Введение
Цифровая трансформация образования усилила запрос на такие модели обучения, которые учитывают индивидуальные различия обучающихся: исходный уровень знаний, темп усвоения, мотивацию, когнитивные особенности и предпочтительные форматы работы. Традиционные формы организации учебного процесса (единый темп, одинаковые задания и критерии) часто приводят к разрыву между потребностями учащихся и предлагаемыми учебными материалами: часть обучающихся испытывает перегрузку, другая – недостаток вызова, снижается вовлеченность и качество усвоения.
Интеллектуальные обучающие системы на основе искусственного интеллекта (ИИ) рассматриваются как один из наиболее перспективных инструментов персонализации обучения.
Такие системы способны собирать и анализировать разнообразные образовательные данные: результаты выполненных заданий, типичные ошибки, время работы над материалом, последовательность действий учащегося. На основе полученной информации формируется индивидуальная модель обучающегося, с учетом которой адаптируется содержание учебного материала, его сложность, порядок подачи и формы представления. Кроме того, интеллектуальные системы обеспечивают быструю обратную связь, timely выявляют пробелы в знаниях, предлагают персональные учебные траектории и помогают преподавателю за счет аналитики группового прогресса.
Как справедливо отмечает Н. К. Юрков, «интеллектуальные обучающие системы – это компьютерные программы и технологии, которые помогают людям получать новые знания и приобретать умения» [1].
В то же время внедрение подобных систем порождает целый ряд серьезных научных и практических вопросов. Насколько устойчив положительный эффект персонализации для долгосрочных образовательных результатов? Как гарантировать качество используемых данных и минимизировать алгоритмические искажения? Какие критерии должны применяться к прозрачности принимаемых решений, защите персональной информации и сохранению педагогической ответственности преподавателя? Именно эти проблемы определяют необходимость глубокого и системного изучения как возможностей, так и ограничений интеллектуальных обучающих систем в условиях развития персонализированного образования [2].
Цель исследования – анализ возможностей использования интеллектуальных обучающих систем на основе искусственного интеллекта для персонализации образовательного процесса и обоснование условий их эффективного и безопасного внедрения в образовательной практике.
Материалы и методы исследования
С целью проверки педагогической эффективности интеллектуальной обучающей системы (ИОС) для персонализации обучения был проведен сравнительный педагогический эксперимент в течение двух семестров (осеннего и весеннего) 2024–2025 учебного года. Исследование осуществлялось на базе курса «Введение в информатику и программирование» для студентов 1-го курса направлений подготовки «Прикладная информатика» и «Информационные системы».
В эксперименте участвовали 120 студентов, случайным образом разделенных на две группы:
− Экспериментальная группа (ЭГ, n = 60): Обучение с использованием адаптивной ИОС, интегрированной в LMS Moodle.
− Контрольная группа (КГ, n = 60): Обучение по традиционной модели в той же LMS Moodle (статический набор материалов, единые для всех дедлайны и задания, общая лекционная очередь).
Интеллектуальная обучающая среда и методы персонализации
В качестве технологической основы ИОС использовалась платформа LMS Moodle 4.1 [3, 4], расширенная за счет дополнительных модулей (Adaptive Learning, Analytics) и внешних сервисов на базе искусственного интеллекта, доступных в российской образовательной экосистеме (например, API Яндекс Облака для NLP-анализа текстовых ответов, инструменты для генерации вариантов заданий) [5].
Персонализация в экспериментальной группе реализовалась через комплекс взаимосвязанных механизмов. Во-первых, применялось динамическое моделирование обучающегося: система формировала индивидуальный профиль студента на основе результатов входного тестирования, времени просмотра учебных материалов, точности выполнения практических заданий, характера допущенных ошибок и уровня активности на форумах [6]. Во-вторых, на основании построенной модели обеспечивались адаптивная навигация и рекомендации – предлагалась индивидуальная последовательность изучения модулей, подбирались дополнительные ресурсы (видео, статьи, интерактивные симуляторы) для устранения выявленных пробелов, либо, напротив, выдавались задания повышенной сложности при опережающем освоении темы [7]. В-третьих, использовалась автоматическая генерация и подбор заданий: для каждого студента формировались уникальные варианты задач с различными входными данными, соответствующие его текущему уровню освоения материала, при этом применялись как встроенные инструменты Moodle (например, модуль Quiz), так и внешние генераторы задач [8]. Наконец, реализовывалась интеллектуальная обратная связь: помимо автоматической проверки корректности кода или ответа система с использованием NLP-алгоритмов анализировала развернутые текстовые ответы на открытые вопросы и комментарии в коде, предоставляя персонализированные рекомендации по улучшению решений [9].
Разработанная система персонализации опирается на фундаментальные принципы педагогических измерений и современные исследования в области образовательных технологий. Методологическую основу входного, промежуточного и итогового контроля составили классические подходы к педагогическому тестированию [10]. Анализ цифровых следов обучающихся, включая время выполнения заданий и траектории работы с контентом, проводился с учетом современных подходов к учебной аналитике, описанных в исследованиях, посвященных информатизации образования [11]. При разработке алгоритмов семантического анализа ответов учитывались принципы адаптивных семантических моделей контроля знаний [12]. Эффективность применения имитационных компонентов и генерации заданий подтверждается выводами о целесообразности использования ИИ-систем для формирования профессиональных компетенций [13]. Общая логика внедрения интеллектуальных компонентов в образовательный процесс согласуется с комплексными исследованиями применения ИИ в российском образовании [14]. Кроме того, при интерпретации изменений в учебной активности студентов учитывалась концепция трансформации информационных потоков под влиянием искусственного интеллекта [15].
Методы и инструменты сбора данных
Для оценки эффективности применялся комплекс методов:
Педагогическое тестирование
− Входной тест (пре-тест) для оценки исходного уровня знаний и формирования начальной модели.
− Промежуточные срезы в конце каждого модуля.
− Итоговый экзамен (пост-тест) одинакового уровня сложности для ЭГ и КГ.
Анализ образовательных данных (Learning Analytics): Автоматический сбор и анализ метрик в LMS: процент завершения модулей, время выполнения заданий, количество попыток, траектория движения по курсу, активность взаимодействия с адаптивными подсказками.
Экспертное оценивание и опросы
− Оценка итоговых индивидуальных проектов (разработанная небольшая программа) по единым критериям преподавателями, не знавшими о принадлежности студента к группе.
− Анкетирование для измерения уровня учебной мотивации и удовлетворенности курсом (по шкалам Л. И. Божович и TAM-модели).
Методы статистической обработки данных
Для количественного анализа результатов использовался статистический пакет SPSS 26.0. Достоверность различий между группами определялась с помощью t-критерия Стьюдента для независимых и зависимых выборок. Проверялась нормальность распределения (критерий Шапиро – Уилка). Уровень статистической значимости был установлен на уровне p ≤ 0,05.
Результаты исследования и их обсуждение
Сравнительный анализ средних баллов по ключевым метрикам между контрольной (КГ) и экспериментальной (ЭГ) группами представлен в таблице.
Данные, представленные в таблице, свидетельствуют о статистически значимом положительном влиянии интеллектуальной обучающей системы на образовательные результаты и вовлеченность студентов. Следует отметить, что представленные агрегированные показатели (M±SD) отражают среднюю тенденцию, однако сравнительно высокое стандартное отклонение по итоговому экзамену в экспериментальной группе указывает на неоднородность эффекта: часть студентов могла сохранять трудности при освоении материала. В рамках данного исследования не проводился анализ различий эффекта по подгруппам (например, по исходному уровню подготовки) и не оценивалась доля обучающихся с минимальным либо отрицательным приростом, что является ограничением. В дальнейшем целесообразно выполнить стратифицированный анализ (сильные/слабые) и уточнить, для каких категорий студентов адаптивная поддержка наиболее эффективна и не приводит ли к снижению результатов у отдельных обучающихся.
Сравнительные результаты педагогического эксперимента
|
Показатель |
Контрольная группа (КГ), M±SD |
Экспериментальная группа (ЭГ), M±SD |
t-критерий |
p-value (уровень значимости) |
Интерпретация различий |
|
Балл на входном тестировании (пре-тест) |
52,3±12,1 |
51,8±11,7 |
0,23 |
0,82 |
Незначимо |
|
Балл на итоговом экзамене (пост-тест) |
68,4±10,5 |
78,9±9,2 |
5,91 |
0,001* |
Значимо в пользу ЭГ |
|
Прирост балла (пост-тест – пре-тест) |
+16,1 |
+27,1 |
4,87 |
0,003* |
Значимо в пользу ЭГ |
|
Средний % выполнения практических заданий |
74,2 %±14,3 |
88,6 %±8,7 |
6,54 |
0,001* |
Значимо в пользу ЭГ |
|
Среднее время на освоение модуля (часы) |
12,5±3,8 |
15,3±4,1* |
3,89 |
0,02* |
Значимо |
|
Кол-во обращений к доп. материалам (на студ.) |
3,1±2,2 |
11,4±5,6 |
10,2 |
0,001* |
Значимо в пользу ЭГ |
|
Удовлетворенность курсом (по 10-балльной шкале) |
6,8±1,5 |
8,4±1,1 |
6,78 |
0,001* |
Значимо в пользу ЭГ |
Примечание: M±SD – среднее значение ± стандартное отклонение.
Составлена автором на основе полученных данных в ходе исследования
Результаты эксперимента указывают на статистически значимое улучшение академической успеваемости студентов экспериментальной группы по сравнению с контрольной. При сопоставимом исходном уровне подготовки (различия по пре-тесту статистически незначимы, p = 0,82) студенты экспериментальной группы, работавшие с интеллектуальной обучающей системой, продемонстрировали существенно более высокие результаты на итоговом экзамене (78,9 балла против 68,4 балла в контрольной группе, p = 0,001). Прирост знаний в экспериментальной группе также оказался заметно выше: +27,1 балла против +16,1 балла в контрольной (превышение на 68 %). Эти данные подтверждают эффективность адаптивной поддержки при работе с разноуровневой подготовкой обучающихся.
Одновременно наблюдалось повышение учебной вовлеченности и настойчивости. В экспериментальной группе доля выполненных практических заданий составила 88,6 % против 74,2 % в контрольной, а обращаемость к дополнительным учебным материалам была в 3,7 раза выше. Такой результат может свидетельствовать о постепенном формировании у студентов элементов саморегулируемого обучения под влиянием персонализированных рекомендаций системы.
Вместе с тем студенты экспериментальной группы в среднем потратили на освоение курса на 22 % больше времени. Это увеличение временных затрат, скорее всего, связано с более глубокой проработкой материала и возможностью работать в собственном темпе. Однако нельзя исключать и дополнительные когнитивные усилия, вызванные взаимодействием с рекомендациями системы, а также особенности ее интерфейса. В целом повышенные временные затраты согласуются с более высокими итоговыми результатами обучения.
Следует отметить, что в рамках исследования не проводился качественный анализ (например, содержания обращений к помощи, сложности запросов или характера взаимодействия с подсказками), который позволил бы однозначно интерпретировать увеличение времени как показатель более глубокой проработки материала. Данный аспект рассматривается как направление дальнейших исследований.
Субъективные оценки также улучшились: удовлетворенность курсом в экспериментальной группе оказалась выше (8,4 против 6,8) и согласуется с данными образовательной аналитики; в анкетах студенты отмечали, что задания воспринимались как посильные, система помогала понять ошибки и был заметен прогресс, что в целом поддерживает гипотезу о снижении тревожности и росте внутренней мотивации при персонализации обучения через ИОС.
Полученные результаты в целом согласуются с выводами исследований, посвященных применению персонализации и адаптивной поддержки в электронном обучении: в них отмечается положительное влияние таких подходов на учебные достижения и вовлеченность обучающихся. Вместе с тем величина эффекта и его устойчивость зависят от предметной области, исходного уровня подготовки и сценариев использования подсказок, поэтому прямое сопоставление количественных приростов требует учета различий в дизайне экспериментов и инструментарии измерения. В нашем исследовании наблюдается аналогичная тенденция повышения результатов и удовлетворенности, однако для более точного сравнения необходимы расширение выборки и анализ подгрупп обучающихся.
Заключение
По результатам педагогического эксперимента экспериментальная группа продемонстрировала более высокие итоговые показатели освоения учебного материала по сравнению с контрольной группой.
Зафиксировано увеличение среднего времени освоения курса в экспериментальной группе на 22 %, что может быть связано с более тщательной проработкой тем и работой в индивидуальном темпе, а также с дополнительными когнитивными затратами при взаимодействии с рекомендациями и особенностями интерфейса.
Субъективные показатели качества обучения в экспериментальной группе выше: удовлетворенность курсом составила 8,4 против 6,8 в контрольной группе; по данным анкетирования студенты отмечали посильность заданий, помощь в понимании ошибок и заметный прогресс.
Данные образовательной аналитики согласуются с результатами тестирования и анкетирования, что указывает на повышение вовлеченности обучающихся при использовании интеллектуальной обучающей системы.
Высокая вариативность результатов в экспериментальной группе по итоговому экзамену свидетельствует о неоднородности эффекта и необходимости дальнейшего анализа эффективности системы для различных категорий студентов (по исходному уровню подготовки).
Ограничения исследования. При интерпретации полученных результатов следует учитывать возможное влияние эффекта новизны, связанного с использованием новых цифровых инструментов (включая ИИ), что могло повысить вовлеченность обучающихся независимо от педагогической эффективности системы. Проверка устойчивости эффекта требует лонгитюдного дизайна и/или включения плацебо-группы в дальнейших исследованиях.
В настоящем исследовании рассмотрены возможности применения интеллектуальных обучающих систем на основе искусственного интеллекта для персонализации образовательного процесса и эмпирически оценена их педагогическая эффективность в условиях вузовского курса «Введение в информатику и программирование». Полученные результаты в совокупности указывают, что персонализация, реализованная через динамическую модель обучающегося, адаптивные рекомендации, индивидуализированный подбор и генерацию заданий, а также интеллектуальную обратную связь, способствует улучшению освоения содержания и повышению вовлеченности обучающихся.
Следует отметить, что внедрение ИОС сопровождалось дополнительными трудозатратами преподавателя на стартовом этапе: настройку структуры курса и критериев оценивания, подготовку банка заданий, проверку корректности автоматически сформированных вариантов и первичную модерацию обратной связи. Количественная оценка трудозатрат (в человеко-часах) в рамках данного исследования не проводилась, что является ограничением. Вместе с тем ожидается, что после настройки и накопления банка заданий доля рутинных операций снижается, а высвобождаемое время может быть перераспределено на консультации и наставничество.
При интерпретации результатов следует учитывать возможное влияние эффекта новизны, а также отсутствие качественного анализа взаимодействия обучающихся с подсказками, который позволил бы однозначно трактовать увеличение времени на освоение модулей как показатель более глубокой проработки материала. Кроме того, агрегированные показатели (M±SD) не позволяют выделить подгруппы обучающихся, для которых эффект персонализации выражен сильнее или слабее, что задает направление дальнейших исследований.
Таким образом, интеллектуальные обучающие системы могут выступать в роли «цифрового тьютора», обеспечивающего масштабируемую индивидуальную поддержку в массовом обучении и создающего предпосылки для перераспределения времени преподавателя на консультации и наставничество, работу с проблемными темами и развитие у студентов критического мышления. Практическая значимость результатов состоит в том, что эффективная персонализация достижима на базе доступных инструментов (LMS Moodle и облачные ИИ-сервисы) при условии методически корректной интеграции, прозрачных критериев оценивания и соблюдения требований к безопасности и этике работы с образовательными данными. Дополнительно подчеркивается значимость регламентов использования, подготовки преподавателей и контроля качества данных как факторов устойчивости и воспроизводимости эффекта персонализации.
Конфликт интересов
Финансирование
Библиографическая ссылка
Потапов А. А. ИСПОЛЬЗОВАНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ СИСТЕМ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПЕРСОНАЛИЗАЦИИ ОБРАЗОВАТЕЛЬНОГО ПРОЦЕССА // Современные наукоемкие технологии. 2026. № 5. С. 237-242;URL: https://top-technologies.ru/ru/article/view?id=40799 (дата обращения: 01.06.2026).
DOI: https://doi.org/10.17513/snt.40799