В настоящее время одной из актуальных задач, поставленных в сфере цифровизации образования, является персонификация образования с применением технологий искусственного интеллекта. В частности, одной из проблем дистанционного обучения можно назвать отсутствие персонализированной обратной связи, так как обучающиеся часто не понимают, где именно они ошиблись при прохождении контроля знаний, и не получают четких рекомендаций по дальнейшему изучению материала, что может снижать их мотивацию к обучению и ухудшать эффективность обучения в целом. Данные аспекты подтверждают актуальность исследований, направленных на разработку инструментов, призванных решить описанную проблему. В статье приводятся результаты проведенного авторами исследования, целью которого является повышение эффективности образовательного процесса за счет внедрения в модуль контроля знаний обучающихся онлайн-курсов технологий генеративного искусственного интеллекта для формирования персонализированных рекомендаций обучающимся на основе результатов их тестирования. Внедрение данных технологий в разработанный программный модуль позволит обучающимся получать обратную связь с использованием генеративной текстовой модели YandexGPT, которая настроена анализировать уже пройденные тесты и предоставлять рекомендации о том, какие темы и материалы необходимо повторить обучающимся для более успешного прохождения испытаний. Статья содержит описание используемого авторами стека технологий для разработки описанного модуля, удовлетворяющего современным требованиям к гибкости и масштабируемости приложений. В статье обоснован выбор микросервисной архитектуры при разработке приложения и приведена диаграмма классов микросервиса, реализующего подключение к YandexGPT API и обработку запросов к ней, с описанием основных классов. Продемонстрированы примеры сгенерированных рекомендаций по результатам тестирования в разработанном модуле. Сделаны выводы о применимости данного модуля.
Currently, one of the urgent tasks set in the field of education digitalization is learning personalization using artificial intelligence technologies. In particular, one of the problems of distance learning can be called the lack of personalized feedback, since students often do not understand where exactly they made a mistake when passing the knowledge test, and do not receive clear recommendations for further study of the material, which can reduce their motivation for learning and worsen the effectiveness of learning in general. These aspects confirm the relevance of research aimed at developing tools to solve the described problem. The article presents the results of investigation carried out by the authors, the purpose of which is to improve the efficiency of the educational process by introducing generative artificial intelligence technologies into the knowledge control module of online course students to provide personalized recommendations for students based on their test results. The implementation of these technologies in the developed software module will allow students to receive feedback using the YandexGPT generative text model, which is configured to analyze already completed tests and provide recommendations on what topics and materials students need to repeat for more successful passing of tests. The article contains a description of the technology stack used by the authors to develop the described module, which satisfy modern requirements for flexibility and scalability of software. The article substantiates the choice of microservice architecture when developing an application and provides a class diagram of the microservice implementing the connection to the YandexGPT API and processing requests to it, with a description of the main classes. Examples of generated recommendations based on the testing results in the developed module are demonstrated. Conclusions are made about the applicability of this module.
1. Галагузова М.А., Перекальский И.Н. Трансформация образования с внедрением искусственного интеллекта: постановка проблемы // Ценности и смыслы. 2024. № 1. С. 84–94. URL: https://cyberleninka.ru/article/n/transformatsiya-obrazovaniya-s-vnedreniem-iskusstvennogo-intellekta-postanovka-problemy (дата обращения: 08.06.2025). DOI: 10.24412/2071-6427-2024-1-84-94.
2. Шамсутдинова Т.М. Проблемы и перспективы применения нейронных сетей в сфере образования // Открытое образование. 2022. № 6. С. 4–10. URL: https://cyberleninka.ru/article/n/problemy-i-perspektivy-primeneniya-neyronnyh-setey-v-sfere-obrazovaniya (дата обращения: 08.06.2025). DOI: 10.21686/1818-4243-2022-6-4-10.
3. Лютова Л.И., Гончар Л.В., Частухина Т.В. Возможности применения технологий искусственного интеллекта при изучении иностранного языка в вузе // Международный научно-исследовательский журнал. 2024. № 7. URL: https://research-journal.org/archive/7-145-2024-july/10.60797/IRJ.2024.145.182 (дата обращения: 08.06.2025). DOI: 10.60797/IRJ.2024.145.182.
4. Бугреева А.С. Проблемы и перспективы применения приложений на базе искусственного интеллекта в целях персонификации обучения в системе высшего образования // Мир науки, культуры, образования. 2025. № 1. С. 131–133. URL: https://cyberleninka.ru/article/n/problemy-i-perspektivy-primeneniya-prilozheniy-na-baze-iskusstvennogo-intellekta-v-tselyah-personifikatsii-obucheniya-v-sisteme/viewer (дата обращения: 08.06.2025). DOI: 10.24412/1991-5497-2025-1110-131-133.
5. Короткевич М.А. Функции и примеры внедрения больших языковых моделей в современных медиакоммуникациях // Наука и школа. 2025. № 2. С. 42–52. URL: https://cyberleninka.ru/article/n/funktsii-i-primery-vnedreniya-bolshih-yazykovyh-modeley-v-sovremennyh-mediakommunikatsiyah/viewer (дата обращения: 08.06.2025). DOI: 10.31862/1819-463X-2025-2-42-52.
6. Кузьменко Е.Л., Белоусова Т.М., Лещенко Е.М. Проблемы и риски интеграции искусственного интеллекта в высшее образование // Регион: системы, экономика, управление. 2024. № 2. С. 164–168. URL: https://cyberleninka.ru/article/n/problemy-i-riski-integratsii-iskusstvennogo-intellekta-v-vysshee-obrazovanie (дата обращения: 08.06.2025). DOI: 10.22394/1997-4469-2024-65-2-164-168.
7. Буткина А.А., Егоров М.С. Проектирование модуля контроля знаний для программно-информационной системы создания онлайн-курсов // Современные наукоемкие технологии. 2024. № 7. С. 10–15. URL: https://top-technologies.ru/ru/article/view?id=40078 (дата обращения: 08.06.2025). DOI: 10.17513/snt.40078.
8. Манакова Е.И., Хачетлов Б.А. Анализ генеративных моделей искусственного интеллекта: преимущества и перспективы применения // Актуальные вопросы науки и практики: сборник научных статей по материалам XII Международной научно-практической конференции (Уфа, 20 июня 2023 г.). Ч. 2. Уфа: ООО «Научно-издательский центр «Вестник науки», 2023. С. 247–262. URL: https://perviy-vestnik.ru/wp-content/uploads/2023/07/2023-K-387-2-06_23.pdf (дата обращения: 29.08.2025).
9. Sherstinova T., Firsanova V., Novoseltseva A., Megre M., Savchenko E. Automated Speech Act Annotation in a Russian Spoken Corpus Using Large Language Models: A Comparative Study // Proceedings – Conference of Open Innovations Association, FRUCT. 2024. № 36. P. 912–920. URL: https://www.fruct.org/files/publications/volume-36/acm36/She.pdf (дата обращения: 24.08.2025).
10. Леохин Ю.Л., Фатхулин Т.Д., Кожанов М.С. Анализ и исследование применения нейросетевых технологий для генерации программного кода // Вестник РГРТУ. 2024. № 87. С. 41–53. URL: https://vestnik.rsreu.ru/images/archive/2024/87/2.2.-.pdf (дата обращения: 22.08.2025). DOI: 10.21667/1995-4565-2024-87-41-53.
11. Долгошеева Д.В. YandexGPT – сервис для создания текста при помощи искусственного интеллекта // Постулат. 2024. № 1 (99). С. 91. URL: https://www.e-postulat.ru/index.php/Postulat/article/view/5424/5510 (дата обращения: 10.08.2025).
12. Ворона А.А. Применение технологий искусственного интеллекта: современные реалии и перспективы // Ученые записки Санкт-Петербургского имени В.Б. Бобкова филиала Российской таможенной академии. 2023. № 4. URL: https://cyberleninka.ru/article/n/primenenie-tehnologiy-iskusstvennogo-intellekta-sovremennye-realii-i-perspektivy (дата обращения: 08.06.2025).
13. Пеньшина Д.С., Заботкина Е.М. YandexGPT 3 – новое поколение больших языковых моделей Яндекса // Научный аспект. 2024. Т. 15. № 5. С. 1967–1975. URL: https://na-journal.ru/5-2024-informacionnye-tekhnologii/11695-yandexgpt-3-novoe-pokolenie-bolshih-yazykovyh-modelei-yandeksa (дата обращения: 10.08.2025).
14. Гольчевский Ю.В., Ермоленко А.В. Актуальность использования микросервисов при разработке информационных систем // Вестник Сыктывкарского университета. Сер. 1: Математика. Механика. Информатика. 2020. № 2. С. 25–36. URL: https://vestnik-mmi.syktsu.ru/issue/35/v35_3.pdf (дата обращения: 24.08.2025).
15. Балес А.И. Унифицированная модель данных и ее применение в микросервисной архитектуре // Современные информационные технологии и ИТ-образование. 2020. Т. 16. № 2. С. 416–425. URL: http://sitito.cs.msu.ru/index.php/SITITO/article/view/658/689 (дата обращения: 08.06.2025). DOI: 10.25559/SITITO.16.202002.416-425.