ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ОБРАЗОВАНИИ: АДАПТИВНЫЕ ТЕХНОЛОГИИ ОБУЧЕНИЯ

421 ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ОБРАЗОВАНИИ: АДАПТИВНЫЕ ТЕХНОЛОГИИ ОБУЧЕНИЯ Ибрагимов Шавкат, Ферганский государственный университет, доцент кафедры информационные технологии. shav[email protected] +998 90 530 18 04 Аннотация В статье рассматриваются современные подходы к использованию искусственного интеллекта (ИИ) в образовании с фокусом на адаптивные технологии обучения (adaptive learning). Проведѐн обзор теоретических основ, описана методология пилотного исследования с использованием адаптивной обучающей платформы, представлены результаты эффекта на успеваемость и вовлечѐнность, а также сравнительный анализ с традиционными методами. Результаты показывают статистически значимое улучшение среднего балла и показателей вовлечѐнности в группе с адаптивной системой. Обсуждаются ограничения, этические аспекты и направления дальнейших исследований. Ключевые слова: искусственный интеллект, адаптивное обучение, персонализация, образовательные технологии, интеллектуальные обучающие системы. Введение Рост доступности вычислительных мощностей и достижение машинного обучения в последние десятилетия открыли новые возможности для персонализации образовательного процесса. Адаптивные технологии обучения (АТО) используют алгоритмы ИИ для динамической подстройки контента, темпа и сложности задач под текущие потребности обучающегося. Это особенно важно в массовом образовании и дистанционных курсах, где индивидуальная поддержка преподавателя ограничена. Цель исследования заключается в том, чтобы оценить, как использование адаптивной обучающей системы влияет на учебные результаты студентов и их вовлечѐнность в процесс обучения. Для этого в работе планируется подробно рассмотреть архитектуру системы и объяснить, какие алгоритмы применяются для адаптации учебного материала под конкретного студента. Затем будет проведено пилотное исследование на группе студентов бакалавриата, результаты которого сравнят с данными контрольной группы, обучавшейся традиционным способом. На основе полученных данных предполагается выявить сильные и слабые стороны такого подхода, а также сформулировать рекомендации по дальнейшему развитию и применению адаптивных обучающих систем. Обзор литературы Классические исследования показывают, что персонализация обучения может существенно повышать эффективность (Bloom, 1984). Современные обзоры отмечают, что ИИ-системы (интеллектуальные обучающие системы, 422 ITS) приближают эффективность к качеству индивидуального репетиторства при меньших затратах (VanLehn, 2011; Woolf, 2010). Недавние эмпирические исследования подчѐркивают положительное влияние на вовлечѐнность и удержание знаний (Pane et al., 2015). Однако остаются вопросы прозрачности алгоритмов, оценки долгосрочной эффективности и рисков усиления цифрового неравенства. Методология Пилотное эмпирическое исследование использовало рандомизированный контролируемый дизайн (RCT) с двумя группами: экспериментальная (АТО) и контрольная (традиционный курс с одинаковым учебным планом). Продолжительность - 10 недель, дисциплина - «Введение в данные и статистику» для студентов первого курса. Всего 120 студентов (N=120) - случайная выборка из двух параллелей. 60 человек — группа А (АТО), 60 - группа B (контроль). Возраст 18–21, оба пола, базовые знания статистики были сопоставимы на предварительном тесте. Адаптивная платформа: архитектура и алгоритмы Адаптивная платформа строится на интеграции нескольких взаимосвязанных компонентов. В еѐ основе находится модуль профилирования ученика, который оценивает уровень знаний, стиль обучения и скорость обработки информации. Для обеспечения гибкости и разнообразия используется контент-хранилище, включающее учебные модули различной сложности, а также мультимедийные материалы. Центральным элементом выступает модуль адаптации, реализующий гибридный подход: сочетание порогово-правиловой логики и модели машинного обучения LightGBM, которая прогнозирует вероятность правильного ответа и определяет дальнейший шаг — переход к более сложным заданиям или предоставление ремедиации. Дополняет систему механизм рекомендаций упражнений, который помогает приоритизировать задания в соответствии с выявленными областями слабости ученика. Завершающим компонентом является подсистема логирования и аналитики, фиксирующая время выполнения заданий, количество попыток и использование подсказок, что позволяет проводить детальный анализ процесса обучения и повышать его эффективность. Принцип работы: после начального диагностического теста система строит начальный профиль. При каждом взаимодействии алгоритм обновляет оценку мастерства по предметным компетенциям (на основе модели многотекивного отклика - простая реализация Item Response Theory-подхода + ML). 423 Контент и программа одинаковы для обеих групп; различие только в механизме подачи: статичная последовательность уроков (контроль) против динамически подбираемых модулей (АТО). Оценивание: промежуточные тесты (через каждые 2 недели), итоговый тест и анкета вовлечѐнности (UG Engagement Scale). Метрики и статистический анализ Основными метриками исследования выступают академическая успеваемость, выраженная через средний балл по итоговому тесту в диапазоне от 0 до 100, а также улучшение знаний, измеряемое как прирост от предварительного к итоговому тесту. Дополнительно учитывается вовлечѐнность студентов, которая определяется с помощью шкалы самооценки по системе Лайкерта от 1 до 5. В качестве поведенческих показателей рассматриваются время, затраченное на выполнение задания, количество попыток и процент завершѐнных модулей. Для статистического анализа используются t-тест для независимых выборок с целью сравнения средних значений, а также анализ ковариации (ANCOVA) с контролем предварительного теста. Дополнительно рассчитывается размер эффекта с помощью коэффициента Cohen’s d. Уровень значимости устанавливается на уровне α = 0,05. Результаты Агрегированные результаты пилотного исследования. Основные результаты успеваемости Группа N Средний итоговый балл (M) SD Прирост (M, итог - предварит.) Адаптивная (АТО) 60 82.4 7.5 +18.2 Контроль 60 75.1 9.1 +10.3 t-тест: t(118)=4.78, p<0.001, Cohen’s d = 0.87 (большой эффект). ANCOVA с контролем предварительного теста подтвердил значимое влияние интервенции (p<0.001). 424 Анализ показал, что студенты, обучавшиеся с использованием адаптивной системы, демонстрировали более высокий уровень вовлечѐнности: средний балл по шкале Лайкерта составил 4,1 против 3,5 в контрольной группе, при этом различие оказалось статистически значимым. Они тратили в среднем на 12% меньше времени на выполнение заданий при сопоставимом результате и завершали больше модулей — 92% против 78%. В отзывах студенты отмечали ясную обратную связь, отсутствие скуки и ощущение прогресса, а преподаватели заметили сокращение числа типичных вопросов по пропущенным темам, но при этом подчеркнули необходимость освоения новых навыков работы с аналитикой платформы. Обсуждение Результаты показывают, что адаптивная обучающая система способна заметно повысить академические достижения и вовлечѐнность студентов по сравнению с традиционной подачей материала. Высокая практическая значимость подтверждается крупным эффектом (d≈0.87). Адаптация работает благодаря точной адресной ремедиации: система выявляет пробелы в знаниях и направляет студента именно туда, где требуется доработка, предлагая задания на границе зоны ближайшего развития. Такой подход стимулирует процесс обучения, а персонализированные рекомендации усиливают мотивацию, повышая чувство контроля и уверенность в успехе. В то же время исследование имеет ограничения: оно проводилось только в одной дисциплине и в рамках одного вуза, а его длительность составила всего десять недель, что не позволяет судить о долгосрочном сохранении знаний. Дополнительно стоит учитывать, что использовался гибридный алгоритм, и вклад отдельных его компонентов пока не выделен. Существует и риск цифрового неравенства, когда студенты с ограниченным доступом к интернету сталкиваются с дополнительными трудностями. Этические и организационные аспекты также играют важную роль: для успешной интеграции системы необходима прозрачность алгоритмов и объяснимость рекомендаций, защита персональных данных, а также подготовка преподавателей к работе с аналитикой платформы. Практически это означает необходимость расширенного пилотирования в разных дисциплинах, обучения преподавателей, интеграции системы как вспомогательного инструмента, а также постоянного мониторинга и корректировки контента, чтобы избежать смещения оценки знаний. Заключение Адаптивные технологии обучения на базе ИИ демонстрируют значительный потенциал для повышения качества и эффективности учебного процесса. Пилотное исследование подтвердило улучшение академических результатов и вовлечѐнности студентов при использовании гибридной адаптивной платформы. Для масштабирования необходимы длительные исследования, внимание к этике данных и подготовка преподавателей. Адаптивные системы — мощный инструмент в арсенале современной образовательной практики, если их внедрять ответственно и системно. 425 ЛИТЕРАТУРA 1. Bloom B. S. The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring // Educational Researcher. - 1984. - Т. 13, № 6. - С. 4-16. 2. VanLehn K. The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems // Educational Psychologist. - 2011. - Т. 46, № 4. - С. 197-221. 3. Woolf B. P. Building Intelligent Interactive Tutors: Student-centered strategies for revolutionizing e-learning. - Burlington: Morgan Kaufmann, 2010. - 498 с. 4. Pane J. F., Steiner E. D., Baird M. D., Hamilton L. S. Continued progress: Promising evidence on personalized learning. - Santa Monica: RAND Corporation, 2015. - 280 с. 5. Shute V. J., Zapata-Rivera D. Adaptive educational systems // Peterson P., Baker E., McGaw B. (ред.). International Encyclopedia of Education. - 3-е изд. - Amsterdam: Elsevier, 2012. - С. 3-10. 6. Kardan A., Conati C. Predicting students' learning outcomes from their interaction with an intelligent tutoring system // Proceedings of the 2013 International Conference on Educational Data Mining. - 2013. - С. 65-72.