–15. DOI: 10.1371/journal.pdig.0000877.
19. Sarioglu M., Sariyer G., Sozen M. E. LLM-based embeddings for clustering and predicting integrated reporting quality levels of companies // Discover Computing. 2025. Vol. 28. Article 95. P. 1–18. DOI: 10.1007/s10791-025-09590-6.
20. Комарова Е. В. Выбор промта для больших языковых моделей: деловые коммуникации // Филология и культура. Philology and Culture. 2025. № 1 (79). С. 66–74. DOI: 10.26907/2782-4756-2025-79-1-66-74.