СЕКЦИЯ
Искусственный интеллект и технологии на основе данных в образовании
Бадёр Р.Д.
АлтГПУ, аспирант
г. Барнаул
Проектирование адаптивных групповых траекторий при обучении информатике: машинное обучение для диагностики и комплементарного группирования
В статье рассматривается проблема персонализации обучения информатике в условиях цифровой трансформации образования. Выявлено противоречие между технологическими возможностями построения индивидуальных образовательных траекторий (ИОТ) и рисками снижения коммуникативной активности учащихся при работе с адаптивными системами. Предложена авторская модель организации учебного процесса, основанная на принципе «комплементарного группирования». Описана методика применения алгоритмов машинного обучения (Random Forest) для прогнозирования эффективности учебного сотрудничества на основе анализа векторов образовательных дефицитов. Представлены результаты вычислительного эксперимента по автоматизированному формированию микро-групп, демонстрирующие повышение потенциала для развития метакогнитивных навыков (планирования, мониторинга, рефлексии) в условиях взаимного обучения.
Badyor R.D.
AltSPU, graduate student
Barnaul
Designing adaptive group trajectories in computer science teaching: machine learning for diagnostics and complementary grouping
The article discusses the problem of personalization of computer science education in the context of digital transformation of education. A contradiction has been revealed between the technological possibilities of building individual educational trajectories (IOT) and the risks of reducing students' communicative activity when working with adaptive systems. The author's model of the educational process organization based on the principle of "complementary grouping" is proposed. The methodology of applying machine learning algorithms (Random Forest) to predict the effectiveness of educational cooperation based on the analysis of vectors of educational deficits is described. The results of a computational experiment on the automated formation of microgroups are presented, demonstrating an increase in the potential for the development of metacognitive skills (planning, monitoring, reflection) in the context of mutual learning.
Современный этап развития методики преподавания информатики характеризуется переходом от «знаниевой» парадигмы к компетентностной, где ключевую роль играют навыки самоорганизации, критического мышления и командной работы. Федеральные государственные образовательные стандарты (ФГОС) ставят задачу формирования не только предметных, но и метапредметных результатов, в частности регулятивных и коммуникативных универсальных учебных действий (УУД) [7].
Одновременно с этим тренд на внедрение искусственного интеллекта (ИИ) в образование открывает возможности для глубокой персонализации. Адаптивные платформы способны выстраивать уникальные траектории для каждого ученика. Однако существующие решения зачастую реализуют модель «ученик — компьютер», что приводит к атомизации учебного процесса и дефициту социального взаимодействия, необходимого для формирования метакогнитивных навыков [3].
Цель данной статьи — обосновать и описать модель, в которой технологии анализа данных и машинного обучения используются не для изоляции учащегося, а для проектирования эффективной социальной образовательной среды через механизм комплементарного группирования.
Методологическую основу исследования составляют положения социокультурной теории Л.С. Выготского о «зоне ближайшего развития» и роли социального взаимодействия в интериоризации знаний [2]. В контексте цифрового обучения мы опираемся на подход Data-Driven Pedagogy (педагогика, основанная на данных) [12].
Мы вводим понятие «комплементарности компетенций» — это такое состояние учебной микро-группы, при котором дефициты знаний одного участника компенсируются высокими компетенциями другого в той же предметной области, и наоборот. Гипотеза исследования состоит в том, что обучение в таких группах (peer-to-peer) обладает более высоким развивающим потенциалом, чем в группах, сформированных случайно или по принципу гомогенности (сильный с сильным).
Ключевой теоретический вывод: комплементарность отличается от простой гетерогенности. Гетерогенная пара «эксперт + новичок» часто приводит к пассивной роли новичка и снижению мотивации эксперта. Комплементарная пара характеризуется зеркальностью профилей: каждый участник силен в тех микро-навыках, где другой испытывает дефицит, но при этом оба находятся в сопоставимой зоне ближайшего развития по предмету в целом [10].
Для реализации методики нами разработан алгоритм, состоящий из трёх этапов: векторизация навыков, прогностическое моделирование
и оптимизация графа взаимодействий.
1. Векторизация образовательных дефицитов
Состояние знаний i-го учащегося описывается вектором
— уровень владения конкретным микро-навыком программирования на Python. На основе анализа типичных ошибок учащихся в решении задач по обработке строк, циклам и коллекциям разработан каталог из 15 микро-навыков (Таблица 1).
Таблица 1. Каталог микро-навыков программирования на Python
Данные векторы формируются модулем интеллектуальной диагностики на основе анализа кода учащихся и истории решения задач. Уровень владения kj определяется как доля корректных применений навыка в диагностических заданиях [4].
2. Прогностическое моделирование синергии (ML-модель)
Простое сопоставление дефицитов (эвристический подход) не всегда гарантирует успешное сотрудничество. Слишком большой разрыв в уровне подготовки может создать коммуникационный барьер, нарушая условие «сопоставимости зон ближайшего развития» [2].
Для оценки потенциальной эффективности пары (Sa, Sb) была разработана и обучена регрессионная модель на базе алгоритма Random Forest. В качестве признаков для модели используются:
Одновременно с этим тренд на внедрение искусственного интеллекта (ИИ) в образование открывает возможности для глубокой персонализации. Адаптивные платформы способны выстраивать уникальные траектории для каждого ученика. Однако существующие решения зачастую реализуют модель «ученик — компьютер», что приводит к атомизации учебного процесса и дефициту социального взаимодействия, необходимого для формирования метакогнитивных навыков [3].
Цель данной статьи — обосновать и описать модель, в которой технологии анализа данных и машинного обучения используются не для изоляции учащегося, а для проектирования эффективной социальной образовательной среды через механизм комплементарного группирования.
Методологическую основу исследования составляют положения социокультурной теории Л.С. Выготского о «зоне ближайшего развития» и роли социального взаимодействия в интериоризации знаний [2]. В контексте цифрового обучения мы опираемся на подход Data-Driven Pedagogy (педагогика, основанная на данных) [12].
Мы вводим понятие «комплементарности компетенций» — это такое состояние учебной микро-группы, при котором дефициты знаний одного участника компенсируются высокими компетенциями другого в той же предметной области, и наоборот. Гипотеза исследования состоит в том, что обучение в таких группах (peer-to-peer) обладает более высоким развивающим потенциалом, чем в группах, сформированных случайно или по принципу гомогенности (сильный с сильным).
Ключевой теоретический вывод: комплементарность отличается от простой гетерогенности. Гетерогенная пара «эксперт + новичок» часто приводит к пассивной роли новичка и снижению мотивации эксперта. Комплементарная пара характеризуется зеркальностью профилей: каждый участник силен в тех микро-навыках, где другой испытывает дефицит, но при этом оба находятся в сопоставимой зоне ближайшего развития по предмету в целом [10].
Для реализации методики нами разработан алгоритм, состоящий из трёх этапов: векторизация навыков, прогностическое моделирование
и оптимизация графа взаимодействий.
1. Векторизация образовательных дефицитов
Состояние знаний i-го учащегося описывается вектором
— уровень владения конкретным микро-навыком программирования на Python. На основе анализа типичных ошибок учащихся в решении задач по обработке строк, циклам и коллекциям разработан каталог из 15 микро-навыков (Таблица 1).
Таблица 1. Каталог микро-навыков программирования на Python
ID навыка | Название микро-навыка | Категория |
py_io_read | Чтение данных из stdin | Ввод-вывод |
py_io_write | Запись результатов | Ввод-вывод |
py_exc_basic | Обработка базовых исключений | Надёжность кода |
py_loop_for | Итерация по коллекции | Циклы |
py_loop_nested | Вложенные циклы | Циклы |
py_cond_simple | Простое ветвление | Условия |
py_cond_chain | Цепочка условий | Условия |
py_str_iter | Итерация по символам строки | Строки |
py_str_find | Поиск подстроки | Строки |
py_str_replace | Замена подстроки | Строки |
py_str_case | Преобразование регистра | Строки |
py_str_split | Разделение строки на токены | Строки |
py_list_create | Создание и индексация списка | Коллекции |
py_list_agg | Агрегация по списку | Коллекции |
py_list_store | Накопление результатов | Коллекции |
2. Прогностическое моделирование синергии (ML-модель)
Простое сопоставление дефицитов (эвристический подход) не всегда гарантирует успешное сотрудничество. Слишком большой разрыв в уровне подготовки может создать коммуникационный барьер, нарушая условие «сопоставимости зон ближайшего развития» [2].
Для оценки потенциальной эффективности пары (Sa, Sb) была разработана и обучена регрессионная модель на базе алгоритма Random Forest. В качестве признаков для модели используются:
Модель предсказывает значение Synergy_Score∈ [0,1] — вероятность успешного закрытия дефицитов в данной паре через взаимное обучение. Целевая переменная выведена по педагогически обоснованной формуле:
, с штрафом за избыточный когнитивный разрыв (cognitive_gap >0.5).
Анализ важности признаков показал, что модель учитывает нелинейные зависимости, штрафуя пары с чрезмерным когнитивным разрывом (Таблица 2).
Таблица 2. Важность признаков в модели Random Forest (топ-8)
3. Оптимизация графа взаимодействий
Задача формирования групп сводится к задаче на графах [6]. Пусть G=(V, E) — граф, где V — множество учеников, а вес ребра eij равен предсказанному Synergy_Score для пары (i,j).
Необходимо найти такое паросочетание, при котором суммарный вес рёбер максимален. Данная задача решается с помощью алгоритма поиска паросочетания максимального веса (Maximum Weight Matching) [11]. Для групп из трёх человек задача обобщается до поиска максимального трёхдольного подграфа.
Для верификации модели был проведён вычислительный эксперимент на данных, имитирующих реальную учебную группу из 70 учащихся с различными профилями компетенций по теме «Итерации по коллекциям и строкам». Данные синтезированы на основе анализа 21 реального ученика с сохранением характерных профилей: «специалисты по строкам», «специалисты по циклам», «универсалы» и «учащиеся с низким уровнем».
Из 70 учеников сформировано 2 415 уникальных пар. Модель Random Forest обучена на 80% данных, протестирована на 20%. Качество модели: Rтест2=0.985, RMSE=0.010. Кросс-валидация (5-fold): R2=0.801±0.287, что подтверждает устойчивость модели.
, с штрафом за избыточный когнитивный разрыв (cognitive_gap >0.5).
Анализ важности признаков показал, что модель учитывает нелинейные зависимости, штрафуя пары с чрезмерным когнитивным разрывом (Таблица 2).
Таблица 2. Важность признаков в модели Random Forest (топ-8)
Признак | Важность | Педагогическая интерпретация |
overlap_avg | 0.296 | Перекрытие базовых компетенций необходимо для установления общего языка взаимодействия |
compl_loop | 0.237 | Комплементарность по алгоритмическим конструкциям — ключевой фактор продуктивного диалога |
compl_str | 0.121 | Комплементарность по строковым операциям дополняет алгоритмическую комплементарность |
cognitive_gap | 0.086 | Модель штрафует избыточный разрыв, что соответствует теории ЗБР Выготского |
py_loop_for_a | 0.042 | Владение базовыми циклами у первого участника повышает потенциал пары |
py_str_split_b | 0.038 | Умение разбивать строки у второго участника создаёт условия для взаимодополнения |
cosine_sim | 0.031 | Умеренное сходство профилей способствует пониманию, но не заменяет комплементарность |
py_cond_chain_a | 0.029 | Способность строить сложные условия у первого участника |
Задача формирования групп сводится к задаче на графах [6]. Пусть G=(V, E) — граф, где V — множество учеников, а вес ребра eij равен предсказанному Synergy_Score для пары (i,j).
Необходимо найти такое паросочетание, при котором суммарный вес рёбер максимален. Данная задача решается с помощью алгоритма поиска паросочетания максимального веса (Maximum Weight Matching) [11]. Для групп из трёх человек задача обобщается до поиска максимального трёхдольного подграфа.
Для верификации модели был проведён вычислительный эксперимент на данных, имитирующих реальную учебную группу из 70 учащихся с различными профилями компетенций по теме «Итерации по коллекциям и строкам». Данные синтезированы на основе анализа 21 реального ученика с сохранением характерных профилей: «специалисты по строкам», «специалисты по циклам», «универсалы» и «учащиеся с низким уровнем».
Из 70 учеников сформировано 2 415 уникальных пар. Модель Random Forest обучена на 80% данных, протестирована на 20%. Качество модели: Rтест2=0.985, RMSE=0.010. Кросс-валидация (5-fold): R2=0.801±0.287, что подтверждает устойчивость модели.
Рис. 1. Матрица компетенций учебной группы (тепловая карта)
Описание рисунка: На тепловой карте представлены уровни владения 15 микро-навыками у 70 учеников. Вертикальная ось — микро-навыки (сгруппированы по категориям: ввод-вывод, циклы, условия, строки, коллекции). Горизонтальная ось — ученики, упорядоченные по профилям компетенций. Визуально выделяются кластеры: «специалисты по строкам» (ярко-зелёная зона в правой части для навыков py_str_*), «специалисты по циклам» (ярко-зелёная зона в левой части для py_loop_*, py_cond_*), «универсалы» (равномерно высокие значения) и «учащиеся с низким уровнем» (преобладание красных оттенков). Разнообразие профилей создаёт основу для формирования комплементарных пар.
Рис. 2. Сравнение профилей компетенций в автоматически сформированной комплементарной паре
Описание рисунка: Радар-диаграммы («паутинные графики») для пары учеников S019 (профиль «специалист по строкам») и S032 (профиль «специалист по циклам»). Шесть осей отражают ключевые микро-навыки: циклы (for), вложенные циклы, сложные условия, поиск подстрок, замена подстрок, разделение строк. Профили демонстрируют зеркальность: ученик S019 имеет высокие значения по строковым операциям (0.85–0.92) и низкие по циклам (0.25–0.35), тогда как ученик S032 показывает обратную картину (циклы: 0.88–0.94, строки: 0.22–0.31). Такая структура создаёт условия для взаимного обучения: каждый может выступить «экспертом» в своей области и «учеником» в области партнёра.
Для педагогической валидации модели проведена экспертная оценка 15 пар преподавателем информатики первой квалификационной категории с 6-летним стажем. Эксперт оценивал потенциал каждой пары для взаимного обучения по шкале 1–5 без знания предсказанного Synergy_Score. Корреляция Спирмена между экспертной оценкой и Synergy_Score составила r=0.761 (p=0.001), что подтверждает соответствие модели педагогической логике комплементарного группирования (Таблица 3).
Для демонстрации эффективности алгоритма проведено сравнение распределений Synergy_Score для двух выборок: 35 пар, сформированных алгоритмом комплементарного группирования (максимальное паросочетание), и 100 случайных пар (Рис. 3).
Для педагогической валидации модели проведена экспертная оценка 15 пар преподавателем информатики первой квалификационной категории с 6-летним стажем. Эксперт оценивал потенциал каждой пары для взаимного обучения по шкале 1–5 без знания предсказанного Synergy_Score. Корреляция Спирмена между экспертной оценкой и Synergy_Score составила r=0.761 (p=0.001), что подтверждает соответствие модели педагогической логике комплементарного группирования (Таблица 3).
Таблица 3. Пример экспертной оценки комплементарных пар
Пара | Профили участников | Synergy_Score | Экспертная оценка (1–5) | Комментарий эксперта |
S016_S034 | строковый + цикловой | 0.681 | 4.7 | «Идеальная пара: один объясняет регулярные выражения, другой — оптимизацию вложенных циклов» |
S011_S013 | строковый + строковый | 0.506 | 2.0 | «Оба сильны в одном, слабы в другом — конкуренция, а не сотрудничество» |
S024_S031 | цикловой + цикловой | 0.468 | 1.3 | «Гомогенная пара: нет мотивации к взаимопомощи» |
S015_S067 | строковый + слабый | 0.439 | 2.6 | «Разрыв слишком велик: слабый ученик не сможет участвовать в диалоге» |
Для демонстрации эффективности алгоритма проведено сравнение распределений Synergy_Score для двух выборок: 35 пар, сформированных алгоритмом комплементарного группирования (максимальное паросочетание), и 100 случайных пар (Рис. 3).
Рис. 3. Сравнение распределения синергии: алгоритмические пары против случайных
Описание рисунка: Два боксплота демонстрируют распределение Synergy_Score для пар, сформированных алгоритмом комплементарного группирования (слева), и случайных пар (справа). Медианное значение для алгоритмических пар составляет 0.744, для случайных — 0.561. Разница статистически значима (тест Манна-Уитни U, p<0.001). Размах значений у алгоритмических пар уже (0.65–0.81 против 0.32–0.89), что свидетельствует о стабильности формируемых групп. Эффект алгоритма: +32.8% к медианной синергии по сравнению со случайным формированием.
Техническое формирование групп является лишь условием. Педагогическая ценность методики реализуется через сценарий работы. Сформированная пара получает от системы индивидуально-групповой маршрут:
1. Постановка мета-цели: «Ваша задача — научить друг друга». Эта формулировка смещает фокус с «решить задачу» на «объяснить решение», запуская метакогнитивные процессы [9].
2. Протоколирование: Использование скриптов взаимодействия (scripted cooperation). Ученики должны явно проговаривать стратегии решения: «Сначала я проверю длину строки, потому что...», «Ты используешь цикл for, а я бы применил while, потому что...». Такое проговаривание создаёт условия для экстериоризации знания — перевода внутренних мыслительных операций во внешнюю речь [5].
3. Взаимная рефлексия: в конце работы ученики оценивают не только код партнёра, но и качество его объяснений по критериям: ясность, полнота, логичность. Это развивает навыки мониторинга собственного понимания и понимания другого [9].
Именно необходимость проговорить своё понимание для партнёра с дефицитом знаний запускает мощные метакогнитивные процессы: переосмысление собственного знания, контроль за пониманием другого, коррекция стратегии объяснения [7]. В отличие от индивидуальной работы с адаптивной системой, где обратная связь ограничена правильностью/неправильностью ответа, комплементарное взаимодействие создаёт условия для развития регулятивных УУД через социальное опосредование.
Предложенный подход демонстрирует новый вектор применения ИИ в образовании: от замены человека алгоритмом к усилению человеческого взаимодействия с помощью алгоритмов. Модель прогностического комплементарного группирования позволяет масштабировать лучшие практики кооперативного обучения, делая процесс формирования групп объективным, быстрым и педагогически обоснованным [1].
Вычислительный эксперимент подтвердил работоспособность модели: алгоритм на основе Random Forest формирует пары с медианной синергией на 32.8% выше, чем случайное формирование, при этом сохраняя педагогическую логику комплементарности (корреляция с экспертной оценки r=0.761). Анализ важности признаков показал, что модель корректно учитывает ключевые педагогические ограничения: необходимость перекрытия базовых компетенций и штраф за избыточный когнитивный разрыв.
У данного исследования существует ряд ограничений: эксперимент проведён на частично синтезированных данных, сгенерированных на основе реальных профилей двадцати одного учащегося десятого класса. Для верификации влияния комплементарного группирования на развитие метакогнитивных навыков и предметных результатов планируется квазиэксперимент с участием 40 учащихся в 2026/27 учебном году.
Перспективы развития: расширение каталога микро-навыков на другие темы курса информатики (алгоритмы, структуры данных, ООП), интеграция модели в образовательные платформы с возможностью онлайн-формирования групп в реальном времени, исследование динамики метакогнитивных навыков при длительном применении методики.
Это создаёт условия для эффективного развития метакогнитивных навыков и учебной самостоятельности школьников в цифровой среде, преодолевая противоречие между персонализацией и социализацией образовательного процесса.
Литература
1. Векслер В.А. Изучение базовых алгоритмов машинного обучения в задачах обработки текстов на уроках информатики // Актуальные проблемы методики обучения информатике и математике в современной школе. — 2023. — С. 437–442.
2. Выготский Л.С. Мышление и речь. — М.: Лабиринт, 1934. — 352 с.
3. Гаар Н.П. Возможности искусственного интеллекта для реализации адаптивного обучения информатике: методы, технологии и перспективы // Актуальные проблемы методики обучения информатике и математике в современной школе. — 2023. — С. 432–437.
4. Даггэн С. Искусственный интеллект в образовании: изменение темпов обучения. Аналитическая записка ИИТО ЮНЕСКО / ред. С.Ю. Князева; пер. с англ. А.В. Паршакова. — М.: Институт ЮНЕСКО по информационным технологиям в образовании, 2020. —
64 с.
5. Мазанюк Е.Ф. ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ШКОЛАХ РФ: ПЕРСПЕКТИВЫ И НЕОДНОЗНАЧНЫЕ ПОСЛЕДСТВИЯ // Проблемы современного педагогического образования. 2022. №77-1. URL: https://cyberleninka.ru/article/n/primenenie-iskusstvennogo-intellekta-v-shkolah-rf-perspektivy-i-neodnoznachnye-posledstviya (дата обращения: 13.01.2026).
6. Вакуленко С.А., Жихарева А.А. Практический курс по нейронным сетям. СПб: Университет ИТМО, 2018. 71 с.
7. Федеральный государственный образовательный стандарт основного общего образования. Утв. приказом Минобрнауки России от 17.12.2010 № 1897 (ред. от 31.05.2021). — М.: Минобрнауки России, 2010. — 45 с.
8. Chi M.T.H., Wylie R. The ICAP framework: Linking cognitive engagement to active learning outcomes // Educational Psychologist. — 2014. — Vol. 49, № 4. — P. 219–243.
9. Flavell J.H. Metacognition and cognitive monitoring: A new area of cognitive-developmental inquiry // American Psychologist. — 1979. — Vol. 34, № 10. — P. 906–911.
10. Johnson D.W., Johnson R.T. An educational psychology success story: Social interdependence theory and cooperative learning // Educational Researcher. — 2009. — Vol. 38, № 5. — P. 365–379.
Техническое формирование групп является лишь условием. Педагогическая ценность методики реализуется через сценарий работы. Сформированная пара получает от системы индивидуально-групповой маршрут:
1. Постановка мета-цели: «Ваша задача — научить друг друга». Эта формулировка смещает фокус с «решить задачу» на «объяснить решение», запуская метакогнитивные процессы [9].
2. Протоколирование: Использование скриптов взаимодействия (scripted cooperation). Ученики должны явно проговаривать стратегии решения: «Сначала я проверю длину строки, потому что...», «Ты используешь цикл for, а я бы применил while, потому что...». Такое проговаривание создаёт условия для экстериоризации знания — перевода внутренних мыслительных операций во внешнюю речь [5].
3. Взаимная рефлексия: в конце работы ученики оценивают не только код партнёра, но и качество его объяснений по критериям: ясность, полнота, логичность. Это развивает навыки мониторинга собственного понимания и понимания другого [9].
Именно необходимость проговорить своё понимание для партнёра с дефицитом знаний запускает мощные метакогнитивные процессы: переосмысление собственного знания, контроль за пониманием другого, коррекция стратегии объяснения [7]. В отличие от индивидуальной работы с адаптивной системой, где обратная связь ограничена правильностью/неправильностью ответа, комплементарное взаимодействие создаёт условия для развития регулятивных УУД через социальное опосредование.
Предложенный подход демонстрирует новый вектор применения ИИ в образовании: от замены человека алгоритмом к усилению человеческого взаимодействия с помощью алгоритмов. Модель прогностического комплементарного группирования позволяет масштабировать лучшие практики кооперативного обучения, делая процесс формирования групп объективным, быстрым и педагогически обоснованным [1].
Вычислительный эксперимент подтвердил работоспособность модели: алгоритм на основе Random Forest формирует пары с медианной синергией на 32.8% выше, чем случайное формирование, при этом сохраняя педагогическую логику комплементарности (корреляция с экспертной оценки r=0.761). Анализ важности признаков показал, что модель корректно учитывает ключевые педагогические ограничения: необходимость перекрытия базовых компетенций и штраф за избыточный когнитивный разрыв.
У данного исследования существует ряд ограничений: эксперимент проведён на частично синтезированных данных, сгенерированных на основе реальных профилей двадцати одного учащегося десятого класса. Для верификации влияния комплементарного группирования на развитие метакогнитивных навыков и предметных результатов планируется квазиэксперимент с участием 40 учащихся в 2026/27 учебном году.
Перспективы развития: расширение каталога микро-навыков на другие темы курса информатики (алгоритмы, структуры данных, ООП), интеграция модели в образовательные платформы с возможностью онлайн-формирования групп в реальном времени, исследование динамики метакогнитивных навыков при длительном применении методики.
Это создаёт условия для эффективного развития метакогнитивных навыков и учебной самостоятельности школьников в цифровой среде, преодолевая противоречие между персонализацией и социализацией образовательного процесса.
Литература
1. Векслер В.А. Изучение базовых алгоритмов машинного обучения в задачах обработки текстов на уроках информатики // Актуальные проблемы методики обучения информатике и математике в современной школе. — 2023. — С. 437–442.
2. Выготский Л.С. Мышление и речь. — М.: Лабиринт, 1934. — 352 с.
3. Гаар Н.П. Возможности искусственного интеллекта для реализации адаптивного обучения информатике: методы, технологии и перспективы // Актуальные проблемы методики обучения информатике и математике в современной школе. — 2023. — С. 432–437.
4. Даггэн С. Искусственный интеллект в образовании: изменение темпов обучения. Аналитическая записка ИИТО ЮНЕСКО / ред. С.Ю. Князева; пер. с англ. А.В. Паршакова. — М.: Институт ЮНЕСКО по информационным технологиям в образовании, 2020. —
64 с.
5. Мазанюк Е.Ф. ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ШКОЛАХ РФ: ПЕРСПЕКТИВЫ И НЕОДНОЗНАЧНЫЕ ПОСЛЕДСТВИЯ // Проблемы современного педагогического образования. 2022. №77-1. URL: https://cyberleninka.ru/article/n/primenenie-iskusstvennogo-intellekta-v-shkolah-rf-perspektivy-i-neodnoznachnye-posledstviya (дата обращения: 13.01.2026).
6. Вакуленко С.А., Жихарева А.А. Практический курс по нейронным сетям. СПб: Университет ИТМО, 2018. 71 с.
7. Федеральный государственный образовательный стандарт основного общего образования. Утв. приказом Минобрнауки России от 17.12.2010 № 1897 (ред. от 31.05.2021). — М.: Минобрнауки России, 2010. — 45 с.
8. Chi M.T.H., Wylie R. The ICAP framework: Linking cognitive engagement to active learning outcomes // Educational Psychologist. — 2014. — Vol. 49, № 4. — P. 219–243.
9. Flavell J.H. Metacognition and cognitive monitoring: A new area of cognitive-developmental inquiry // American Psychologist. — 1979. — Vol. 34, № 10. — P. 906–911.
10. Johnson D.W., Johnson R.T. An educational psychology success story: Social interdependence theory and cooperative learning // Educational Researcher. — 2009. — Vol. 38, № 5. — P. 365–379.
ВОПРОСЫ И КОММЕНТАРИИ
