Современные образовательные учреждения стремятся повысить эффективность учебного процесса, уменьшить нагрузку преподавателей и предоставить студентам персонализированные рекомендации [4]. Технологии искусственного интеллекта (ИИ) становятся ключевым инструментом в этой трансформации, позволяя автоматизировать проверку письменных работ, оценивать код программы, анализировать визуальные и аудио‑задания, а также прогнозировать успеваемость и риск отчисления. Рассмотрим историю развития ИИ в оценке знаний учащихся: основные подходы и инструменты, а также вызовы и перспективы внедрения. В работе Alwarthan S.A., AslamN., KhanI.U. [5] проведен систематический обзор моделей машинного обучения, применяемых для прогнозирования студенческой успеваемости, выделив ключевые предикторы (оценки, активности, демография), обобщенные результаты представлены в таблице 1 [8].

Таблица 1 – Историческая ретроспектива развития автоматизации проверки ответов обучаемых

 
Автоматическая проверка текстов работ учащихся.Одним из первых шагов в использовании ИИ в оценке знаний стало внедрение систем, автоматически проверяющих работы студентов. Эти системы позволяют проанализировать текст и оценить синтаксическую и семантическую корректность, соответствие заданиям и оригинальность с помощью алгоритмов, основанных на машинном обучении. Примерами таких систем являются: программа, помогающая студентам улучшить их письменные навыки, предлагая исправления и рекомендации (Grammarly), а также системы, используемая для определения плагиата, позволяющая обучающимся проверить оригинальность их работ (Turnitin, BlackBoard, Antiplagiat-ВУЗ).
Сравнение моделей BERT, RoBERTa и GPT‑4 для автоматической градации ответов, позволило авторам Ye X и Manoharan S [7] выделить наиболее эффективные метрики для оценки качества текстов, описание которых изложено в таблице 2.

Таблица 2 – Автоматическая проверка работ

Прогнозирование успехов студентов. Еще одна передовая область применения ИИ в оценке знаний — это прогнозирование успехов студентов. Алгоритмы машинного обучения могут обрабатывать большие объемы данных и на их основе предсказывать, как конкретный студент может справиться с будущими заданиями и экзаменами. Системы, использующие этот подход, рассматривают множество факторов, таких как: исторические данные о результатах экзаменов, участие в дополнительных занятиях и проектах, индивидуальные предпочтения и стиль обучения [2, 3]. Подобные прогнозы могут помочь не только самим студентам в планировании своего обучения, но и преподавателям в выявлении учащихся, которым может понадобиться дополнительная поддержка. Гонзалес и др [6] провели систематический обзор ML алгоритмов наиболее эффективных для раннего выявления риска отчисления. В результате проведенного исследования были выявлены алгоритмы: Random Forest, XGBoost, LSTM, краткое описание которых приводится в таблице 3.

Таблица 3 – Автоматическая проверка работ

Несмотря на определенные вызовы, современные инструменты искусственного интеллекта имеют выраженный потенциал значительно улучшать качество образовательного процесса (Рис. 1).

Рис.1 – Вызовы и ограничения в применении инструментов ИИ

В будущем ожидается еще более глубокая интеграция ИИ в системы образования, что, безусловно, отразится на методике обучения для следующих поколений учащихся. Предполагаются, следующие перспективы развития применения инструментов ИИ в образовании [1].
1.      Расширение возможностей ИИ:
o   Гибридные модели – сочетание статистических и глубоких нейронных сетей для более точной оценки.
o   Метамодели – модели, которые могут обучаться на разных типах данных (текст, звук, изображение) без переобучения.
2.      Интеграция с образовательными экосистемами:
o   API‑интерфейсы – упрощают подключение ИИ‑сервисов к LMS.
o   Платформенные решения – готовые решения от крупных поставщиков (Microsoft, Google, Amazon).
3.      Персонализированное обучение в реальном времени:
o   Adaptive learning – динамическое изменение сложности заданий в зависимости от ответов студента.
o   Рекомендательные системы – предлагающие ресурсы, которые повышают вероятность успешного завершения курса.
4.      Этические стандарты и регулирование:
o   Кодексы поведения – разработка отраслевых стандартов для использования ИИ в образовании.
o   Сертификация – проверка ИИ‑систем на соответствие требованиям качества и безопасности.
Заключение. Доказав свою эффективность в автоматизации проверки работ и прогнозировании успеваемости учащихся, для полной реализации своего потенциала в образовании ИИ ставит вопросы этики, конфиденциальности и надёжности, а также обеспечения и адаптации педагогов к новым инструментам (Рис. 1). В ближайшие годы ожидается более глубокая интеграция ИИ в образовательные процессы, что позволит создать гибкие, персонализированные и более эффективные системы обучения.
 
Литература:
1.        Искусственный интеллект в образовательном контенте: актуальный тренд и практические аспекты эволюции учебного процесса / А. А. Калинин, Н. Ю. Королева, Н. И. Рыжова, Ю. В. Федорова // Наука и школа. – 2024. – № 5. – С. 98-113. – DOI 10.31862/1819-463X-2024-5-98-113. – EDN MRORPE.
2.        Никандров, А. А. Организация тестирования и анализа данных в LMS Moodle / А. А. Никандров // Дистанционное обучение в высшем образовании: опыт, проблемы и перспективы развития : XIII Всероссийская научно-практическая конференция с международным участием, Санкт-Петербург, 21 апреля 2020 года / научный редактор Л. В. Путькина, заведующая кафедрой информатики и математики СПбГУП, кандидат технических наук, профессор СПбГУП. – Санкт-Петербург: Санкт-Петербургский Гуманитарный университет профсоюзов, 2020. – С. 134-135. – EDN IQROWN.
3.        Никандров, А. А. Проблема эффективного хранения открытых данных для перспективы использования предсказательных инструментов в образовании / А. А. Никандров // Новые образовательные стратегии в современном информационном пространстве: Сборник научных статей по материалам международной ежегодной научно-практической конференции, Санкт-Петербург, 16 марта – 07 2021 года. – Санкт-Петербург: Центр научно-производственных технологий "Астерион", 2021. – С. 42-48. – EDN DWOIFC.
4.        Фомин, В. В. Глава 2. Интеллектуальные технологии в решении образовательных задач / В. В. Фомин, К. Р. Пиотровская, Е. А. Тербушева // Интеллектуальные технологии в цифровой среде университета. – Санкт-Петербург : Центр научно-информационных технологий "Астерион", 2020. – С. 31-105. – EDN ABAOPC.
5.        Alwarthan S.A., Aslam N., Khan I.U. Predicting student academic performance at higher education using data mining: a systematic review. Applied Computational Intelligence and Soft Computing. 2022;2022(1) DOI:10.1155/2022/8924028
6.        Gonzalez-Nucamendi A, Noguez J, Neri L, Robledo-Rella V and García-Castelán RMG (2023) Predictive analytics study to determine undergraduate students at risk of dropout. Front. Educ. 8:1244686. doi: 10.3389/feduc.2023.1244686
7.        Ye X., Manoharan S., Performance Comparison of Automated Essay Graders Based on Various Language Models. 2021 IEEE International Conference on Computing (ICOCO), Kuala Lumpur, Malaysia, 2021, pp. 152-157, doi: 10.1109/ICOCO53166.2021.9673585.
8.        Crossley S. et al. Combining click-stream data with NLP tools to better understand MOOC completion //Proceedings of the sixth international conference on learning analytics & knowledge. – 2016. – С. 6-14.