В современной образовательной среде искусственный интеллект (ИИ) играет все более значимую роль в поддержке процесса обучения и подменяет собой живого тьютора. Одним из примеров и является ИИ-тьютор – комплексная система, основанная на нейросетях, предобученных на массиве корпоративных учебных материалов и дополнительном образовательном контенте.

ИИ-тьютор предназначен для взаимодействия с обучаемыми в режиме текстового или речевого общения, что позволяет ему предоставлять индивидуализированную поддержку и руководство процессом обучения. Основная цель ИИ-тьютора – помочь обучаемым не только освоить новые знания и запомнить новую информацию, но и выработать понимание того, как эти знания могут применяться в повседневной профессиональной деятельности.

Кроме того, ИИ-тьютор направлен на развитие не только профессиональных знаний и умений, но и критического мышления и навыков решения проблем. Это достигается путем организации обучающего диалога, в ходе которого ИИ-тьютор задает вопросы и получает ответы от обучаемых, что позволяет ему оценить их уровень понимания и предоставить соответствующую поддержку.

Наиболее простым и доступным методическим приемом для реализации обучающих диалогов с ИИ-тьютором могут быть специальные учебные вопросы для каждого уровня таксономии уровней знаний (по Б. Блуму).

Вопросы для уровня таксономии «оценка/оценить»:

● Что является наилучшим для …?

● В чем плюсы (минусы), побочные эффекты …?

● Как можно ранжировать важность (ценность, эффективность) …?

Вопросы для уровня таксономии «синтез/создавать»:

● Какую альтернативу вы предложите для …?

● Как вы составите план …?

● Как можно составить схему (модель) …?

Опираясь на подобные вопросы, обучающийся сможет:

● найти и получить информацию;

● обобщить ее;

● «примерить» информацию на актуальный для себя контекст;

● сравнить ее с другой;

● синтезировать информацию, сделав самостоятельные выводы.

Подобные вопросы могут объединяться в рационально организованные группы – учебные эвристики (эвристические топики). Последовательно отвечая на вопросы ИИ-тьютора, учащийся не только изучает новое, но и самостоятельно порождает новые для себя идеи и обобщения. В результате такого обучения умственная деятельность обучаемых перейдет на уровень знаний высшего порядка.

Но возникает резонный вопрос – откуда взяться знаниевым графам, необходимым для того, чтобы система не галлюцинировала? Ведь именно они отражают специфику образовательного материала, выстраивая «Строительные леса по Выготскому», то есть собирая необходимую последовательность терминов, тезисов и вопросов, необходимых для развития понимания и перехода к следующей теме.

QR-код: https://t.me/LXD_education/969

Мы создали систему-конвертер – ансамбль из семантических нейросетей, больших языковых моделей (Large Language Model, LLM) и алгоритмов на основе даталингвистики. Благодаря такому технологическому стеку создается основа для знаниевого графа, выделяемого из текста, а его отладкой и доведением уже занимаются методисты, и промт-инженеры, включающие знаниевый граф в основные руководящие директивы.

Итогом становится системный промт, добавляемый в основной рабочий пайплайн LLM. Благодаря человеко-машинному взаимодействию удается не только быстро преобразовывать тексты курсов в интерактивный формат взаимодействия учащегося с ИИ, но и практически полностью избегать галлюцинаций и «выдумок» с его стороны, сохраняя при этом гибкость, адаптивность и живость диалога в процессе взаимодействия LLM с учащимся.

Крайне важным аспектом обучения являются также и элементы медиа – изображения, сопровождающие текст. Для грамотной работы с ними необходимо добавлять в рамках VLM (Visual Language Model) алгоритм перевода изображения в текст.

Подобные алгоритмы от лидеров рынка работают на достаточно высоком уровне, позволяющем ИИ-тьютору видеть, понимать и комментировать любое изображение.

На рисунке выше изображен процесс распознавания фото детали с повреждениями, где VLM предлагает заодно и варианты ее ремонта. Этот сетап мы тестировали в рамках обучения автомехаников в рамках СПО.

ИИ-тьютор: искусственный интеллект в роли виртуального ассистента учителя

Как показывает наш опыт, технологии ИИ на основе LLM способны сделать школьное образование индивидуальным и адаптивным, обеспечивая каждому учащемуся возможность учиться в своем темпе и на своем уровне возможностей, используя естественный язык и среду общения.

Сегодня во многих школах более 30 детей в одном классе, и учитель не может за 40–45 минут уделить внимание каждому. Именно эту проблему решает ИИ-тьютор, разработанный компанией «Море данных». От обычных обучающих компьютерных систем его отличает то, что он ведет с учащимся живой диалог, предлагая вопросы, выслушивая и анализируя свободную речь ученика. Таким образом, ИИ-тьютор выполняет роль индивидуального виртуального репетитора. В его алгоритм заложены испытанные временем методы индивидуальной репетиторской работы.

Наша диалоговая обучающая система применима в первую очередь для домашней и самостоятельной работы, так как на школьном уроке важно непосредственное социальное взаимодействие учеников друг с другом и учителем. Благодаря диалоговому режиму и свободной форме ответов ученика система также способствует развитию мышления и речи.

ИИ-тьютор – это ансамбль алгоритмов, включающих в себя построение знаниевых деревьев, базирующихся на массиве образовательных программ и авторских методик обучения. В системе реализована возможность общаться с учеником не только письменно, но и с помощью устной речи. Работа с ИИ-тьютором по пройденной теме может быть предложена учащемуся в качестве домашнего задания.

В этом случае система ведет диалог от лица эксперта и оказывает тьюторскую поддержку. При необходимости она может переключаться в режим экзаменатора и только оценивать ответы ученика, не комментируя их правильность или полноту.

Практика показала, что ИИ-тьютор облегчает освоение учащимися сложных тем и позволяет преподавателям автоматически получать данные о выполнении домашних работ, принимая на себя функцию мониторинга.

В 2023/2024 учебном году ИИ-тьютор применялся в двух пилотных школах образовательной экосистемы «Самолетум» в Московской области: непосредственно в школе «Самолетум» в Строгино и в Инженерно-технологическом лицее в Люберцах. В системе были доступны обучающие курсы по обществознанию для 7, 8 и 9-го классов. В 2024/2025 учебном году учащимся доступен полный курс физики для 7-го класса, который проходит апробацию в других школах.

Учащиеся отметили, что система дает точные определения и объясняет темы понятным и доступным языком, время проработки одной темы занимает в среднем 15 минут. Учителя отметили, что ИИ-тьютор подводит ученика к ответу с помощью вопросов и комментариев. Учащиеся (а особенно их родители) также высоко оценили возможности ИИ-тьютора в подготовке к уроку и помощи в выполнении домашних заданий. Ребенок не стесняется задавать вопросы машине, а слабо успевающий ребенок требует активной позиции репетитора. Так ИИ-тьютор становится необходимым элементом образования там, где учитель не имеет доступа к ребенку.

LLM в современном образовании

В последние годы мы наблюдаем стремительное развитие исследований ИИ-технологий в образовании. LLM демонстрируют высокий потенциал в разработке учебных материалов, автоматизированной оценке знаний и умений учащихся, а также персонализации процесса обучения. Одним из наиболее впечатляющих достижений служит концепция ИИ-тьютора – интеллектуального помощника для учебной среды. Это новый уровень образовательного опыта, сочетающий современные методики обучения с индивидуализированным подходом к каждому ученику.

Создание такого продукта требует не только высокотехнологичных разработок, но и глубокого понимания педагогических методик. Чтобы обеспечить максимальную эффективность и надежность использования LLM в образовании, необходимо создать качественные методы проверки их применимости к разработке конкретных учебных инструментов, в том числе ИИ-тьютора.

Наша команда провела большую работу по тестированию ведущих LLM России и мира. Мы разработали комплексный бенчмарк – набор тестов, нацеленных на проверку уровня понимания естественного языка, способностей к персонализированной поддержке учащихся и генерации качественных, педагогически обоснованных ответов, а также возможности обеспечения безопасного и этичного взаимодействия.

Тестирование проводилось на коммерческих продуктах и открытых решениях. В нем принимали участие модели от OpenAI, Google, Sber, Yandex, Mistral AI, Alibaba Cloud и их производные. Модели от OpenAI зарекомендовали себя как наиболее эффективные, демонстрируя высокий уровень понимания контекста и способность к поддержанию содержательных диалогов, однако они показали слабые результаты в задачах, связанных с обеспечением безопасности генерируемого контента. Модели GeminiPro (Google) и GigaChat-Pro (Sber) также могут рассматриваться для использования в задачах, связанных с разработкой ИИ-тьютора. Внедрение остальных моделей пока возможно только ограниченно из-за низкого качества результатов в ключевых задачах.

В целом результаты тестирования дают положительные предпосылки для активного внедрения LLM в российское образование. Разработки ведущих мировых и российских компаний демонстрируют высокий потенциал, однако требуют дополнительной настройки для соответствия нормативным требованиям и образовательным стандартам. Повышению эффективности применения LLM могут способствовать мультиагентные системы, объединяющие преимущества разных моделей.

Интерес к качественному и системному проектированию обучения привлек внимание специалистов к дизайну образовательного опыта (Learning Experience Design), который расширяет подходы педагогического дизайна и концентрируется на проектировании опыта, образовательной среды и восприятия процесса обучения студентами.

В этой сфере можно выделить несколько ключевых задач: анализ на разных этапах обучения, целеполагание, проектирование структуры и материалов обучения, сопровождение обучения и система оценивания. Важной задачей является создание промтов с учетом проверенных техник промт-инженерии, таксономии Блума и цикла Колба.

Создание промтов для анализа обучения требует особого внимания, так как LLM склонны к галлюцинированию и конфабуляции. Для решения таких задач использовались сервисы, опирающиеся на реальные источники, такие как Нейро и Perplexity. В задачах целеполагания языковые модели успешно справляются с формулировкой образовательных результатов даже при использовании простых промтов.

Для генерации учебных текстов мы использовали два подхода: написание развернутого промта с четкой структурой текста и ключевыми тезисами, а также итеративное генерирование текста с дополнительными инструкциями. Промт-инженерия также открывает новые возможности для создания материалов сопровождения обучения, таких как карты пути обучения, планы сопровождения и учебные инструкции.

В задачах оценивания и обратной связи промт-инженерия позволяет системно подходить к разработке оценочных средств и стратегий формирования обратной связи. Один из успешных подходов – создание промтов, имитирующих негативные отзывы от гипотетических студентов, что помогает выявить узкие места в обучении.

Эксперименты с хорошо структурированными промтами на различных языковых моделях (YandexGPT3.0, Yandex GPT Experimental, Gemini 1.5 Pro, Gemma-9B, Llama 3.1 Sonar 70B, GPT 4 omni) показали отличные результаты в решении разнообразных задач в проектировании обучения. Наилучшие результаты были достигнуты в задачах придумывания учебных примеров, аналогий и объяснений, формулировок и структуры учебных заданий, вопросов на рефлексию.