Проблема индивидуализации подготовки IT-специалистов в условиях разнородного уровня знаний студентов остается не решенной традиционными линейными учебными программами. Цель исследования – разработка методики использования интеллектуальных систем на основе больших языковых моделей для формирования индивидуальных образовательных траекторий будущих IT-специалистов. В качестве методов применены теоретический анализ и систематизация научной литературы, а также моделирование педагогического процесса. Результатом является гибридная методика, сочетающая адаптивное тестирование, генерацию траектории с помощью языковых моделей, безопасное выполнение кода и рефлексию на основе логов. Предложена микросервисная архитектура программного комплекса, включающего диагностический, аналитический, исполнительный и рефлексивный модули. В отличие от универсальных подходов, методика ориентирована на специфику IT-образования, к которой относятся приоритет практико-ориентированных задач с автоматизированной проверкой кода, имитация реального технологического стека, использование безопасных сред выполнения. Раскрыты риски и этические аспекты применения методики, предложены способы их минимизации. Приведены критерии оценки эффективности методики – динамика компетенций, рост самостоятельности, временная эффективность, снижение рутинной нагрузки преподавателя. Работа носит концептуальный характер, эмпирическая апробация запланирована как следующий этап исследования. Методика предоставляет структурированный план внедрения персонализированного обучения в IT-образовании.
The problem of individualizing the training of IT specialists in the context of heterogeneous levels of student knowledge remains unresolved by traditional linear curricula. The aim of the study is to develop a methodology for using intelligent systems based on large language models to form individual educational trajectories for future IT specialists. The methods employed include theoretical analysis and systematization of scientific literature, as well as modeling of the pedagogical process. The result is a hybrid methodology combining adaptive testing, trajectory generation using language models, secure code execution, and log‑based reflection. A microservice architecture of the software suite is proposed, comprising diagnostic, analytical, executive and reflective modules. Unlike universal approaches, the methodology is oriented towards the specifics of IT education, which include the priority of practice‑oriented tasks with automated code verification, simulation of a real technological stack, and the use of secure execution environments. The risks and ethical aspects of applying the methodology are disclosed, and ways to minimize them are suggested. Criteria for evaluating the effectiveness of the methodology are given – competence dynamics, increased learner autonomy, time efficiency, and reduction of the teacher’s routine load. The work is conceptual in nature; empirical testing is planned as the next stage of the research. The methodology provides a structured plan for implementing personalized learning in IT education.
1. 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.
2. Вдовина С. А., Кунгурова И. М. Сущность и направления реализации индивидуальной образовательной траектории // Науковедение. 2013. Вып. 6. С. 1–8. EDN: SAKSCB.
3. Wang S., Xu T., Li H. et al. Large Language Models for Education: A survey and outlook // IEEE Signal Processing Magazine. 2025. Vol. 42. Is. 6. P. 51–63. DOI: 10.1109/MSP.2025.3594309.
4. Phung T., Cambronero J., Gulwani S. et al. Generating high-precision feedback for programming syntax errors using large language models // Proceedings of the 16th International Conference on Educational Data Mining. 2023. P. 370–377. DOI: 10.5281/zenodo.8115653.
5. Донина И. А., Воднева С. Н., Михайлова М. Н. Искусственный интеллект в современном образовании: возможности и угрозы // Психолого-педагогический поиск. 2021. № 1 (57). С. 17–29. DOI: 10.37724/RSU.2021.57.1.002. EDN: RITYKT.
6. Alrakhawi H. A., Jamiat N., Abu-Naser S. S. Intelligent tutoring systems in education: a systematic review of usage, tools, effects and evaluation // Journal of Theoretical and Applied Information Technology. 2023. Т. 101. № 4. С. 1205–1226.
7. Luo J., Zheng C., Yin J. et al. Design and assessment of AI-based learning tools in higher education: a systematic review. // International Journal of Educational Technology in Higher Education. 2025. Vol. 22. Is. 42. DOI: 10.1186/s41239-025-00540-2.
8. Шапошникова Н. Ю. Индивидуальная образовательная траектория студента: анализ трактовок понятия // Педагогическое образование в России. 2015. № 5. С. 39–44. EDN: TWLKHF.
9. Шеманаева М. А. Индивидуальная образовательная траектория как форма синхронно-асинхронной образовательной деятельности // Концепт. 2017. № 9. С. 29–39. DOI: 10.24422/MCITO.2017.9.7470. EDN: ZIBXPR.
10. Полянская Е. Н., Полянский А. И., Бгуашева З. К. Организация индивидуальных образовательных траекторий в цифровой среде // Проблемы современного педагогического образования. 2023. № 81–1. С. 153–155. EDN: DNSQAE.
11. Рыбальченко А. С., Абильдинова Г. М. Индивидуальные образовательные траектории в контексте современности // Педагогический журнал. 2022. Т. 12. № 2А. С. 581–588. DOI: 10.34670/AR.2022.50.42.050. EDN: OLLLDX.
12. Амиров Р. А., Билалова У. М. Перспективы внедрения технологий искусственного интеллекта в сфере высшего образования // Управленческое консультирование. 2020. № 3 (135). С. 80–88. DOI: 10.22394/1726-1139-2020-3-80-88. EDN: XKTQTC.
13. Корчагин С. А. Анализ тенденций применения технологий искусственного интеллекта в образовательной сфере // Известия Саратовского университета. Новая серия. Серия: Социология. Политология. 2021. Т. 21. Вып. 1. С. 37–42. DOI: 10.18500/1818-9601-2021-21-1-37-42. EDN: PANEFP.
14. Капустин Д. А., Швыров В. В., Суворова Е. Ю., Сентяй Р. Н. Большие языковые модели как средство формирования индивидуальных образовательных траекторий // Материалы пула научно-практических конференций: материалы VII Международной научно-практической конференции, X Международной научно-практической конференции и VII Международной научно-практической конференции (г. Керчь, 23–27 января 2026 г.). Керчь: Керченский государственный морской технологический университет, 2026. С. 973–977. EDN: XMBZEF.
15. Швыров В. В., Капустин Д. А., Суворова Е. Ю., Зинченко В. О. Анализ больших языковых моделей в задачах формирования индивидуальных образовательных траекторий будущих IT-специалистов // Вестник Луганского государственного педагогического университета. Серия: Педагогические науки. Образование. 2026. № 1 (132). С. 115–124. EDN: CONMAU.