Введение
Развитие больших языковых моделей (LLM) привело к появлению общедоступных генеративных интеллектуальных сервисов (ИИ-сервисов), использование которых спровоцировало кризис в академической среде: от школы до высших учебных заведений [1–3]. В первую очередь это коснулось дисциплин, связанных с созданием текстов и программированием, что привело к конфликту между традиционной системой оценивания и новыми технологиями [4, c. 71–99; 5].
Традиционная система оценки в образовании связана с проверкой качества выполнения конечного продукта и предполагает, что работа выполнена обучающимся самостоятельно, что является основным условием для развития когнитивных навыков высшего порядка [6, c. 62–80; 7, с. 113–173]. Генеративный искусственный интеллект (ИИ) позволяет сгенерировать внешне качественный продукт, пропуская этапы необходимые для дальнейшего обучения, и создает риск формирования «иллюзии компетентности» у обучающихся [2; 3]. Таким образом, проблема заключается не только в сохранении академической добросовестности [8, c. 13–82], но и в обеспечении реального усвоения знаний [6, с. 131–150].
Первой реакцией образовательных учреждений был полный запрет на использование ИИ-сервисов и поиск инструментов, которые бы позволили определять сгенерированный контент [2; 8, с. 126–191]. Такая стратегия оказалась малоэффективной по следующим причинам:
− современные инструменты детекции демонстрируют высокий процент ложноположительных срабатываний. Например, работа содержит: текст с низкой перплексией, канонические/общепринятые решения [3];
− игнорирование возрастающей тенденции к использованию ИИ-сервисов в профессиональной среде, во многих областях генеративный искусственный интеллект используется для автоматизации рутинных операций, что создает разрыв между навыками обучающихся и ожиданиями в профессиональной среде [9; 10, c. 32–56];
− происходит смещение образовательного процесса в сторону контроля, что может приводить к уменьшению времени на учебный процесс в условиях естественных ограничений [4, c. 121–145; 11].
Цель исследования – разработка и обоснование модели оценки образовательных результатов, с помощью которой можно эффективно интегрировать генеративный искусственный интеллект в учебный процесс и сместить фокус оценивания с контроля результата на анализ деятельности обучающегося. Для достижения поставленной цели необходимо решить следующие задачи: провести анализ рисков и ограничений стратегий запрета ИИ в учебном процессе; выявить способы организации учебной деятельности при использовании генеративного ИИ; разработать модель оценивания, ориентированную на процесс деятельности, а не на продукт.
Материалы и методы исследования
В рамках работы предложена модель оценивания знаний, умений и навыков обучающихся в условиях внедрения в образовательный процесс генеративного ИИ. Для ее построения использовались методы анализа, синтеза и сравнительного обобщения современных подходов к оцениванию в образовательных учреждениях. Основой модели являются принципы аутентичного оценивания, академической прозрачности, Scaffolding и педагогики сомнения, адаптированные под использование ИИ-сервисов в образовании.
Результаты исследования и их обсуждение
Актуальность разработки новой модели оценивания определяется ключевыми стратегическими задачами образовательного процесса: сохранение преемственности и передача фундаментальных научных знаний; адаптация процесса подготовки профессиональных кадров в соответствии с требованиями изменчивой внешней среды [10, c. 93–97; 12, с. 19–75; 13].
Для достижения поставленной цели необходимо использовать комплексный подход, который обеспечит достижение учебных целей на кратко- и среднесрочных горизонтах планирования, а также осуществить сбор релевантных данных для принятия решений в долгосрочной перспективе. Применение комплексного подхода позволит перенести акцент с оценки статического продукта деятельности на анализ процесса деятельности обучающегося [6, с. 151–179; 7, c. 27–60; 14, с. 98–113].
Метод аутентичного оценивания
Аутентичное оценивание заключается в анализе деятельности обучающегося через имитацию типичного рабочего процесса в отрасли [7, с. 102–196]. Рассмотрим применение метода аутентичного оценивания на стандартном задании для программистов.
Пример 1: «написать функцию, которая осуществляет проверку, является ли введенная строка палиндромом, при решении задачи необходимо учитывать регистр и пробелы между словами. Палиндро́м – число, буквосочетание, слово или текст, одинаково читающиеся в обоих направлениях. Тестовые примеры: «Дом мод» – палиндром, «Около Миши молоко» – не палиндром. Язык реализации – 1С»:
– традиционное оценивание – задача на определение палиндрома является канонической, решения которой доступны на разных языках программирования в открытых источниках, поэтому генеративный ИИ-сервис успешно сформирует «идеальный» код для ее решения на любом языке, что делает стандартные проверки неэффективными (рис. 1). Таким образом, существует высокая вероятность проверить и оценить эффективность ИИ-инструмента, а не сформированность компетенций у студента [3].
Рис. 1. Пример листинга для решения задачи «Палиндром», сгенерированного ИИ по запросу студента Примечание: составлен авторами по результатам данного исследования
Таблица 1
Пример требований и оценка рефакторинга кода
|
Аспект задания |
Содержание |
|
Ключевые требования ТЗ |
Запрет регулярных выражений, добавить возможность для настройки фильтрации, оптимизация алгоритма: запретить полное переворачивание строки |
|
Ожидаемый результат |
Логически переработанный студентом код (рис. 2), понимание исходного алгоритма, умение модифицировать код по требованиям |
|
Проверяемые компетенции |
Анализ и рефакторинг кода, знание стандартных функций 1С, понимание алгоритмов и их эффективности, работа с требованиями |
|
Шкала оценки (max балл 10) |
0–6 баллов – выполнен только результат, без анализа; 5–7 баллов – есть понимание процесса, упущены важные нюансы; 8–10 баллов – демонстрируется полное понимание процесса получения решения |
Примечание: составлена авторами на основе полученных данных в ходе исследования.
Рис. 2. Пример модификации исходного кода студентом самостоятельно для решения задачи «Палиндром» Примечание: составлен авторами по результатам данного исследования
– аутентичное задание – для проверки сформированности компетенций защита работы предполагается двухэтапная процедура защиты работы, которая моделирует реальный процесс разработки программного обеспечения:
• первый этап – студент предоставляет программный код, источник происхождения которого на данном этапе не важен (самостоятельная работа, заимствование, генерация ИИ) (рис. 1). Код проверяется на соответствие заданию и работоспособность на контрольных наборах входных данных;
• второй этап – моделируется ситуация «код-отзыв». За ограниченное время необходимо модифицировать код в соответствии с требованиями (табл. 1). Ожидаемый вариант кода представлен на рис. 2.
Основными недостатками метода аутентичного оценивания являются большие временные затраты преподавателя (проведение собеседования, подготовка индивидуальных заданий) и необходимость работы в малых учебных группах (не более 10 чел. на 1 преподавателя). Однако указанные недостатки оправдываются ключевыми преимуществами метода: создание аутентичной ситуации из реальной практики разработки, возможность проверить качество сформированных компетенций, оценить уровень самостоятельности работы, возможность применения в различных учебных дисциплинах вне зависимости от возраста обучающегося [7, с. 238–267].
Модель академической прозрачности
Использование метода академической прозрачности делает использование ИИ легальным и прозрачным, формируя культуру ответственного и критического использования интеллектуальных инструментов (ИИ-инструментов) [8, с. 191–302]. Сущность метода заключается в том, что оценивается процесс создания готового продукта, способность студента взаимодействовать с ИИ, критически оценивая полученные результаты, умение дорабатывать сгенерированный продукт (ИИ-продукт), аргументация принятых решений [3; 5; 14, c. 201–263].
Таблица 2
Пример структуры отчета
|
№ |
Раздел отчета |
Содержание и требования |
Пример (для задания «Палиндром на 1С») |
|
1 |
Журнал взаимодействия |
Полная хронология всех запросов к ИИ-ассистенту и полученных ответов |
Запрос 1: «Напиши функцию на 1С для проверки строки на палиндром» Ответ ИИ: [рис. 1] Запрос 2: «Эта функция не работает с запятыми и пробелами. Как ее улучшить?» Ответ ИИ: [Предложил использовать Регулярное Выражение] |
|
2 |
Исходная генерация |
Чистый код, первоначально сгенерированный ИИ |
Рисунок 1 |
|
3 |
Критический анализ |
Подробное описание проверки и тестирования ИИ-решения. Указать: методы тестирования, обнаруженные проблемы, логику анализа |
Тест 1:’’, ‘a’, ‘a, a’, ‘А роза упала на лапу Азора’. Выявлено: 1. Использование regex вызывает ошибку в моей конфигурации. 2. Знаки препинания и пробелы ломают проверку. 3. Алгоритм неэффективен для длинных строк |
|
4 |
Финализация решения |
Представление рабочей версии кода после всех доработок. К каждому значимому изменению необходимо дать краткое пояснение |
Рисунок 2. Пояснения: «Заменил РегулярноеВыражение на цикл и Стр Заменить для совместимости». «Добавил параметр ИгнорироватьРегистр для гибкости». «Оптимизировал алгоритм, чтобы он завершался при первом несовпадении» |
|
5 |
Самооценка вклада |
Аргументированная оценка личного вклада и вклада ИИ в процентах |
Мой вклад (75 %): анализ требований, формулировка запросов, тестирование, поиск ошибок, рефакторинг кода, оптимизация алгоритма, написание отчета. Вклад ИИ (25 %): предоставление базового шаблона кода и идей для общего подхода |
Примечание: составлена авторами на основе полученных данных в ходе исследования
Таблица 3
Пример применения метода Scaffolding
|
Этап |
Название этапа |
Задание студенту |
Ожидаемый результат |
|
1 |
Анализ требований |
Сформулировать вопросы к задаче |
Документ с описанием алгоритма (текст/блок-схема) и набор тестовых примеров |
|
2 |
Реализация логики решения |
Разработать алгоритм решения задачи |
Исходный код функции (Функция ПроверитьПалиндромПросто(Строка)) |
|
3 |
Рефакторинг и оптимизация |
Используйте ИИ для поиска альтернативных решений, провести анализ ИИ-вариантов |
Обновленный код функции (Функция ПроверитьПалиндромОптимально(Строка)) и пояснение о внесенных изменениях |
|
4 |
Тестирование и документация |
Провести итоговое тестирование и оформить документацию |
Итоговый код функции и краткий отчет о результатах тестирования и качестве решения |
Примечание: составлена авторами на основе полученных данных в ходе исследования.
Для использования метода академической прозрачности изменим задание из примера 1 следующим образом: «Разрешается использование ИИ-инструментов для исследования, генерации прототипа и оптимизации кода. В отчет необходимо включить развернутое описание процесса разработки (табл. 2)».
Ключевыми недостатками метода академической прозрачности являются уязвимость к фальсификации, высокие временные затраты, сложность формализации критерием оценки, что не исключает недобросовестность полностью. Следует отметить, что метод позволяет сформировать: навыки эффективной работы с современными ИИ-инструментами, умение сформулировать запрос, навыки критического анализа полученных результатов, тестирования и применения результатов в конкретном контексте.
«Разделение на этапы» (Scaffolding) и контрольные точки
Метод предполагает разбивку сложной задачи на последовательные, логически связанные этапы (этапность), каждый из которых является промежуточной контрольной точкой. Подход, вдохновленный идеями Л. С. Выготского о «зоне ближайшего развития» [14, c. 113–261], исключает возможность сдачи работы сгенерированной ИИ за один запрос и формирует навык системного решения задач [15, c. 64–163; 16, c. 75–84].
В табл. 3 приведено применение метода Scaffolding на примере задачи о палиндромах.
Метод Scaffolding позволяет сформировать метакогнитивные навыки, реализует принцип развивающего обучения вне зависимости от возраста студента, развивает навыки работы с ИИ-инструментами, доступность в реализации для различных дисциплин. Однако метод обладает следующими недостатками: высокая трудоемкость, сложность реализации в больших группах, зависимость от качества промптов, технические и ресурсные ограничения.
Педагогика сомнения (Pedagogy of Doubt)
Педагогика сомнения используется для получения студентами навыков критического анализа и сомнения в результатах, полученных с помощью ИИ-генерации [2; 5]. Например, формулировка задания может быть следующей: «рассмотрите код из рис. 1, выявите потенциальные узкие места, аргументируйте свой выбор и внесите обоснованные исправления, необходимые для оптимизации кода». В результате выполнения задания студент может предложить вариант решения (рис. 2) и аргументированно объяснить внесенные изменения.
Таким образом, генеративный ИИ можно рассматривать в качестве нового инструмента, с помощью которого можно повысить эффективность и качество процесса обучения, делая его более гибким и устойчивым.
Интеграция ИИ-инструментов в образовательный процесс позволит: преподавателю уделять больше времени индивидуальной работе, которая направлена на развитие критического мышления и понимания, при этом студент остается активным субъектом обучения, он учится управлять сложными инструментами (ИИ); сформировать практико-ориентированные компетенции, такие как прагматичность взаимодействия с ИИ, критическая верификация, синтез информации, ответственное использование сложных ИИ-инструментов; создать среду академической прозрачности и повысить практическую ценность обучения.
Предложенный эволюционный подход формирует основу для проверки следующих гипотез:
− гипотеза 1 – качество понимания: влияет ли регламентированное использование ИИ на результаты обучения по сравнению с контрольными группами, где ИИ либо запрещен, либо используется бесконтрольно;
− гипотеза 2 – эффективность и надежность: снижается ли процент нерабочих или нефункциональных решений, сдаваемых на проверку;
− гипотеза 3 – академическая добросовестность: снижается ли число грубых нарушений (прямой плагиат, покупка работ и т.д.).
Интеграции ИИ в образовательный процесс требует решения проблем, таких как увеличение аудиторной/внеаудиторной нагрузки на преподавателя, необходимость адаптации оценочных средств, неравенство доступа к современным ИИ-инструментам.
Заключение
Анализ показал, что традиционные подходы к оцениванию знаний и навыков студентов в условиях широкого распространения генеративного ИИ теряют свою объективность, так как нацелены на оценку конечного результата, а не процесса его достижения. Предложенные в статье методы – аутентичное оценивание через «живое кодирование», модель академической прозрачности, Scaffolding и педагогика сомнения – представляют собой целостную систему, направленную на развитие когнитивных и метакогнитивных навыков (критическое мышление, интеграция знаний, рефлексия, ответственность), которые становятся наиболее востребованными и конкурентоспособными в период интеллектуальной автоматизации. При этом следует отметить, что внедрение указанного подхода потребует значительных временных затрат со стороны преподавателя (подготовка заданий, многоэтапная проверка заданий, индивидуальные собеседования).
Библиографическая ссылка
Белая Т. И., Бабюк Ю. ИНТЕГРАЦИЯ ГЕНЕРАТИВНОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ОБРАЗОВАТЕЛЬНЫЙ ПРОЦЕСС // Современные наукоемкие технологии. 2026. № 2. С. 104-109;URL: https://top-technologies.ru/ru/article/view?id=40678 (дата обращения: 05.03.2026).