A study of the effectiveness of using the digital teaching assistant model in the professional training of undergraduates in mathematical fields

Введение / Introduction

Постоянное развитие и появление новых информационно-коммуникационных и интеллектуальных информационных технологий должно коррелировать с направлениями цифровой трансформации образования. Российское образование при решении практических задач направлено на использование вновь появившихся преимуществ как отечественных, так и зарубежных технологий. Внедрение и развитие интеллектуальных информационных технологий регламентирует Указ Президента Российской Федерации от 28.02.2024 года № 145 «О Стратегии научно-технологического развития Российской Федерации» [1]. Также Указом Президента РФ от 10.10.2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации» была утверждена национальная стратегия развития искусственного интеллекта на период до 2030 года, которая диктует необходимость применения искусственного интеллекта в том числе в сфере образования [2].

Необходимость обновления технологических инструментов педагога, которые включают в себя информационно-коммуникационные и интеллектуальные технологии, устанавливает федеральный проект «Цифровая образовательная среда» [3]. Для того чтобы обновление технологических инструментов педагога выполнялось эффективно, необходимо их структурировать, определить соответствие информационных технологий педагогическим задачам и функциям, реализовывать комплексный подход к их применению в образовании.

Кроме того, в условиях цифровой трансформации образования перед педагогом стоит множество задач, которые возможно автоматизировать и выполнять, используя потенциал современных информационных технологий: вести учет посещаемости занятий, конструировать индивидуальную траекторию обучения, визуализировать учебные материалы, формировать наборы учебных задач, выполнять анализ текущих результатов обучения и строить прогноз для корректировки педагогических воздействий и многое другое.

Возникает необходимость создания образовательной технологии, которая объединила бы в себе все сильные стороны наиболее современных интеллектуальных и информационно-коммуникационных технологий: генеративных нейронных сетей, рекомендательных систем, эволюционных вычислений, средств визуализации и других.

При этом важно предоставить педагогам гибкую технологию, которая позволила бы самостоятельно автоматизировать некоторые профессиональные функции, комплексно применять перспективные интеллектуальные и информационно-коммуникационные технологии в решении задач, возникающих в условиях цифрой трансформации образования.

Будем рассматривать набор интеллектуальных информационных технологий в разрезе их комплексного применения в педагогической практике. Такой набор будем называть цифровым ассистентом преподавателя. Цифровой ассистент преподавателя (далее – ЦАП) – это совокупность интеллектуальных и информационно-коммуникационных технологий, которая является частью цифровой образовательной среды вуза и предоставляет педагогу возможность автоматизировать отдельные виды своей деятельности, способствует расширению профессиональных навыков использования передовых интеллектуальных информационных технологий, а также формированию профессиональной компетентности учащихся.

Задачи исследования: разработать и апробировать модели цифрового ассистента преподавателя, представленные современными интеллектуальными информационными технологиями, для автоматизации функций преподавателя, исследовать эффективность применения цифрового ассистента преподавателя в высшем профессиональном образовании при подготовке бакалавров математических направлений в соответствии с ФГОС ВО.

Обзор литературы / Literature review

Интеллектуальные информационные технологии (далее – ИИТ) активно применяются в образовании. Н. Д. Пашковская, И. А. Киреева и Ч. Ю. Лю исследуют обучение китайских студентов русскому языку при помощи интеллектуальных технологий [4]. В своих работах они отмечают, что применение ИИТ улучшает обратную связь, позволяет эффективно анализировать усвояемость учебных материалов, адаптировать их под каждого студента. В. И. Токтарова в своих исследованиях описывает индивидуализацию обучения с применением рекомендательных систем [5]. Н. Ю. Добровольская исследует подход в образовании, при котором нейронные сети и рекомендательные системы используются для построения индивидуальной образовательной траектории в соответствии со способностями обучаемого и его возможностями [6]. З. С. Курбанова, Н. П. Исмаилова приходят к выводу, что использование новейших нейронных сетей позволит анализировать индивидуальные способности обучающихся и осуществлять дифференциацию учебного материала по уровню творчества, объему и степени самостоятельности [7]. По мнению З. С. Курбанова и Н. П. Исмаиловой, любая дифференциация учебного материала способствует конструированию индивидуальных траекторий обучения и повышению качества знаний студентов.

Исследователи Н. А. Шобонов, М. Н. Булаева, С. А. Зиновьева в своих работах приводят данные о том, что искусственный интеллект можно использовать для автоматического подбора материалов для обучающихся в тех сферах, где они испытывают трудности в обучении [8]. Так, некоторым учащимся требуется большее время для решения задач в классе, при этом они с большей эффективностью решают задачи дома; в таком случае необходимо построить индивидуальную траекторию с упором на большее количество домашних заданий. Л. Л. Босова в своих работах отмечает такое перспективное направление применения искусственного интеллекта, как анализ письменных ответов учащихся [9]. При этом возможно не только проверять текст работы учащихся, анализировать структуру работы, находить ошибки или выявлять наличие обязательных пунктов, но и проверять соответствие работ учащихся требованиям оформления.

Индивидуализации обучения с использованием технологий искусственного интеллекта на основе данных о мотивации учащихся посвящены исследования Н. С. Гаркуши, Ю. С. Городовой [10]. Е. В. Думина раскрывает эту тему в контексте обучения студентов нелингвистических специальностей иностранному языку [11]. По мнению исследователей, формировать наборы индивидуальных задач для самостоятельной работы учащихся в соответствии с их уровнем мотивации возможно при помощи генеративных нейронных сетей и мобильных технологий.

А. Г. Широколобова и другие авторы в своих исследованиях делают вывод, что искусственный интеллект в контексте образования можно рассматривать как вспомогательный интеллект, используемый в самых разных образовательных ситуациях: как помощника для консультирования студентов, как эксперта анализа данных успеваемости, задолженности или прогресса студентов, как самостоятельно обучающуюся систему [12]. И. В. Роберт выделяет такое перспективное направление применения интеллектуальных информационных технологий, как применение искусственного интеллекта, для обеспечения конфиденциальности любых процессов в сфере образования [13]. В. А. Косторнова раскрывает внедрение искусственного интеллекта в школьное образование [14].

Многие зарубежные исследователи отмечают возможности искусственного интеллекта. Л. Кидле исследует интеграцию генеративного искусственного интеллекта в образование учителей-лингвистов, анализирует новые практики и вызовы [15]. К. Ванг и другие авторы также исследуют в том числе воздействие искусственного интеллекта на учителей Китая, выделяют факторы, влияющие на готовность внедрять технологии ИИТ в педагогику [16]. Б. Каран исследует среднее образование в Индии и внедрение в него искусственного интеллекта, отмечает эффективность ИИТ в решении педагогических задач, выделяет некоторые барьеры во внедрении технологий ИИТ: низкую техническую грамотность отдельных участников образовательного процесса, недостаточную техническую оснащенность учебных заведений [17]. Также применение ИИТ в среднем образовании раскрывают в своих работах Г. Купер, Н. Раппа, К. С. Танг и другие [18]. Д. Коэн и Ц. Лю предлагают диалоговый подход с применением ИИТ. Эти исследователи выделяют новые инструменты, основанные на ИИТ, позволяющие анализировать работы учащихся [19].

Д. Демский в своем исследовании показывает, что автоматизированная обратная связь с применением интеллектуальных информационных технологий улучшает умения учителей и развивает навыки студентов [20]. С. Т. Метью и другие авторы рассматривают ИИТ как вспомогательный инструмент в образовании, позволяющий коммуницировать с учащимися, анализировать текстовые материалы [21]. А. Эссейн исследует влияние генераторов текста на критическое мышление в школах, выявляет как преимущества (поиск учебной информации, автоматизация решения ряда педагогических задач), так и риски (заимствование решений искусственного интеллекта учащимися), резюмирует, что использование ИИТ положительно влияет на образовательный процесс [22]. С. Ц. Конг предлагает человеко-ориентированный фреймворк, который можно применять для саморегулируемого обучения в школах Китая [23]. Х. Ю. Ли, П. Х. Чен, В. С. Ванг, Ю. М. Хуанг и Т. Т. Ву исследуют возможности ChatGPT в обучении, отмечают эффективность генеративной нейронной сети в саморегулируемом обучении, формировании знаний учащихся [24]. К. Хартли, М. Хаяк и У. Х. Ко также изучают ChatGPT в контексте самостоятельного обучения студентов, приводят в качестве примера применение генеративной нейронной сети для обучения программированию [25]. Р. Н. Наатонис, М. Джанна и Э. А. Малахина разработали модель проблемно-ориентированного обучения с геймификацией с применением ChatGPT, отмечают, что применение данной модели улучшает критическое мышление учащихся [26]. Д. В. Лай отмечает позитивную роль ИИТ в развитии навыков самостоятельной работы у студентов [27]. Р Суриано и другие авторы приходят к выводу, что ChatGPT оказывает положительное влияние на критическое мышление [28]. Я. Лан в своей работе подтверждает положительное влияние интеллектуальных информационных технологий на качество подготовки учителей, отмечает, что применение ИИТ положительно воздействует на мотивацию учащихся [29]. Т. Сон, Ш. Ио и Д. Ли в своей работе показывают, что с помощью ИИТ можно улучшить преподавание математики. В работе данных авторов применяется бот, в основу которого заложены ИИТ [30]. И. Паган-Гарбин, И. Мендес и Х. П. Мартинес-Рамон изучают применение нейронных сетей для прогнозирования стресса и эмоционального выгорания учителей, отмечают эффективность нейронных сетей в этой области [31]. С. З. Салас-Пилко, К. Ксяо, К. Ху и другие исследователи применяют искусственный интеллект для аналитики результатов обучения, в частности, в педагогическом образовании [32]. В работе А. С. Алдосари отмечено положительное отношение студентов к интеллектуальным информационным технологиям [33].

Анализ исследований показывает, что использование интеллектуальных информационных технологий в образовании является перспективным, поскольку позволит:

-     обеспечить персонализацию обучения с учетом индивидуальных способностей и уровня каждого студента;

-     адаптировать и создавать новые учебные материалы так, чтобы усилить имеющиеся навыки и умения и стимулировать развитие новых;

-       сократить временные затраты преподавателя при создании учебных материалов;

-     развивать критическое мышление и самостоятельность учащихся;

-     интенсифицировать процесс обучения в целом.

Вместе с тем существуют ряд проблем, которые возникают при применении ИИТ в образовательном процессе:

-     недостаточная техническая оснащенность учебных заведений не позволяет в должной мере раскрыть потенциал этих технологий;

-     разный уровень владения навыками применения ИИТ у педагогов ограничивает их использование;

-     отсутствие законодательства, регламентирующего применение ИИТ в сфере образования, создает риски неправомерных академических заимствований в среде учащихся и недобросовестного использования данных технологий.

Методологическая база исследования / Methodological base of the research

Исследование базируется на основе методологии системного и технологического подходов. Применение системного подхода позволяет рассматривать автоматизацию функций педагога как часть образовательной системы, анализировать дидактические и организационные возможности интеллектуальных информационных технологий на примере моделирования цифрового ассистента преподавателя с учетом его взаимодействия со студентами и педагогами. Применение технологического подхода позволяет анализировать интеллектуальные информационные технологии как инструменты, их ограничения и потенциал на примере генерации учебных заданий и методических рекомендаций.

На основе системного подхода был выявлен ряд функций преподавателя, которые возможно и необходимо автоматизировать, на основе технологического подхода были выявлены ИИТ, обладающие наибольшим потенциалом в автоматизации этих функций.

Соответствие функций преподавателя и интеллектуальных информационных технологий отражено в модели цифрового ассистента преподавателя (см. рис. 1). Так как наиболее широко использовать возможности цифрового ассистента, расширять его инструментарий в силу специфики профессиональных навыков смогут преподаватели математики, информатики и физики, сконцентрируемся на особенностях цифрового ассистента преподавателя математических направлений подготовки. Предложенная модель является базисом для конкретных реализаций, метамоделью. Ее можно адаптировать к педагогическим функциям учителя средней школы, к преподавателю вуза, к преподавателю онлайн-школы или дополнительного образования. При этом конкретизация модели частично может зависеть от учебной дисциплины.

Метамодель цифрового ассистента преподавателя имеет модульную структуру, где каждый модуль соответствует некоторой доступной к автоматизации функции преподавателя. Применение технологий искусственного интеллекта для обеспечения этих функций возможно как с помощью свободно распространяемых сервисов и программ, так и посредством авторских программ, которые преподаватели могут разрабатывать самостоятельно или совместно со студентами. Такая особенность модели позволяет не только повысить качество учебного процесса, но и расширить цифровую среду вуза, привлекая к этому студентов, обладающих соответствующими профессиональными навыками.

Рис. 1. Модульная метамодель цифрового ассистента преподавателя
математических направлений подготовки

В метамодели ЦАП выделен ряд функций. Формирование плана учебного занятия предполагает автоматизацию построения структуры занятия, выделения его ключевых моментов средствами сервисов планирования; учет посещаемости занятий, особенно в вузе, возможно автоматизировать, применяя QR-коды и электронные журналы; уровень мотивации к учебе, необходимый для корректировки индивидуальной траектории обучения, можно определить с помощью автотестов; подготовка и визуализация учебного материала связаны с поисковыми системами, средствами мультимедиа, сервисами генерации информации; функция формирования новых учебных задач автоматизируется за счет использования фасетных тестов, регулярных выражений, нейросетевых сервисов генерации; функция хранения и распределения учащимся цифровых учебных материалов может быть реализована средствами облачных хранилищ, многопользовательских баз данных и систем; функция обеспечения обратной связи предполагает использование совместных хранилищ и баз данных, мессенджеров и чат-ботов; функция организации контроля знаний автоматизируется с помощью существующих сервисов тестирования, позволяющих наполнять тесты собственным контентом.

Каждой функции педагога в метамодели ЦАП соответствует модуль, технологические компоненты которого обеспечивают автоматизацию этой функции. Причем могут использоваться как программы и сервисы, имеющиеся в свободном доступе, так и авторские программы, реализующие подобные функции.

Участие авторских программ в метамодели цифрового ассистента преподавателя математических направлений подготовки обусловлено следующими причинами. Во-первых, преподаватели, ведущие IT-дисциплины в вузе, способны самостоятельно разрабатывать дидактические и коммуникационные ресурсы, отвечающие их специфическим потребностям. Во-вторых, разработка подобных ресурсов может быть предложена студентам в качестве курсовых проектов или выпускных квалификационных работ, что, с одной стороны, является хорошей практикой для обучаемого, с другой стороны, расширяет состав цифровой среды вуза.

Предложенная метамодель является вариативной, конкретизация ее отдельных компонентов позволяет получить модель ЦАП, обеспечивающую автоматизацию функций педагога с учетом особенностей того или иного факультета, учебных планов и наборов формируемых компетенций обучаемых.

Рассмотрим адаптацию метамодели ЦАП к потребностям педагогов факультета компьютерных технологий и прикладной математики Кубанского государственного университета. Отметим, что конкретизированная модель может быть использована для аналогичных направлений подготовки в любом вузе.

Модель цифрового ассистента преподавателя факультета компьютерных технологий и прикладной математики направлена на формирование профессиональных компетенций студентов на современном уровне цифрового образования, автоматизацию некоторых функций педагога, позволяющую перераспределить его ресурсы на решение других творческих задач (см. рис. 2).

Модуль учета посещаемости занятий использует сервис, разработанный совместно со студентами, фиксирующий присутствующих посредством QR-кода. Код генерирует преподаватель в начале занятия, и студенты, сканируя его, автоматически получают отметку о посещении. При использовании свободно распространяемых программ эту же функцию можно реализовать посредством разработки электронного журнала в Яндекс.Документах.

Для организации качественного обучения в вузе достаточно большое значение имеет мотивация студентов. Учащиеся ориентированы на различные графики выполнения самостоятельной работы, им необходимы разные виды и объемы методической помощи. Учет этих особенностей позволяет реализовать индивидуальный подход к организации самостоятельного обучения, а определение особенностей в том числе основано на выявлении уровня мотивации студента к обучению. Определение мотивации выполнено в ЦАП с помощью диагностики по В. Э. Мильману, программная реализация которой представлена разработанным авторским сервисом [34]. Однако подобную диагностику можно автоматизировать и с помощью Яндекс.Форм.

Рис. 2. Модель цифрового ассистента преподавателя
факультета компьютерных технологий и прикладной математики

Основой учебного процесса являются учебные материалы, их качество во многом определяет степень формирования новых компетенций у обучаемых. Для подготовки и визуализации учебных материалов в модели ЦАП используются свободно распространяемые программные продукты: презентации в сервисе Яндекс.Документы, иллюстрации в графическом редакторе PaintNET, обучающие видеоролики в OBS Studio. Дополнительно разработаны авторские сервисы: программа для визуализации структур данных и алгоритмов; веб-приложение для конструирования и визуализации математических графов; веб-приложение для визуализации методов численного интегрирования; программа для визуализации и интерполяции функций одной переменной; программа пространственной визуализации и оптимизации функций. Программы визуализации учебного материала достаточно часто предлагаются студентам в качестве практического задания по курсовым и выпускным квалификационным работам. Такой подход позволяет не только использовать передовые технологии для представления учебного материала, формировать опыт их применения для создания готовых программных продуктов у бакалавров, но и расширять цифровою среду вуза – разработанные студентами сервисы используются преподавателями на учебных занятиях.

Первоочередной задачей для преподавателя является конструирование наборов задач. Контрольные работы, задания для самостоятельного решения необходимо ежегодно обновлять, соблюдая принцип дифференцированного обучения. Разработка больших наборов однотипных задач достаточно трудоемкий процесс, который легко автоматизировать, используя в качестве компонента модели ЦАП генеративную нейронную сеть YandexGPT, причем для более качественных наборов в запросе можно предложить нейронной сети пример задания и указать параметры, значения которых можно варьировать. Приведем пример подобного запроса к генеративной нейронной сети YandexGPT 5 Pro (рис. 3).

Рис. 3. Запрос к генеративной нейронной сети

Грамотно составленный запрос к генеративной сети позволяет получить достаточно качественные результаты. Запрос должен содержать указание на варьируемые поля. Такой подход соответствует алгоритмам построения фасетных тестов и регулярных выражений.

Следующим этапом организации обучения является распределение дифференцированных учебных заданий и обеспечение обратной связи. Для решения этих задач в модели ЦАП используется совместный доступ к цифровым учебным материалам в облачном сервисе Яндекс.Диск и онлайн-редакторе Яндекс.Документы, совместное редактирование и загрузка цифровых отчетов в облачном сервисе Яндекс.Диск и онлайн-редакторе Яндекс.Документы.

Заключительный этап обучения предполагает контроль приобретенных знаний, который может быть представлен в форме тестов, контрольных работ, опросов. Для формирования наборов вопросов тестов или опросов разрабатываются чат-боты и программы компьютерного тестирования, которые могут являться результатами курсовых работ студентов IT-направлений. Контрольные работы и самостоятельные задания в силу специфики факультета компьютерных технологий и прикладной математики содержат не только математические задачи, предполагающие числовой ответ, но и задания по программированию. Такие решения обычно проверяются тестовыми наборами или непосредственно преподавателями. Создание тестовых наборов – трудозатратный процесс, здесь отлично себя показала генеративная нейронная сеть YandexGPT 5 Pro. Пример запроса к конструированию тестовых наборов приведен на рис. 4.

Рис. 4. Пример запроса к конструированию тестового набора

Кроме того, для частичной автоматизации функции педагога по проверке логики программного кода, предложенного студентом, также можно использовать генеративные нейронные сети, загрузив в запрос исходный код и указав учебную задачу.

Предложенная модель цифрового ассистента преподавателя факультета компьютерных технологий и прикладной математики позволяет использовать преимущества передовых технологий искусственного интеллекта в помощь педагогу.

Апробация модели цифрового ассистента преподавателя факультета компьютерных технологий и прикладной математики проводилась со студентами I и III курсов направления подготовки «Фундаментальная информатика и информационные технологии» ФГБОУ ВО «Кубанский государственный университет», город Краснодар. В эксперименте участвовало 50 человек.

Компоненты ЦАП использовались при обучении студентов первого курса по дисциплинам «Основы программирования» и «Методы программирования» в соответствии с ФГОС ВО направления подготовки 02.03.02 «Фундаментальная информатика и информационные технологии», утвержденного Приказом Минобрнауки России от 23.08.2017 № 808 [35].

Распределение компонентов ЦАП при решении педагогических задач в процессе обучения представлено на рис. 5.

Рис. 5. Компоненты цифрового ассистента преподавателя при изучении дисциплин
«Основы программирования» и «Методы программирования»

В начале обучения на подготовительном этапе средствами разработанного сервиса психологической диагностики выявлялся уровень мотивации первокурсников к обучению. На основании полученных результатов выполнена дифференциация студентов по кластерам, определены стратегии обучения.

На лекционных занятиях использовался сервис визуализации структур данных, наглядно демонстрировалась работа алгоритмов сортировки, рекурсии, обработки древовидных структур и графов. Доступ к сервису имелся у студентов и для самостоятельной работы.

На протяжении всего обучения программированию преподавателю требуется большое число однотипных разноуровневых учебных задач. С помощью генеративных нейронных сетей были подготовлены индивидуальные комплекты заданий для каждого студента. Такой подход, не требуя дополнительных временных ресурсов от педагога, с одной стороны, максимально исключает списывание, с другой стороны, позволяет подобрать учебные задания, адаптивные к уровню знаний студента. Несмотря на единые требования к сдаче ЕГЭ, первокурсники существенно различаются по имеющемуся багажу базовых знаний, и цель преподавателя – в кратчайшие сроки ликвидировать пробелы.

Решение задач по программированию предполагает конструирование исходного кода. С помощью генеративных нейронных сетей были разработаны тестовые наборы входных данных, проверяющие правильность работы предложенного алгоритма решения. Студенты имели возможность самостоятельно протестировать собственные решения.

Для анализа сконструированных решений также использовались возможности генеративных нейронных сетей. Для некоторых учебных задач нейронная сеть строила типовое решение, и студенты сравнивали собственное решение и решение, предложенное нейронной сетью, отмечая достоинства и недостатки решений.

Участники эксперимента были распределены на две группы: контрольную и экспериментальную, по 25 человек, случайным образом. На лабораторных занятиях в контрольной группе обучение проводилось традиционными методами, в экспериментальной – с использованием компонентов ЦАП.

Результаты исследования / Research results

После изучения дисциплин и реализации самостоятельной работы на обобщающем этапе эксперимента проверялся уровень сформированности компонентов профессиональной компетентности. Для этого проводились диагностические мероприятия в экспериментальных и контрольных группах. До опытного обучения и экспериментальные, и контрольные группы показывали в целом близкие результаты успеваемости. По результатам входного теста были сформированы четыре уровня: высокий, базовый, пороговый и ниже порогового. В табл. 1 приведены значения уровня знаний до экспериментального обучения и после.

Таблица 1

Результаты успеваемости

Результаты проведенных диагностических мероприятий представлены на рис. 6–9. Результаты проведенного эксперимента показывают, что уровень обученности в экспериментальной группе повысился.

Рис. 6. Диаграмма результатов успеваемости контрольной группы
до опытно-экспериментальной работы

Рис. 7. Диаграмма результатов успеваемости контрольной группы
после опытно-экспериментальной работы

Рис. 8. Диаграмма результатов успеваемости экспериментальной группы
до опытно-экспериментальной работы

Рис. 9. Результаты успеваемости экспериментальной группы
после опытно-экспериментальной работы

Средний балл в контрольной группе уменьшился с 3,48 до 3,24, в экспериментальной группе увеличился с 3,48 до 4.

Проверим статистическую достоверность результатов с помощью критерия c² (Кси-квадрат).

Введем порядковую шкалу: «высокий» – 5 баллов; «базовый» – 4 балла; «пороговый» – 3 балла; «ниже порогового» – 2 балла.

До опытно-экспериментальной работы для экспериментальной группы вектор баллов (3, 10, 8, 4), каждый элемент которого – это количество студентов, получивших 5, 4, 3 и 2 балла соответственно. Для контрольной группы вектор баллов (2, 11, 9, 3). Используем критерий однородности (c²), эмпирическое значение которого вычисляетсяпо формуле:

где N и M – число членов контрольной и экспериментальной групп;

,  – число членов контрольной и экспериментальной групп продемонстрировавших i-тый уровень степени осознания;

L – число выделенных уровней.

Сформулируем следующие гипотезы. Н₀ – выборки контрольных и экспериментальных групп являются статистически неразличимыми (одинаковые законы распределения, достоверность различий характеристик сравниваемых выборок совпадают с уровнем значимости 0,05). Н₁ – выборки контрольных и экспериментальных групп являются статистически различимыми (разные законы распределения, достоверность различий характеристик сравниваемых выборок составляет 95%). Вычислим эмпирическое значение c² до обучения и после него, данные занесем в табл. 2.

Таблица 2

Эмпирическое значение критерия c²

В эксперименте выделены четыре уровня значимости: высокий, базовый, пороговый и ниже порогового (L= 4). Сравнивая полученные значения в табл. 2 с критическим значением  (при L – 1 = 3 критическое ), можно сделать вывод: если , то характеристики сравниваемых выборок совпадают с уровнем значимости 0,05. В противном случае достоверность различий характеристик сравниваемых выборок составляет 95%.

Из табл. 2 видно, что все эмпирические значения , кроме 7,99676, которое получено при сравнении экспериментальной и контрольной групп после окончания опытно-экспериментальной работы, меньше критического значения. Следовательно, характеристики всех сравниваемых выборок, кроме экспериментальной и контрольной групп после окончания эксперимента, совпадают с уровнем значимости 0,05. Так как  = 7,99676 > 7,82, то достоверность различий характеристик экспериментальной и контрольной групп после окончания эксперимента составляет 95%.

На основе статистических данных можно сделать вывод, что уровни обученности в экспериментальной и контрольной группах до проведения эксперимента не различались, а после проведения опытно-экспериментальной работы существенно отличаются. Такое различие обусловлено применением компонентов ЦАП при обучении экспериментальной группы.

Со студентами экспериментальной группы был проведен анализ их решений с использованием генеративной нейронной сети YandexGPT. Требовалось сначала решить учебную задачу самостоятельно на языке программирования С++, затем построить решение с помощью нейронной сети. Далее выполнить анализ двух решений по следующим параметрам: 1) типы используемых операторов цикла; 2) количество используемых переменных; 3) количество используемых циклических конструкций. Подобная методика была применена на лабораторных занятиях впервые.

По окончании экспериментальной работы проведено анкетирование студентов. Более 90% опрошенных отметили свой интерес к изучению возможностей генеративных нейронных сетей. Студенты сделали вывод, что результат нейронной сети следует использовать как подспорье, а не замену работы программиста. 87% учащихся отметили положительный эффект использования при обучении программ визуализации работы различных алгоритмов. При самостоятельной работе студенты использовали генеративную нейронную сеть для конструирования условий учебных задач. 95% указали эффективность подготовки по сгенерированным задачам, образцом которых являлось несколько задач, выданных преподавателем для подготовки к зачету.

В экспериментальной работе со студентами третьего курса использовались следующие компоненты ЦАП: модуль учета посещаемости занятий, модуль определения мотивации учащихся, модуль распределения заданий и обеспечения обратной связи.

Организация учета посещаемости студентов на лекционных занятиях была организована с помощью сервиса фиксации QR-кодов, сканируемых учащимися в начале занятия. Студенты с интересом отнеслись к возможностям сервиса, протестировав его, пытаясь сфальсифицировать результаты. Такой сервис не только способен отразить наличие присутствующих на занятиях, но и впоследствии выполнить анализ количества отсутствующих за длительный период.

Модуль распределения заданий и обеспечения обратной связи был задействован для организации подготовки курсовой работы. Студенты III курса готовили курсовую работу впервые, поэтому необходимо было снабдить каждого планом работ, который содержал объем и сроки выполнения. Для того чтобы индивидуализировать процесс подготовки, на начальном этапе студенты прошли диагностику мотивации к обучению, результаты которой позволили разбить обучаемых на четыре кластера.

Кластер 1. Студент готов вовремя и даже с опережением графика выполнять задания, стремится получить максимальный балл.

Кластер 2. Студент хочет успеть в срок, но что-то его отвлекает, на высокий балл не претендует.

Кластер 3. Студент успевающий, но все будет делать в последний момент.

Кластер 4. Студент не переживает о сроках выполнения работ и оценке, мотивация практически отсутствует.

С помощью генеративной нейронной сети для каждого кластера определены особенности плана подготовки курсовой работы (рис. 10).

Рис. 10. Планы подготовки курсовой работы в зависимости от уровня мотивации

В планы добавлены дедлайны и степень контроля за выполнением.

Студенты отметили, что индивидуальные планы вполне соответствуют темпам выполнения учебных заданий и, безусловно, являются необходимой опорой при подготовке курсовых работ.

Заключение / Conclusion

Использование компонентов модели цифрового ассистента преподавателя факультета компьютерных технологий и прикладной математики позволяет обеспечить педагога современными цифровыми средствами как для подготовки учебных материалов, так и для организации занятий.

Проведенная экспериментальная работа показала, что использование компонентов модели цифрового ассистента преподавателя факультета компьютерных технологий и прикладной математики на лекционных и лабораторных занятиях повышает интерес к обучению, поднимает уровень обученности студентов, качественнее формирует профессиональные компетенции за счет индивидуального подхода, наличия большого числа дифференцированных наборов задач и стратегий обучения, визуализации учебного материала с помощью современных информационных технологий.

С другой стороны, обеспечение преподавателей цифровыми интеллектуальными инструментами позволяет решать многие педагогические задачи за более короткий срок, а следовательно, высвобождать время для творческого и воспитательного процессов. Кроме того, специфика направлений подготовки позволяет привлекать студентов к разработке компонентов цифрового помощника, тем самым расширяя цифровую среду вуза и формируя опыт применения компетенций студентов при реализации практических задач.