Anna E. SamarinaВведение / Introduction
Процессы цифровой трансформации всех сфер общественной жизни в последние годы получили новый импульс, связанный с появлением и широким внедрением, начиная с 2022 года, в различные общественные практики больших генеративных моделей. Можно констатировать начало принципиально нового этапа процесса цифровой трансформации. Этот факт нашел отражение в Указе Президента Российской Федерации от 7 мая 2024 года № 309 «О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года» [1], согласно которому цифровая трансформация включена в перечень национальных целей развития Российской Федерации и предусмотрено формирование современной системы профессионального развития педагогических работников, отвечающих современным требованиям. Распоряжение Правительства Российской Федерации от 5 июля 2025 года № 1805-р утверждает стратегическое направление в области цифровой трансформации отрасли науки и высшего образования до 2030 года [2], согласно которому внедрение технологий искусственного интеллекта является условием для инновационного развития высшего образования и науки. Осмысление степени влияния цифровой трансформации на систему образования находит отражение и в научных исследованиях. Так, Г. К. Чунгулова и Э. Н. Оразалиева характеризуют большие языковые модели как потенциально «революционный» инструмент в системе образования [3]. Т. Адигузель, М. Х. Кайя и Ф. К. Кансу в своем исследовании идут дальше и характеризуют внедрение больших генеративных моделей как «революцию» в образовании [4]. М. Салливан с соавторами указывают на «преобразующий потенциал» больших генеративных моделей для системы образования [5].
Очевидно, актуальной в современных условиях является проблема оценки роли, места, потенциала применения больших генеративных моделей в учебном процессе. В фокусе нашего исследования находится один из частных аспектов этой проблемы, относящийся к применению нейросетей для генерации изображений в обучении студентов работе с цифровым дизайном. Задачами нашего исследования являются анализ сформировавшихся в современной педагогической науке взглядов на особенности применения больших генеративных моделей в учебном процессе; разработка содержания, форм и методов применения нейросетей для генерации изображений (как конкретного вида больших генеративных моделей) в области работы с цифровым дизайном; анализ восприятия студентами больших генеративных моделей, имеющегося у них опыта их использования и степени готовности к такому использованию; сравнительный анализ оценки студентами различных нейросетей для генерации изображений, в том числе степени удобства и сложностей при использовании в учебном процессе; выявление возможных сценариев применения больших генеративных моделей в учебном процессе и их взаимодействия с субъектами этого процесса.
Обзор литературы / Literature review
Несмотря на сравнительно небольшой промежуток времени, прошедший с начала современного этапа цифровой трансформации системы образования (2022 год), к настоящему времени сформирован весьма обширный корпус трудов, посвященных анализу различных аспектов применения в учебном процессе больших генеративных моделей и, шире, систем искусственного интеллекта. При этом работ, содержащих анализ специфики именно нейросетей для генерации изображений, сравнительно мало. Однако существенный интерес в контексте проблемы нашего исследования представляют и научные исследования более общего характера, посвященные изучению педагогического измерения систем искусственного интеллекта. Так, в работе Е. В. Борисовой рассмотрены вопросы цифровой трансформации системы образования на основе применения технологий искусственного интеллекта, выявлены и проанализированы противоречия между традиционной и цифровой педагогикой [6].
Исследование У. Ли с соавторами посвящено специфике применения нейросетей для генерации изображений в контексте учебной аналитики [7]. К основным выводам, к которым приходят авторы, относятся большие возможности персонализации обучения и потенциал нейросетей для генерации изображений как инструмента развития креативности обучающихся [8].
Детальный анализ трансформирующего потенциала больших генеративных моделей представлен в работе А. В. Резаева и Н. Д. Трегубовой [9]. Данные авторы выделяют три фундаментальных теоретико-методологических положения, на которых основывается анализ:
‒ технологии искусственного интеллекта, безусловно, способны выполнять функции эффективных инструкторов, однако их принципиальная ограниченность заключается в невозможности полной замены профессорско-преподавательского состава, поскольку ключевые аспекты академической деятельности требуют человеческого участия;
‒ комплексное исследование проблем, связанных с внедрением технологий искусственного интеллекта в высшее образование, требует обязательного применения междисциплинарного подхода, объединяющего методологические наработки различных научных областей;
‒ наиболее перспективной теоретической рамкой для изучения вопросов использования искусственного интеллекта в академической среде представляется человеко-ориентированный подход, который акцентирует внимание на необходимости проектирования интеллектуальных систем с учетом антропологических и социальных факторов.
Возникновение и широкое внедрение в образовательную практику больших генеративных моделей приводит к необходимости существенного изменения представлений о процессах цифровизации образования, описанных ранее в работе Д. А. Бояринова [10]. Чтобы терминологически маркировать происшедшие изменения, многие авторы используют термин «цифровая трансформация системы образования». В своем исследовании А. В. Резаев и Н. Д. Трегубова выделяют следующие ключевые аспекты цифровой трансформации образовательного процесса [11]:
1) переориентация учебных программ с пассивного усвоения информации на формирование навыков критического осмысления, анализа и практического применения знаний, включая развитие компетенций работы с инструментами искусственного интеллекта, способными предоставлять и обрабатывать информационные массивы;
2) необходимость существенного пересмотра существующих механизмов оценки учебных достижений, в том числе разработки новых критериев для преподавателей, осуществляющих проверку письменных работ и устных ответов студентов;
3) активное внедрение методик развития вычислительного мышления, целью которого является не имитация компьютерной логики, а глубокое понимание принципов взаимодействия между человеком и алгоритмическими системами, особенно в ситуациях возникновения технических сбоев или ошибок («галлюцинаций») в работе систем искусственного интеллекта;
4) разработка стратегических «дорожных карт» для поэтапного внедрения технологий искусственного интеллекта в сферу высшего образования, создание специализированных организационных структур, ответственных за регулирование использования технологий искусственного интеллекта как на институциональном, так и на национальном уровнях;
5) формирование новой терминологической базы и концептуальных рамок, позволяющих адекватно описывать трансформационные процессы в высшем образовании, связанные с развитием и внедрением технологий искусственного интеллекта.
Ю. В. Рыжков отмечает наличие двух основных направлений применения технологий искусственного интеллекта в обучении [12]:
1) обеспечение персонализированного подхода в онлайн-обучении;
2) реализация технологий адаптивного обучения.
Согласно данным Ю. В. Рыжкова, к предпочтительным для обучающихся направлениям использования больших генеративных моделей относятся следующие [13]:
1) поиск, систематизация и интеграция информации, включая генерацию идей и «поиск вдохновения»;
2) сжатие и обобщение сложных концепций;
3) помощь в составлении литературных обзоров для исследовательских работ;
4) поддержка в анализе данных;
5) изучение иностранных языков;
6) автоматизация рутинных и повторяющихся задач;
7) повышение общей продуктивности и эффективности деятельности.
А.-Ч. Е. Динг с соавторами указывают на то, что искусственный интеллект обладает значительным трансформационным потенциалом для сферы образования, предлагая перспективы персонализированного обучения, повышения вовлеченности студентов в учебный процесс и увеличения эффективности этого процесса [14]. По мнению А.-Ч. Е. Динг с соавторами, интеграция инструментов искусственного интеллекта в первую очередь должна быть направлена на расширение возможностей преподавания и изучения предметного содержания.
А. Хан с соавторами отмечают, что большие генеративные модели предоставляют значительные возможности для создания адаптивного учебного контента, учитывающего индивидуальные особенности студентов, расширения идейного потенциала за счет динамически генерируемых образовательных ресурсов и обеспечения персонализированной культурно-релевантной обратной связи [15]. Взгляды А. Хана с соавторами позволяют нам отметить, что появление больших генеративных моделей придает новый импульс идеям персонализации учебных траекторий [16].
А. Н. Пинчук и Д. А. Тихомиров в процессе исследования восприятия обучающимися и преподавателями процесса взаимодействия с системами искусственного интеллекта выявили следующие потенциальные препятствия [17]:
‒ проблемы обеспечения прозрачности, честности и конфиденциальности;
‒ риски безответственного, неэтичного и недобросовестного использования результатов, полученных в процессе взаимодействия с большими генеративными моделями;
‒ возможность генерации материалов низкого качества, содержащих недостоверные данные и утверждения;
‒ опасения относительно возможной девальвации академических степеней;
‒ потенциальные угрозы для системы этических ценностей в случае развития систем искусственного интеллекта с несогласованными ценностными ориентирами;
‒ обеспокоенность влиянием технологий на рынок труда и общество в целом, включая риск потери рабочих мест и полной «замены людей» в будущем.
Т. Н. Нго и Д. Хасти в своем исследовании анализируют восприятие студентами больших генеративных моделей [18]. Они отмечают, что отношение к искусственному интеллекту варьируется в зависимости от предметной области: студенты гуманитарных и художественных специальностей демонстрируют менее позитивное отношение к этим технологиям по сравнению со своими коллегами из естественно-научных специальностей [19]. Согласно данным, приводимым Т. Н. Нго и Д. Хасти, в качестве основного препятствия в применении больших генеративных моделей в учебном процессе обучающиеся особо отмечают недостаток институциональной поддержки и четких руководств по применению инструментов искусственного интеллекта в учебной деятельности.
А. Г. Кравцова выделила систему положительных и отрицательных факторов, присущих большим генеративным моделям в педагогическом контексте [20]. К положительным факторам относятся следующие:
- возможность построения индивидуальных траекторий обучения, адаптированных к индивидуальным потребностям и способностям обучающихся;
- возможность оптимизации процесса самообучения с опорой на возможность предоставления прямых и оперативных ответов на запросы обучающегося;
- возможность предоставления обучающемуся оперативной обратной связи.
К ограничениям относятся следующие [21]:
- крайне низкий уровень эмоционального интеллекта, неспособность воспринимать и интерпретировать эмоциональный контекст коммуникации с обучающимся;
- недостаточное понимание «культурного кода» обучающегося;
- риск развития технологической зависимости (проявляющейся в формировании у обучающихся устойчивой привычки полагаться на сгенерированный контент).
Т. Аль-Шлоул с соавторами отмечают, что интеграция больших генеративных моделей в учебный процесс открывает новые возможности для интерактивного обучения и индивидуальной поддержки, способствуя формированию у обучающихся более глубокого понимания учебного материала [22]. В качестве основных направлений развития системы обучения на современном этапе цифровой трансформации Т. Аль-Шлоул с соавторами выделяют следующие [23]:
- содействие процессу совместного создания знаний;
- переосмысление целей обучения;
- внедрение интеллектуальных педагогических подходов;
- диверсификация учебных материалов;
- принятие многомерных методов оценки учебных достижений.
Также авторы исследования отмечают потенциал больших генеративных моделей в повышении вовлеченности обучающихся в учебный процесс [24].
Ц. К. И. Чан исследует влияние процессов внедрения больших генеративных моделей на роль и позиционирование преподавателя [25]. Он отмечает, что, несмотря на существование мнений о потенциальной замене преподавателей искусственным интеллектом, большинство участников исследований подчеркивают уникальные качества педагогов-людей (к которым относятся креативность, развитые критическое мышление и эмоциональный интеллект), которые делают преподавателей незаменимыми. Ц. К. И. Чан также отмечает значимость социально-эмоциональных компетенций у обучающихся, которые формируются в процессе человеческого взаимодействия и в настоящее время не могут быть воспроизведены технологиями искусственного интеллекта [26].
По нашему мнению, большим методологическим потенциалом обладает следующая идея, содержащаяся в исследовании Ц. К. И. Чана: он предлагает рассматривать большие генеративные модели в качестве «когнитивного протеза», расширяющего возможности мышления обучающегося [27]. Из этой идеи следует необходимость поиска эффективных моделей сотрудничества между преподавателями, обучающимися и системами искусственного интеллекта. Отметим, что полученные нами эмпирические данные показывают неотрефлексированную обучающимися потребность поиска соответствующих механизмов и стихийно вырабатываемые ими сценарии такого сотрудничества. Также Ц. К. И. Чан отмечает в своем исследовании необходимость поиска методов и сценариев сотрудничества между субъектами учебного процесса и системами искусственного интеллекта [28].
Особо отметим еще одно исследование, выводы которого определенным образом согласуются с наблюдениями, осуществленными нами в ходе сбора анализа эмпирических данных. Й. Ченг с соавторами отметили развитие мультимодальности педагогических взаимодействий в условиях применения больших генеративных моделей [29]. Мы полагаем, что в ходе эксперимента мы непосредственно наблюдали и зафиксировали одну из возможных форм такой мультимодальности.
Существуют исследования, посвященные анализу отдельных моделей генеративного искусственного интеллекта в учебной деятельности. Согласно результатам, изложенным в работе А. Е. Самариной и Д. А. Бояринова, такие модели позволяют многократно ускорить работу, облегчают выполнение однотипных и кропотливых операций, создают различные вариации изображений [30]. В исследовании А. Е. Самариной рассматривается широкий спектр инструментов искусственного интеллекта, и сценарии их использования на различных этапах учебного процесса, в том числе для генерации образовательного контента [31].
В качестве вывода к проведенному анализу научно-педагогической литературы отметим, что к настоящему моменту накоплен существенный объем исследований, в которых рассматриваются различные вопросы использования систем искусственного интеллекта в педагогической практике. Консенсусной позицией всех авторов является актуальность данного комплекса вопросов и трансформирующий эффект, которым обладают системы искусственного интеллекта по отношению к системе образования. Авторы исследований в первую очередь обращают внимание на потенциал персонализации и индивидуализации, наличествующий у систем искусственного интеллекта в педагогическом контексте, и на присущие им вызовы этического характера. Однако к настоящему моменту проблема анализа роли, места и потенциала применения нейросетей для генерации изображений в обучении студентов работе с цифровым дизайном не получила достаточного освещения, что мы и стремимся восполнить в рамках нашего исследования.
Методологическая база исследования / Methodological base of the research
Методологическую базу исследования составил комплекс теоретических и эмпирических методов. Были использованы аналитико-синтетические теоретические методы, методы сравнения, обобщения и систематизации. Авторами были проведены изучение и анализ педагогических исследований, посвященных применению систем искусственного интеллекта (в частности, больших генеративных моделей) в педагогической сфере.
В 2024/2025 году на факультете экономики и управления Смоленского государственного университета (г. Смоленск) был реализован учебный курс «Современные технологии визуализации в маркетинге», основанный на использовании нейросетей для генерации изображений. Обучающиеся – студенты второго курса направления подготовки «Менеджмент» (профиль «Цифровой маркетинг и бренд-менеджмент»). По результатам изучения учебного курса был проведен опрос в форме анкетирования, ориентированный на сравнительный анализ восприятия нейросетей для генерации изображений, отношения к ним, сложившихся практик их использования, специфики работы с ними и типовых затруднений.
Результаты исследования / Research results
В 2024/2025 учебном году в рамках учебного курса «Современные технологии визуализации в маркетинге» значительное внимание было уделено изучению основ работы с нейросетями для генерации изображений. Курс был построен таким образом, чтобы студенты могли освоить как теоретические, так и практические аспекты взаимодействия с современными инструментами визуализации, в том числе и с нейросетями.
Первая часть курса была посвящена изучению основ обработки растровых изображений, работе с фотографиями, использованию инструментов растровых графических редакторов. Студенты осваивали ключевые принципы обработки изображений, такие как коррекция цвета, работа с слоями, применение фильтров и эффектов в популярном векторном редакторе. Эти навыки стали фундаментом для обработки изображений после использования генеративных нейросетей.
Исходя из доступности и удобства использования, основным инструментом для генерации изображений в рамках курса была выбрана нейросеть Kandinsky [32]. Выбор был обусловлен несколькими факторами:
1. Бесплатность и доступность: нейросеть предоставляет равные возможности использования для всех студентов, даже не имеющих доступа к платным опциям современных более продвинутых нейросетей.
2. Наличие русскоязычного интерфейса, что упрощает работу для российских студентов.
3. Простота использования – интуитивно понятный интерфейс, удобные возможности быстрого освоения базовых функций даже для неподготовленных пользователей.
4. Многоязычная поддержка – возможность обработки запросов (промптов) на английском, французском и других языках, что позволило иностранным студентам, обучающимся в российском вузе, использовать родной язык без применения компьютерных переводчиков.
Доступ к нейросети Kandinsky осуществлялся через платформу Fusion Brain, а также через Телеграм-бот Kandinsky. На платформе Fusion Brain удобно создавать и дорабатывать изображения, в Телеграм-боте можно использовать дополнительные возможности нейросети – смешивание картинок, перенос стиля, создание вариаций и т. п.
Рассмотрим некоторые задания, предложенные студентам.
Первое задание было посвящено освоению базовых навыков составления текстовых запросов (промптов) для генерации изображений, формирования понимания их структуры. В рамках задания студентам необходимо было изучить правила составления промптов и подвергнуть осмыслению взаимосвязь между текстовым запросом (промптом) и получаемым конечным визуальным результатом, научиться управлять процессом генерации изображений:
‒ как правильно формулировать запросы для получения желаемого результата;
‒ выяснить, влияет ли выбор языка запроса на качество и точность генерации изображений;
‒ как правильно описывать детали изображения, чтобы получить более качественное изображение;
‒ как получить изображения в заданной стилистике (реализм, абстракция, мультфильм, карандашный рисунок, акварель и проч.);
‒ как описывать желаемые цвета, управлять цветовой палитрой изображения через текстовый запрос;
‒ как добиться включения конкретных объектов в изображение и управлять их расположением;
‒ как создавать и корректировать фоновые элементы.
Для закрепления изученных правил на следующем этапе студенты должны были создать с помощью нейросети ряд изображений для использования в рекламных целях, а затем доработать их в графическом редакторе.
Создание рекламных изображений к событию или мероприятию предполагает анализ и описание на естественном языке проводимого мероприятия, участников, описание фонов, выбора персонажей и их характеристик, подбор визуальных стилей и цветовой гаммы. Такие изображения могут использоваться как для печатной рекламы, так и для публикации на сайте, продвижения в социальных сетях, представления сезонных предложений товаров и услуг.
При создании подобных изображений удобно задавать и использовать разнообразную стилистику для разнообразных целевых групп пользователей. Например, при создании изображений, ориентированных на молодежь и подростков, рекомендуется использовать цифровую стилистику и поп-арт, динамичные композиции, яркие цвета. При создании рекламы семейного назначения обычно используют теплые цветовые решения, дружелюбный дизайн, фотореалистичные композиции. При разработке продукции для пенсионеров и старшего поколения используются традиционные цвета и консервативные решения, симметричные композиции, реалистичные фотографии. Все это студентам нужно уметь создавать, правильно задавая запросы к нейросетям.
В качестве развития данного направления можно предлагать студентам задания на создание серии изображений для использования в рекламе продукта или услуги для продвижения в соцсетях. Смысл этого задания состоит в использовании различных визуальных стилей при создании изображений, например, в стиле фотореализма, 3D, акварели и ручной графики, пастельного рисунка, ретростиля или поп-арта и т. п. в зависимости от вида продукции и аудитории. Это задание было также направлено на развитие у студентов навыков генерации визуального контента, который может быть эффективно использован в рекламных кампаниях. Учащиеся изучали, как создавать изображения, соответствующие целям маркетинга, учитывая особенности целевой аудитории и специфику платформ социальных сетей.
Одним из заданий, вызвавших значительный интерес у студентов, стала обработка готового изображения – адаптации логотипов компаний для использования в социальных сетях в рамках сезонных предложений, акций, праздников и знаменательных дат. Студентам предлагалось выбрать логотип одной из существующих компаний и обработать его в различных стилях, соответствующих конкретным событиям или временам года. В качестве примеров предлагалось использовать следующие:
- праздничные стилизации: Новый год, День святого Валентина (14 февраля), Международный женский день (8 марта);
- сезонные стилизации: весна, лето, осень, зима;
- знаменательные даты: День знаний (1 сентября), День космонавтики и другие значимые события.
Цель задания заключалась в том, чтобы научить студентов адаптировать корпоративную символику под различные контексты, что является важным навыком для создания рекламных материалов. Подобные изображения могут быть использованы для публикаций в социальных сетях, а также при подготовке макетов рекламной продукции, таких как баннеры, посты и промоматериалы.
Особое внимание в рамках задания уделялось выбору логотипа для обработки: рекомендовалось выбирать логотипы с простой формой и минимальным количеством мелких деталей. Это связано с тем, что нейросети лучше справляются с обработкой изображений, которые имеют четкую структуру и не перегружены сложными элементами. Такой подход не только облегчает процесс генерации, но и позволяет добиться более качественного и визуально привлекательного результата.
Вторая часть курса была посвящена изучению основ работы с векторной графикой также с использованием нейросетевых технологий. Этот блок направлен на развитие у студентов навыков подготовки электронных и печатных публикаций, создания визуальных проектов, разработки логотипов, образцов дизайна для брендинга, мокапов, публикаций для соцсетей и веб-дизайна. Кроме изучения основ работы в популярных векторных графических редакторах, студенты знакомились с нейросетями для генерации векторных изображений.
В качестве инструмента генерации изображений использовалась генеративная нейросетевая платформа Recraft [33], ориентированная на создание и редактирование визуального контента с акцентом на векторную графику и бренд-дизайн.
Нейросеть Recraft имеет широкие возможности генерации не только растровых (PNG/JPG), но и векторных (SVG) изображений, использует автоматическую трассировку растра с сохранением редактируемых контуров в SVG. Платформа использует большую библиотеку предустановленных стилей – фотореализм, flat-дизайн, 3D-рендер, постер, карандашный рисунок, комикс, мультфильм, логотип и многие другие, весьма удобные для использования в бренд-дизайне.
Есть возможность создания не только единичных изображений, но и наборов – комплектов изображений в едином стиле и цветовой гамме. Такой способ удобен для создания карточек товаров, логотипов для мобильного приложения или сайта, стикерпаков для соцсетей и многого другого. Интересно, что нейросеть Recraft удобно использовать также для генерации мокапов – наложения символики и изображений на 3D-объекты (футболки, упаковка и т. п.) с учетом перспективы.
Созданные изображения можно обрабатывать прямо в сервисе – изменять детализацию, цветовую гамму, дорисовывать объекты, удалять и изменять фон. Recraft также поддерживает промптинг на разных языках, что удобно как для русскоязычных, так и для иностранных студентов.
Недостатками платформы Recraft являются ограничение доступа в России и ограничение числа генераций – 50 изображений в день, чего, впрочем, вполне хватает для учебных целей.
Сервис Recraft оптимизирован для задач цифрового дизайна, сочетая генеративные возможности ИИ с инструментами постобработки.
После знакомства с основными возможностями нейросети Recraft студентам было предложено выполнить ряд учебных заданий.
1. Генерация логотипов бренда
Студентам предлагалось создать серию логотипов для выбранной компании с последующей доработкой и оптимизацией. Необходимо было сформулировать текстовый промпт для получения изображения, подобрать цветовую палитру и стиль, оценить и при необходимости скачать и доработать полученное векторное изображение в редакторе офлайн.
2. Разработка стикерпака
Данное задание предполагало создание набора персонажей в едином стиле и цветовой гамме, возможно использование одного персонажа в различных эмоциональных состояниях (стикеры-эмодзи для соцсетей). В этом заданий нужно было учитывать технические требования к экспорту (разрешение, прозрачность, наличие контуров заданного цвета и проч.).
3. Оформление брендовой продукции – мокапов. Данное задание включало разработку мерч-дизайна (предметов одежды – футболки, толстовки и проч.), создание упаковочных решений (коробки, пакеты), визуализацию полученных 3D-макетов продукции.
4. Значительный интерес у студентов вызвало задание на создание маскота – персонажа бренда. Выполнение этого задания проходило в несколько этапов.
На первом этапе необходимо было проанализировать выбранный бренд или компанию, разработать варианты персонажа, его внешний вид, черты и характер, возможно, придумать кейсы использования.
На втором этапе студенты сформировали промпт для нейросети Recraft с указанием характерных черт персонажа для создания вариантов его изображения. Использовались разные стили изображения, цветовые решения, в ходе поэтапной генерации подбирались наиболее релевантные решения.
На третьем и последующих этапах студенты могли доработать изображение в векторном редакторе, откорректировать цветовую схему, создать вариации маскота с использованием разных эмоций и поз.
Интересно, что для создания эффективного промпта для генерации изображения студентам можно было использовать текстовые нейросети (ChatGpt, YandexGPT, DeepSeek и др.), и они этим нередко пользовались, что показали результаты опроса (см. далее).
Применение данной методики позволило продемонстрировать студентам возможности нейросетей для генерации изображений при использовании в дизайне, принципы системного бренд-дизайна. Студенты на практике могли увидеть и понять важность контроля и оценки получаемых результатов, необходимость постобработки изображений как в нейросетях, так и с использованием традиционных графических редакторов.
Оценка результатов и отзывы студентов
По завершении курса студентам было предложено пройти опрос и оценить качество использованных нейросетей для генерации изображений, их качество, удобство в работе. В опросе приняли участие 20 студентов II курса направления «Менеджмент», программа «Цифровой маркетинг и бренд-менеджмент» Смоленского государственного университета (из них 5 иностранных студентов и 15 русскоязычных).
Рассмотрим и проанализируем полученные результаты.
44,4% студентов имели некоторый опыт использования нейросетей (см. рис. 1).
Сравнивая нейросети Kandinsky и Recraft, студенты преимущественно отмечали удобство использования Recraft (61,1%) или оценили их примерно одинаково (38,9%) (см. рис. 2).
Студенты оценили удобство работы с нейросетью Kandinsky от Сбер в среднем на 3,85 по 5-балльной шкале, ответы см. на рис. 3.
Рис. 1. Результаты опроса «Опыт использования нейросетей для обработки изображений»
Рис. 2. Результаты опроса «Сравнение нейросетей Kandinsky и Recraft»
Рис. 3. Результаты опроса «Удобство работы с Kandinsky»
Качество получаемых изображений большинство студентов оценило как среднее или отличное (см. рис. 4).
Студенты отметили проблемы, с которыми они столкнулись при работе с нейросетью Kandinsky: наибольшую трудность вызвали сложности с формулировкой промптов (55%), низкое разрешение изображений (25%), ограниченность стилей (20%), некоторые студенты отметили ошибки при генерации картинок – лишние конечности и детали у персонажей (15%) (см. рис. 5).
Рис. 4. Результаты опроса «Качество изображений в Kandinsky»
Рис. 5. Результаты опроса «Сложности при работе с Kandinsky»
Из рассмотренных возможностей Kandinsky студенты поставили на 1-е место генерацию картинок по запросу (75%), меньше половины отметили удобство коррекции изображений (40%) и переработку в заданном стиле (30%) (рис. 6).
Рис. 6. Результаты опроса «Оценка возможностей нейросети Kandinsky»
Возможности нейросети Recraft студенты оценили выше, чем Kandinsky. Средний балл составил 4,85 из 5 (рис. 7).
Значительное большинство (85%) оценило качество сгенерированных изображений как высокое (рис. 8).
По результатам работы в Recraft студенты поставили на 1-е место сложность с доступом, что, собственно, не является проблемой работы в самом сервисе. В целом сервис оказался достаточно удобным, некоторые проблемы были с английским языком интерфейса (30%), формулировкой промптов (25%), доработкой картинок (20%) (рис. 9).
Рис. 7. Результаты опроса «Оценка возможностей Recraft»
Рис. 8. Результаты опроса «Оценка качества изображений в нейросети Recraft»
Рис. 9. Результаты опроса «Сложности в работе с Recraft»
Поскольку для применения в дизайне все-таки больше подошла нейросеть Recraft, то студенты указали на ряд ее преимуществ в этой области:
- возможность создания не только картинок, но и логотипов векторного характера (80%);
- возможности создания мокапов, стикеров (75%);
- создание картинок в едином стиле (65%);
- экспорт в векторный формат SVG (65%);
- возможность редактирования – фоны, детали, цветовая гамма (45%).
Некоторые студенты отметили лучшее качество картинок (35%) и больший контроль над результатом (30%), чем в Kandinsky (рис. 10).
Рис. 10. Результаты опроса «Оценка достоинств нейросети Recraft»
По результатам использования нейросетей для генерации изображений по всему курсу студенты отметили важнейшие, с их точки зрения, умения, которые необходимы для эффективного использования подобных нейросетей.
Подавляющее большинство (80%) отметило необходимость формирования умений составления эффективных промптов. Значительно меньшая часть отметила подбор нужного стиля (40%), обеспечение доступа (30%), а также менее важные – умения векторизовать картинки (15%) и определить цветовую гамму (20%) (рис. 11).
Рис. 11. Результаты опроса «Важнейшие умения для работы с нейросетями»
Как было отмечено выше, в одном из заданий студенты могли использовать текстовый ИИ (чат-ботов) для создания промптов для картинок в нейросетях для генерации изображений. В опросе были выявлены следующие результаты: большинство студентов (80%) в той или иной степени использовали текстовые нейросети для создания промптов (рис. 12).
Рис. 12. Результаты опроса «Использование нейросетей для написания промптов»
Мы сталкиваемся с ситуацией расширения практики использования нейросетей: сначала генерируется промпт, затем на основе этого промпта генерируется изображение. Можно констатировать, что сложилась практика «многоуровневого» или «мультимодального» использования больших генеративных моделей обучающимися, при которой нейросеть выступает медиатором и «усилителем» в процессе взаимодействия обучающегося с другой нейросетью.
Фактически нами выявлен определенный педагогический сценарий применения больших генеративных моделей, используемый обучающимися стихийно, без участия педагогов. Эта потребность не является объектом сознательной рефлексии со стороны обучающихся, но они определенно ее испытывают, что находит свое выражение в таких стихийно складывающихся формах, как отмеченный нами выше мультимодальный формат взаимодействия с большими генеративными моделями.
Очевидно и ожидаемо, что все без исключения опрошенные студенты (100%) собираются и в дальнейшем использовать нейросети для генерации изображений для работы или учебы, что говорит о понимании ими преимуществ использования таких инструментов в дизайне, рекламе и менеджменте – в сфере будущей профессиональной деятельности (рис. 13).
Рис. 13. Результаты опроса «Планирование дальнейшего использования нейросетей»
Результаты практической части нашего исследования показали эффективность комбинированного подхода, сочетающего использование нейросетей с профессиональными дизайн-методиками.
На основании полученных нами данных мы полагаем, что наиболее перспективными направлениями дальнейшего расширения сферы применения больших генеративных моделей в обучении студентов работе с цифровым дизайном могут стать следующие:
‒ использование сервисов для создания комиксов;
‒ работа с мультимедиа (в сервисах Runway и аналогичных);
‒ использование нейросетей для генерации видеороликов (в частности, использование аватаров, персонажей, созданных и обработанных с помощью больших генеративных моделей).
Заключение / Conclusion
Рассмотренные нами практические примеры использования некоторых популярных нейросетей для генерации изображений демонстрируют возможности интеграции больших генеративных моделей в процесс обучения студентов в области цифрового дизайна. Такие технологии уверенно вошли в практику повседневного использования, они открывают новые горизонты для самовыражения и профессионального роста специалистов в области дизайна. Интеграция этих технологий в учебные программы высшего и среднего профессионального образования становится необходимостью для подготовки кадров, ориентированных на профессиональную деятельность в условиях цифровой трансформации, способствует формированию современных навыков, необходимых для успешной карьеры в цифровом мире.
Необходимо особо отметить явление, которое мы зафиксировали в ходе реализации учебного процесса на основе применения больших генеративных моделей, – сценарий мультимодального использования больших генеративных моделей обучающимися, при котором одна нейросеть выступает в качестве инструмента генерации промпта для другой нейросети. Этот сценарий сложился стихийно, без участия преподавателей. Мы полагаем, что он нуждается в отдельном изучении, направленном на выявление его педагогического потенциала как инструмента организации работы обучающихся с большими генеративными моделями и разработку методов его реализации.