Персонализация обучения в массовых курсах затруднена из-за различий в исходной подготовке, темпе усвоения и мотивации студентов, что при едином наборе материалов приводит к перегрузке части обучающихся и снижению учебной активности. Цель исследования – проанализировать потенциал интеллектуальных обучающих систем на основе искусственного интеллекта для персонализации образовательного процесса и обосновать условия их эффективного и безопасного внедрения. Проведен сравнительный педагогический эксперимент в рамках курса «Введение в информатику и программирование» со студентами-первокурсниками двух направлений подготовки; экспериментальная группа обучалась с применением адаптивной интеллектуальной системы, интегрированной в систему управления обучением Moodle, контрольная группа – по традиционной схеме со статическими материалами и едиными заданиями. Сбор данных осуществлялся посредством входного и итогового тестирования, промежуточных срезов, анализа журналов учебной активности, экспертной оценки проектов и анкетирования мотивации и удовлетворенности. Результаты и их обсуждение показали, что персонализация на основе динамической модели обучающегося, адаптивных рекомендаций, индивидуализированного подбора и генерации заданий, а также интеллектуальной обратной связи способствует более высокому освоению содержания, росту учебной настойчивости и более осознанной работе с пробелами в знаниях; одновременно увеличивается время проработки модулей, что интерпретируется как более глубокое освоение. Интеллектуальные обучающие системы могут выполнять функции цифрового тьютора, масштабируя индивидуальную поддержку и высвобождая ресурс преподавателя для наставничества, при условии методически корректной интеграции, прозрачных критериев оценивания и соблюдения требований к защите образовательных данных. Отмечена значимость регламентов использования, подготовки преподавателей и контроля качества данных.
Personalizing learning in mass education courses is challenging due to differences in student background, learning speed, and motivation. This, when combined with a single set of materials, can overwhelm some students and reduce their learning activity. The objective of this study is to analyze the potential of intelligent learning systems based on artificial intelligence for personalizing the educational process and to substantiate the conditions for their effective and safe implementation. Materials and methods: A comparative pedagogical experiment was conducted within the course “Introduction to Computer Science and Programming” with first-year students from two programs of study. The experimental group studied using an adaptive intelligent system integrated into the Moodle learning management system, while the control group followed a traditional model with static materials and standard assignments. Data were collected through entry and final tests, midterm assessments, analysis of learning activity logs, expert evaluation of projects, and a motivation and satisfaction survey. The results and discussion showed that personalization based on a dynamic learner model, adaptive recommendations, individualized assignment selection and generation, and intelligent feedback facilitates improved content acquisition, increased learning persistence, and more conscious work on knowledge gaps. Simultaneously, module completion time increases, which is interpreted as deeper learning. Conclusion: intelligent tutoring systems can act as digital tutors, scaling individual support and freeing up instructor resources for mentoring, provided they are methodically integrated, have transparent assessment criteria, and comply with educational data protection requirements. The importance of usage regulations, teacher training, and data quality control is noted.
1. Юрков Н. К. Интеллектуальные компьютерные обучающие системы: монография. Пенза: Изд-во ПГУ, 2010. 304 с. URL: http://mtas.ru›upload/library/MONOGRAFIYa_IKOS__2010.pdf (дата обращения: 11.02.2026). ISBN 978-5-94170-355-5.
2. Нурмагомедова Н. Х., Саидов А. Г., Куликова М. Х. Обзор и оценка эффективности использования информационных технологий в управлении образованием // Проблемы современного педагогического образования. 2025. № 86–1. С. 294–297. URL: https://elibrary.ru/item.asp?id=80578984 (дата обращения: 10.02.2026). EDN: RSTIFT.
3. Минеева О. А., Даричева М. В., Борщевская Ю. М. Применение цифровых инструментов LMS Moodle для обучения аудированию // Проблемы современного педагогического образования. 2025. № 88–4. С. 271–274. URL: https://www.elibrary.ru/item.asp?id=83240307 (дата обращения: 10.02.2026). EDN: QBNHOW.
4. Есин Р. В., Kустицкая T. A., Кравцова O. В. Цифровой след обучающихся в LMS Moodle // Избранные вопросы цифровой трансформации образования. М.: Инфра-М, 2024. С. 124–133. URL: https://elibrary.ru/item.asp?id = 82453987 (дата обращения: 10.02.2026). EDN: VROHMT.
5. Другова Е. А., Журавлева И. И., Захарова У. С., Сотникова В. Е., Яковлева К. И. Искусственный интеллект для учебной аналитики и этапы педагогического проектирования: обзор решений // Вопросы образования / Educational Studies Moscow. 2022. № 4. С. 107–153. URL: https://elibrary.ru/item.asp?id=50066300 (дата обращения: 10.02.2026). DOI: 10.17323/1814-9545-2022-4-107-153.
6. Кречетов И. А. Модели, алгоритмы и инструментальные средства адаптивного обучения: дис. … канд. техн. наук. Томск, 2021. 150 с. [Электронный ресурс]. URL: https://elibrary.ru/item.asp?id=54417194 (дата обращения: 05.03.2026). EDN: DYWMEE.
7. Токтарова В. И., Казанцева О. Г. Алгоритмы персонализации: виды рекомендаций в цифровых системах обучения // Информация и образование: границы коммуникаций. 2024. № 16 (24). С. 74–75. URL: https://elibrary.ru/item.asp?id=68489818 (дата обращения: 15.02.2026). EDN: LUTEVN.
8. Акрамов Х. М., Хамидов В. С. Организация самостоятельного образования студентов с использованием системы Moodle LMS // Современные научные исследования и разработки. 2018. № 1 (18). С. 39–41. URL: https://www.elibrary.ru/item.asp?id=32467996 (дата обращения: 10.02.2026). EDN: YPLQFR.
9. Пищухина О. А., Клочок А. Ю. Подход к формированию обратной связи в интеллектуальных обучающих системах в сфере высшего технического образования // Радиоэлектроника, информатика, управление. 2011. № 2 (25). С. 107–109. URL: https://www.elibrary.ru/item.asp?id=20599236 (дата обращения: 10.02.2026). EDN: RIUCLB.
10. Головишников К. В. Информационно-педагогическая модель тестирования учащихся в распределенных сетевых средах // Педагогический университетский вестник Алтая. 2001. № 3. С. 1–19. URL: https://www.elibrary.ru/item.asp?id=21453561 (дата обращения: 10.02.2026). EDN: SBMEJP.
11. Авакян А. С., Тимофеев А. В., Галимов И. Р. Перспективы информатизации и цифровизации образования // Цифровые технологии в образовании: материалы II Международной научно-практической конференции (г. Самара, 02–03 ноября 2022 г.). Самара: Самарский государственный университет путей сообщения, 2022. С. 3–5. URL: https://www.elibrary.ru/item.asp?id=50298680 (дата обращения: 12.02.2026). EDN: SGWEEI.
12. Шихнабиева Т. Ш. Адаптивные семантические модели автоматизированного контроля знаний // Педагогическое образование в России. 2016. № 7. С. 14–20. URL: https://elibrary.ru/item.asp?id=26638515 (дата обращения: 15.02.2026). DOI: 10.26170/po16-07-02. EDN: WKYEWR.
13. Быков А. А., Панина Н. В. Применение имитационных систем искусственного интеллекта при подготовке будущих специалистов в области технической защиты информации // Вопросы педагогики. 2022. № 3–1. С. 62–65. URL: https://elibrary.ru/item.asp?id=48118138 (дата обращения: 15.02.2026). EDN: LSMKBH.
14. Зарубина Е. В., Горбунова О. С., Егоров С. Г., Симачкова Н. Н., Стахеева Л. М., Чупина И. П. Использование ИИ-систем в российском образовании // Российский научный вестник. 2025. № 11. С. 623–629. URL: https://elibrary.ru/item.asp?id=88759813 (дата обращения: 15.02.2026). DOI: 10.24412/2782-3830-2025-11-623-629. EDN: LRNIEJ.
15. Липс Н. И. Искусственный интеллект как индикатор изменения информационных потоков в учебной деятельности студентов // Инновационное развитие профессионального образования. 2022. № 1 (33). С. 53–61. URL: https://elibrary.ru/item.asp?id=48234437 (дата обращения: 15.02.2026). EDN: EAJMQN.