1. Введение
Современный педагогический университет включает в себя педагогический технопарк «Кванториум», созданный в 2021 году в рамках национального проекта «Образование». Технопарк выступает площадкой, где студенты осваивают современные технологии и реализуют проекты, результатом которых становятся готовые образовательные продукты. Одним из форматов таких продуктов являются коробочные образовательные комплекты (КОП) – целостные решения, включающие дидактические материалы, методические рекомендации и сам продукт, созданный с использованием аддитивных, лазерных и иных технологий.

Ценным результатом деятельности Кванториума является не только сам созданный КОП, но и данные, полученные в ходе его апробации, которые позволяют его совершенствовать. Студенты участвуют в разработке КОП на базе Кванториума и самостоятельно осуществляют его апробацию в образовательных организациях. Здесь возникает задача: спроектировать инструмент сбора обратной связи, который позволит получить содержательную информацию, пригодную одновременно для двух целей: помощи студенту в доработке его КОП и обеспечения Кванториума данными для совершенствования методики разработки коробочных решений и организации практик. При этом инструмент должен учитывать, что студенты представляют разные предметные области, каждая из которых имеет свою специфику.

2. Анализ теоретических подходов к проектированию обратной связи
2.1. Обратная связь как инструмент рефлексии в педагогическом образовании
Обращаясь к научной литературе по проблеме сбора обратной связи в педагогическом образовании, можно выделить несколько ключевых направлений. П.В. Закотнова определяет обратную связь как целенаправленную коммуникацию, ориентированную на коррекцию и совершенствование образовательных результатов, выделяя такие характеристики эффективной обратной связи, как конструктивный характер, конкретика, персонализация и баланс [2]. В работах Т.А. Подольской и Е.С. Чепурновой (2024) на выборке из 300 респондентов показано, что для большинства (63%) значима обратная связь, повышающая самооценку и уверенность, тогда как формальная и неконкретная обратная связь не только бесполезна, но и демотивирует [6].
В контексте профессиональной подготовки педагогов особое значение приобретает рефлексивный потенциал обратной связи. О.А. Мусатова с коллегами (2025) на основе анализа 487 студенческих работ демонстрируют, что рефлексивная обратная связь способствует развитию метакогнитивных умений обучающихся [4]. Т.Н. Носкова (2021) акцентирует значимость проектирования цифровой образовательной среды как пространства, где рефлексия и обратная связь становятся системообразующими факторами профессионального развития [5].

2.2. Методология проектирования опросных инструментов
Проблема проектирования инструментов сбора обратной связи получает освещение в работах по методологии опросных исследований. Ю.В. Вайнштейн (2023) рассматривает анкеты рефлексии как инструменты, требующие тонкой настройки под конкретный педагогический контекст; исследователь подчеркивает, что универсальные опросники часто не работают – они либо слишком общи, либо перегружены нерелевантными вопросами [1].

Согласно Т.Н. Носковой, цифровая образовательная среда – это пространство, где качество образовательного взаимодействия определяется настройкой связей между субъектами и цифровыми ресурсами [5]. В рамках данного подхода проектирование анкет обратной связи предстает не просто инструментальной задачей, но способом управления этими связями.

2.3. Применение ИИ для генерации вопросов и обратной связи
Исследователи Т. Мбуру с коллегами (2025) предложили методологический фреймворк для ИИ-управляемой генерации вопросов (SQRA), показав, что нейросети способны создавать адаптивные вопросы, учитывающие специфику учебного курса, однако требуют критической оценки: типичные проблемы включают избыточные формулировки, «сдвоенные» вопросы и использование жаргона [14].

Л. Эгер (2024) на примере маркетингового образования продемонстрировал практический кейс использования генеративного ИИ для проектирования опросников, выявив проблему недостаточного опыта студентов в промпт-инжиниринге [13]. Й.Х. Чой и К.Н. Пак (2025) представили гибридную модель SPARK и предложили трехмерную систему оценки качества вопросов [10].

В контексте генерации обратной связи В. Дай с коллегами (2024) сравнил GPT-3.5 и GPT-4, показав, что новые модели демонстрируют лучшие результаты, но обе требуют человеческого контроля [11]. М. де Вет, М. Ойя да Силва и Р. Бонсак (2025) выявили, что студенты ценят ясность ИИ-обратной связи, однако повторяющиеся лексические паттерны снижают воспринимаемую аутентичность [12].

2.4. Гибридные модели «человек + ИИ»
Особую значимость для настоящего исследования представляют работы, обосновывающие гибридные модели. С.К. Банихашем с коллегами (2025) предложили педагогический фреймворк «гибридной интеллектуальной обратной связи», определяющий роль GenAI как самостоятельного источника или части совместного процесса с преподавателем [8]. К. Пахи и соавторы (2024) в эмпирическом исследовании показали, что ИИ лучше справлялся с мотивационной поддержкой, а преподаватели – с выявлением концептуальных пробелов [16]. Ф. Вебер, Т. Вамбсгансс и М. Зёльнер (2024) доказали, что гибридная система «ИИ + преподаватель» значимо улучшила качество студенческих работ [17].

Систематический обзор К.Л. Батинггал и М.М. Бауйот (2026) констатирует, что ИИ-обратная связь, дополненная человеческой, превосходит каждый подход по отдельности [9]. Интегративный обзор Л. Альгамди и Т. Альгиззи (2025) утверждает, что ИИ-обратная связь должна дополнять, а не заменять человеческое обучение [7]. В документации OpenAI прямо указывается, что полагаться на модели без принципа «человек в контуре» не рекомендуется [15].

3. Постановка проблемы: противоречие и исследовательский пробел
Проведенный анализ позволяет зафиксировать следующее противоречие. С одной стороны, существует объективная потребность в качественной, контекстно-адаптированной обратной связи при апробации коробочных образовательных продуктов. Как отмечают исследователи в области методики преподавания [3], каждая предметная область обладает собственной методической системой, что требует учета специфики при оценке разработанных продуктов. Для дисциплин коррекционной направленности значимы параметры, связанные с учетом индивидуальных особенностей обучающихся; для математических дисциплин важны дифференциация заданий и развитие логического мышления; для естественно-научных направлений критичны наглядность и связь с практикой.

С другой стороны, известные подходы к проектированию анкет либо не масштабируются на множество предметных областей (ручная разработка трудоемка), либо, опираясь на ИИ-генерацию, не учитывают глубинную предметную специфику и значимые для экспертов-методистов аспекты, которые не лежат на поверхности и проявляются только в практической деятельности. Исследования фиксируют проблему «поверхностной адаптации», когда ИИ работает с явным, но не с неявным знанием.

Таким образом, актуальной задачей становится разработка подхода, сочетающего гибкость (учет предметной специфики) и унификацию (сопоставимость данных). В таблице 1 представлено сравнение существующих подходов.

Таблица 1 – Сравнение подходов к проектированию анкет обратной связи

 
4. Сравнительный анализ генерации анкет разными ИИ-моделями
Для проверки того, насколько разные языковые модели справляются с задачей контекстной адаптации анкет под различные предметные области, был проведен эксперимент с тремя моделями: DeepSeek, YandexGPT и ChatGPT. Выбор моделей обусловлен их распространенностью в исследовательской практике.

В качестве тестовых были выбраны три предметные области, представляющие разные уровни образования и типы педагогической деятельности:
·         Математика (5–7 классы);
·         Дошкольное образование (развитие речи, логопедия);
·         Биология (5–7 классы).
Для каждой области был сформулирован единый промпт, содержащий описание учреждения, возраста обучающихся, состава комплекта и ключевых методических аспектов, значимых для данной области.

4.1. Анкеты, сгенерированные моделями
 

Таблица 2 – Математика (5–7 классы)

 

Таблица 3 – Дошкольное образование (развитие речи)

Таблица 4 – Биология / Естествознание (5–7 классы)

 
4.2. Результаты сравнительного анализа
Анализ ответов трех моделей проводился по пяти критериям, для которых были определены следующие содержательные характеристики:
·         методическая глубина – соответствие вопросов ключевым дидактическим принципам предметной области;
·         рефлексивность – способность вопроса побудить студента к анализу причин успеха/неудачи, а не просто к констатации факта;
·         практическая применимость – возможность использования вопроса в реальной анкете без существенной доработки;
·         оригинальность – наличие уникальных, нешаблонных формулировок;
·         структурированность – логика построения анкеты, сочетание разных форматов вопросов.
Результаты представлены в таблице 5.
 

Таблица 5 – Сравнительная характеристика ответов ИИ-моделей

 
4.3. Качественный анализ ответов
DeepSeek предложил наиболее развернутые анкеты, в которых вопросы были направлены на углубленное рассмотрение методической специфики каждой предметной области. В математике модель акцентировала развитие математической речи и рефлексию; в дошкольном образовании – динамику речи и индивидуальный подход; в биологии – организационные и содержательные аспекты проведения эксперимента. В анкетах модели преобладали вопросы, побуждающие к анализу причин, а не просто к констатации фактов.

YandexGPT показал хорошие практические результаты, предложив четкие, структурированные анкеты. В математике модель делала акцент на связи заданий с реальной жизнью, в биологии – на формировании научной картины мира, в дошкольном образовании – на игровой форме занятий. Вопросы модели отличались практической направленностью, однако были менее рефлексивными и в ряде случаев тяготели к шаблонным формулировкам.

ChatGPT продемонстрировал сбалансированный подход к построению анкет. В математике модель сфокусировалась на общих трудностях выполнения заданий, в биологии – на факте проведения эксперимента, в дошкольном образовании – на самостоятельности детей. Вопросы, побуждающие к анализу причин и рефлексии, представлены в меньшем объеме по сравнению с DeepSeek.

4.4. Обсуждение результатов
Проведенный эксперимент подтверждает выводы зарубежных исследователей [14, 11, 12]: ИИ эффективен на этапе генерации структуры, но глубина методической рефлексии зависит от конкретной модели. DeepSeek продемонстрировал способность генерировать вопросы, затрагивающие те аспекты предметной методики, которые обычно относят к области неявного знания экспертов. Однако даже лучшие результаты требуют экспертной доработки.
Полученные данные подтверждают необходимость гибридного подхода, в котором ИИ выполняет функцию ассистента, а окончательная содержательная экспертиза остается за человеком.

5. Направления решения: гибридный подход к проектированию анкет
Проведенный анализ позволяет перейти к содержательному описанию подхода, призванного преодолеть выявленное противоречие между предметной спецификой и необходимостью унификации данных. В основе предлагаемого решения лежит гибридная модель проектирования анкет обратной связи, в которой инструмент сбора данных формируется из трех взаимосвязанных источников.

Первый источник – базовый блок.
Он разрабатывается сотрудниками Кванториума и содержит вопросы, обязательные для всех проектов независимо от их предметной направленности. Функция этого блока – обеспечение сопоставимости данных, возможность сравнивать проекты между собой, выявлять общие тенденции и проблемные зоны в работе технопарка.

Второй источник – предметно-ориентированный блок.
Его содержание задается методистом соответствующего направления. Методист один раз формулирует набор значимых для своей области параметров, которые затем автоматически подключаются к анкетам всех студентов данного направления. Это позволяет учитывать глубинную специфику предмета без необходимости каждый раз разрабатывать анкету с нуля.

Третий источник – ИИ-адаптация под конкретный КОП.
На основе структурированного описания комплекта, предоставленного студентом, большая языковая модель уточняет формулировки вопросов из первых двух блоков, делая их максимально релевантными контексту конкретного КОП, и при необходимости предлагает 1–2 дополнительных вопроса, направленных на сбор информации об уникальных особенностях продукта.

Для иллюстрации того, как работает адаптация, можно рассмотреть трансформацию вопроса из базового блока «Оцените вовлеченность обучающихся в занятие». В зависимости от предметной области и уровня образования этот вопрос может быть конкретизирован ИИ: для математики (5–7 классы) – «Насколько учащиеся были вовлечены в решение нестандартных задач?», для биологии (5–7 классы) – «Насколько школьники были увлечены процессом наблюдения за объектами природы?», а для дошкольного образования – «Насколько дети были вовлечены в игровые моменты занятия?».

Роль ИИ в предлагаемой модели является ассистирующей, а не замещающей. Нейросеть выступает инструментом ускорения и структурирования работы, но окончательное содержательное наполнение анкеты, экспертиза формулировок и учет неявного знания остаются за человеком. Такой подход полностью согласуется с выводами зарубежных исследователей о необходимости гибридных моделей и принципа «человек в контуре» [8, 15, 16].

6. Заключение
Проведенный анализ литературы и сравнительное исследование генерации анкет разными ИИ-моделями позволяют утверждать, что проблема проектирования анкет обратной связи для апробации студенческих образовательных продуктов в условиях педагогического технопарка является актуальной и практически значимой. В работах российских и зарубежных авторов детально проработаны теоретические основы рефлексивной обратной связи, показан потенциал использования ИИ для генерации вопросов, обоснована необходимость гибридных моделей «человек + ИИ».

Эксперимент с тремя моделями (DeepSeek, YandexGPT, ChatGPT) подтвердил, что все они успешно справляются с задачей генерации структурированного каркаса анкеты. Однако глубина методической рефлексии существенно различается: DeepSeek продемонстрировал способность генерировать более глубокие вопросы. Ни одна из моделей не является идеальной, что подтверждает необходимость гибридного подхода, в котором ИИ выполняет функцию ассистента, а содержательная экспертиза остается за человеком.

Предложенный подход, включающий базовый блок, предметно-ориентированный блок и ИИ-адаптацию под конкретный КОП, может стать основой для дальнейших исследований и разработки цифрового модуля в структуре образовательной среды технопарка.

Литература:
1. Вайнштейн Ю.В. Бланк рефлексии в персонализированной адаптивной обучающей системе // Справочник научно-методических разработок ФГАОУ ДПО «Академия Минпросвещения России». 2023. С. 112–119.
2. Закотнова П.В. Организация обратной связи в процессе педагогического взаимодействия преподавателей и студентов в вузе // Педагогика. Вопросы теории и практики. 2025. Т. 10. № 1. С. 45–52. DOI: 10.30853/ped20250011.
3. Краевский В.В., Хуторской А.В. Основы обучения. Дидактика и методика. М.: Академия, 2020. 352 с. [web: общеизвестно].
4. Мусатова О.А., Ефремова Г.И., Кулешова Л.Н. Обратная связь как инструмент профессионального развития студентов технического вуза в гуманитарном образовании // Вестник ТвГУ. Серия: Педагогика и психология. 2025. № 4. С. 51–62.
5. Носкова Т.Н. Педагогика цифрового образования: учебник. СПб.: Изд-во РГПУ им. А.И. Герцена, 2021. 320 с..
6. Подольская Т.А., Чепурнова Е.С. Представления об обратной связи у участников образовательного процесса // Вестник практической психологии образования. 2024. Т. 21. № 3. С. 77–83.
7. Alghamdi L.H., Alghizzi T.M. Educators' reflections on AI-automated feedback in higher education: a structured integrative review // Frontiers in Education. 2025. Vol. 10. 1704820. DOI: 10.3389/feduc.2025.1704820.
8. Banihashem S.K. et al. Pedagogical framework for hybrid intelligent feedback // Innovations in Education & Teaching International. 2025. DOI: 10.1080/14703297.2025.2499174.
9. Batingal C.L., Bauyot M.M. Navigating the Effectiveness of AI-driven Feedback vs Human Feedback Across Educational Levels: A Systematic Review // International Journal of Multidisciplinary Educational Research and Innovation. 2026. Vol. X. P. XXX.
10. Choi Y.H., Park K.N. A Study on Creative Question Design Model through Generative AI Collaboration // Proceedings of Korea Institute of Design Research Society. 2025. DOI: 10.46248/kidrs.2025.3.543.
11. Dai W. et al. Assessing the proficiency of large language models in automatic feedback generation // Computers and Education: Artificial Intelligence. 2024. Vol. 7. 100299. DOI: 10.1016/j.caeai.2024.100299.
12. De Wet M., Oja da Silva M., Bohnsack R. Can AI give good feedback on essay-type assignments? // Innovations in Education & Teaching International. 2025. DOI: 10.1080/14703297.2024.XXXXXXX (advance online).
13. Eger L. Questionnaire Design Using Generative AI: A Case Study from Marketing // Trendy v podnikání. 2024. Vol. 14. № 2. P. 69–76. DOI: 10.24132/jbt.2024.14.2.69_76.
14. Mburu T.K., Rong K., McColley C.J., Werth A. Methodological Foundations for AI-Driven Survey Question Generation // Journal of Engineering Education. 2025. Vol. 114. arXiv:2505.01150.
15. OpenAI. Как можно использовать ChatGPT для оценивания и обратной связи? [Электронный ресурс] // OpenAI Help Center. 2025. URL: https://help.openai.com/ru-ru/articles/8313397-how-can-chatgpt-be-used-for-assessment-and-feedback (дата обращения: 05.03.2026).
16. Pahi K. et al. Enhancing Active Learning through Collaboration Between Human Teachers and Generative AI // Computers and Education Open. 2024. Vol. 7. 100183. DOI: 10.1016/j.caeo.2024.100183.

17. Weber F., Wambsganss T., Söllner M. Enhancing legal writing skills: The impact of formative feedback in a hybrid intelligence learning environment // British Journal of Educational Technology. 2024. DOI: 10.1111/bjet.13529.