Прогнозирование трендов применения генеративных нейросетей в образовании

Устинова Е.С., к.ф.-м.н.,
ФГБОУ ВО ПВГУС, г. Тольятти, Россия

Аннотация. Автором формулируется цель - спрогнозировать возможные направления влияния генеративных нейросетевых моделей, в том числе таких решений, как ChatGPT, на систему образования. Прогноз строится на основе изучения экспертных обсуждений применения указанных цифровых инструментов в обучении, которые активно ведутся сегодня как в публичной сфере, так и в академической среде. В статье проводится сопоставление и анализ основных групп экспертных взглядов и научных концепций, что позволяет выработать перспективное понимание того, как протекают процессы внедрения генеративных нейросетей в образовательную сферу [2]. Основной акцент при анализе и построении прогнозов сделан на примерах использования генеративных нейросетей в практике высшей школы, однако ключевые положения и выводы могут быть распространены и на иные образовательные уровни.

Ключевые слова: нейросети, высшее образование, оценка знаний, языковые модели.

С развитием нейросетевых технологий они начинают всё активнее применяться в учебном процессе. Всё большую востребованность приобретает цифровая учебная аналитика с опорой на нейросетевые решения, которая включает сбор цифровых следов, формирование цифровых профилей учащихся, анализ эффективности учебных курсов и образовательных программ и т.д. Это, в свою очередь, открывает возможности для упрощения процедур мониторинга и планирования учебной деятельности [3].

Современная практика внедрения нейросетевых инструментов в образование ориентирована на повышение результативности учебного процесса и создание удобных каналов связи между обучающейся и образовательной средой. Такие инструменты дают возможность:

1.       избавиться от выполнения однотипных операций;

2.       в автоматическом режиме генерировать учебные задания;

3.       формировать группы учащихся на основе анализа их цифровых следов;

4.       оперативно получать данные о сильных и слабых сторонах учебных программ с целью их своевременной доработки;

5.       совершенствовать способы привлечения абитуриентов.

Языковые модели оказывают влияние как на процесс выполнения учебных задач, так и на процедуры оценивания знаний. Имеющиеся данные свидетельствуют о том, что высокая оценка далеко не всегда служит отражением подлинной глубины освоения материала. Чтобы преодолеть этот разрыв, требуется пересмотреть подходы к разработке оценочных средств, уделять больше внимания формированию компетенций в сфере работы с нейросетями и сохранять определяющую роль человеческой оценки.

Наибольшую эффективность демонстрируют:

1.  поэтапные задания;

2.  вопросы, требующие развёрнутых пояснений;

3.  практические и лабораторные работы;

4.  интерактивные симуляции.

Указанные методы в меньшей степени подвержены рискам формального распознавания и в большей мере соответствуют реальной профессиональной практике. Исследование подчеркивает возрастающую роль грамотности в области искусственного интеллекта. Студентам необходимы не только технические навыки; они должны критически оценивать ответы, генерируемые ИИ, выявлять повторяющиеся ошибки и проверять информацию используя надежные источники [1].

Генеративные нейросетевые модели обладают значительным потенциалом для достижения перспективных целей в развитии системы образования. В то же время ускоренный технологический прогресс, сопровождающийся недостаточной изученностью последствий, несёт в себе многочисленные риски. Это обусловливает необходимость разработки методологических основ применения генеративных нейросетей в учебном процессе, совершенствования нормативно-правовой базы и решения комплекса этических проблем.

Будущее, по-видимому, связано с формированием нового качественного уровня взаимодействия человека и нейросетевых технологий в образовательной среде. Такой симбиоз будет способствовать росту качества человеческого капитала, адекватного быстро меняющимся технологическим условиям Индустриальной революции 5.0. [2].

Литература

1.   Вавилова, Е. М. Технологии искусственного интеллекта в сфере образования в зарубежных странах и правовые основы их внедрения в России / Е. М. Вавилова. – Текст : непосредственный // Право и образование. – 2021. – № 12. – С. 58-64

2.  Генеративный искусственный интеллект в образовании: дискуссии и прогнозы / Л. В. Константинова, В. В. Ворожихин, А. М. Петров [и др.]. – DOI 10.21686/1818- 4243-2023-2-36-48. – Текст : непосредственный // Открытое образование. – 2023. – Т. 27, № 2. – С. 36-48

3.  Пашков М.В., Пашкова В.М. Проблемы и риски цифровизации высшего образования // Высшее образование в России. 2022. Т. 31. № 3. С. 40–57. DOI: 10.31992/0869-3617-2022-31-22- 3-40-57/.