infojournalИнформатика и образованиеInformatics and education0234-04532658-7769Publishing House Education and Informatics10.32517/0234-0453-2026-41-1-23-36infojournal-1426Research ArticleПЕДАГОГИЧЕСКИЙ ОПЫТPEDAGOGICAL EXPERIENCEИнтеграция нейросетевого ассистента обучающихся по программированию в цифровую образовательную платформуIntegration of a neural network assistant on programming into a digital educational platformhttps://orcid.org/0000-0001-6898-901XКушниренкоА. Г.KushnirenkoA. G.

Кушниренко Анатолий Георгиевич, канд. физ.-мат. наук,доцент, зав. отделом учебной информатики

г. Москва, Россия

Anatoly G. Kushnirenko, Candidate of Sciences (Physicsand Mathematics), Docent, Head of the Educational Software Department

Moscow, Russia

agk_@mail.ruhttps://orcid.org/0000-0001-9622-1526ЛеоновА. Г.LeonovA. G.

Леонов Александр Георгиевич, доктор пед. наук, канд. физ.-мат. наук, доцент, зав. кафедрой дополнительного профессионального образования; ведущий научный сотрудник лаборатории вычислительных методов, кафедра вычислительной математики, отделение математики, механико-математический факультет; профессор кафедры математики и информатики в начальной школе, факультет начального образования, Институт детства; руководитель магистерской программы «Цифровые технологии в государственном и корпоративномуправлении», доцент кафедры математических методов в экономике и управлении, Институт информационных систем

г. Москва, Россия

Alexander G. Leonov, Doctor of Sciences (Education), Candidate of Sciences (Physics and Mathematics), Docent, Head of the Department of Continuing Professional Education; Lomonosov Moscow State University; Moscow Pedagogical State University

Moscow, Russia

dr.l@vip.niisi.ruhttps://orcid.org/0000-0003-0355-6699МащенкоК. А.MashchenkoK. A.

Мащенко Кирилл Алексеевич, младший научный сотрудник отдела учебной информатики; младший научный сотрудник лаборатории вычислительных методов, кафедра вычислительной математики, отделение математики, механико-математический факультет; преподаватель магистерской программы «Цифровые технологии в государственном и корпоративном управлении», кафедра математических методов в экономике и управлении,Институт информационных систем

г. Москва, Россия

Kirill A. Mashchenko, Junior Researcher at the Department of Educational Informatics; Lomonosov Moscow State University; State University of Management

Moscow, Russia

kirill.mashchenko@niisi.ruhttps://orcid.org/0009-0001-3071-2485МартыновН. С.MartynovN. S.

Мартынов Николай Сергеевич, младший научный сотрудник отдела учебной информатики

г. Москва, Россия

Nikolay S. Martynov, Junior Researcher at the Department of Educational Informatics,

Moscow, Russia

nikolai.martynov@math.msu.ruhttps://orcid.org/0009-0005-7969-5718ПчелинК. К.PchelinK. K.

Пчелин Константин Константинович, техник, отделучебной информатики

г. Москва, Россия

Konstantin K. Pchelin, a technician, Department of Educational Informatics

Moscow, Russia

konstantin.pchelin@math.msu.ruhttps://orcid.org/0009-0005-7108-6707ШляховА. В.ShlyakhovA. V.

Шляхов Артем Вячеславович, младший научный сотрудник отдела учебной информатики

г. Москва, Россия

Artem V. Shlyakhov, Junior Researcher at the Department of Educational Informatics

Moscow, Russia

shlyakhov@vip.niisi.ruФедеральный научный центр Научно-исследовательский институт системных исследований Национального исследовательского центра «Курчатовский институт»РоссияScientific Research Institute for Systems Analysis of the National Research Centre “Kurchatov Institute”Russian FederationФедеральный научный центр Научно-исследовательский институт системных исследований Национального исследовательского центра «Курчатовский институт»; Московский государственный университет имени М. В. Ломоносова; Московский педагогический государственный университет; Государственный университет управленияРоссияScientific Research Institute for Systems Analysis of the National Research Centre “Kurchatov Institute”; Lomonosov Moscow State University; Moscow Pedagogical State University; State University of ManagementRussian FederationФедеральный научный центр Научно-исследовательский институт системных исследований Национального исследовательского центра «Курчатовский институт»; Московский государственный университет имени М. В. Ломоносова; Государственный университет управленияРоссияScientific Research Institute for Systems Analysis of the National Research Centre “Kurchatov Institute”; Lomonosov Moscow State University; State University of ManagementRussian Federation2026040520264112336Copyright © Кушниренко А.Г., Леонов А.Г., Мащенко К.А., Мартынов Н.С., Пчелин К.К., Шляхов А.В., 20262026Кушниренко А.Г., Леонов А.Г., Мащенко К.А., Мартынов Н.С., Пчелин К.К., Шляхов А.В.Kushnirenko A.G., Leonov A.G., Mashchenko K.A., Martynov N.S., Pchelin K.K., Shlyakhov A.V.This work is licensed under a Creative Commons Attribution 4.0 License.https://info.infojournal.ru/jour/article/view/1426

В статье представлены результаты разработки и внедрения инструментальной поддержки обучающихся на базе генеративных больших языковых моделей (LLM) в структуру цифровой образовательной платформы (ЦОП). Проблематика данного исследования обусловлена нехваткой оперативной методической обратной связи в процессе массового обучения программированию, особенно на начальных этапах формирования практических навыков. Предлагаемое решение заключается в создании и интеграции нейросетевого модуля, агрегирующего информацию об учебной задаче (условие, название, скрытые тесты, эталонное решение и т. п.) для генерации персонализированных педагогических подсказок, ориентированных на поэтапное осмысление допущенных ошибок и их самостоятельное исправление обучающимся без прямой выдачи верного решения. В работе подробно описана архитектура сервиса, принципы его встраивания в контур проверки заданий, а также механизмы валидации ответов модели и защиты от нецелевого или недобросовестного использования. Эмпирическая база исследования включает результаты апробации в рамках интенсивных профильных смен (мини-курсов) «Коды Курчатова», проводимых для старшеклассников, с применением количественных методов анализа образовательных и поведенческих данных. Показано, что использование нейросетевого ассистента способствует повышению вовлеченности обучающихся, снижению когнитивных и психологических барьеров при поиске и исправлении ошибок, а также приводит к статистически значимому сокращению рутинной нагрузки на преподавательский состав при сохранении педагогической валидности обучения.

The article presents the results of the development and implementation of instrumental student support based on generative large language models (LLM) within a digital educational platform (DEP). The problems of this study are caused by the lack of operational methodological feedback in the process of mass programming training, especially at the initial stages of developing practical skills. The proposed solution is to create and integrate a neural network module that aggregates information about a learning task (condition, name, hidden tests, reference solution, etc.) to generate personalized pedagogical prompts aimed at step-by-step comprehension of mistakes made and their independent correction by students without directly giving the correct solution. The article describes in detail the service architecture, the principles of its integration into the task verification system, as well as mechanisms for validating model responses and protecting them from misuse or unfair use. The empirical base of the study includes the results of testing in the framework of intensive specialized shifts (mini-courses) “Kurchatov Codes” conducted for high school students, using quantitative methods of analyzing educational and behavioral data. It is shown that the use of a neural network assistant helps to increase student engagement, reduce cognitive and psychological barriers in finding and correcting mistakes, and leads to a statistically significant reduction in the routine burden on teaching staff while maintaining the pedagogical validity of training.

обучение программированиюискусственный интеллект в образованиинейросетевой ассистентцифровая образовательная платформаперсонализация обученияprogramming trainingartificial intelligence in educationneural network assistantdigital educational platformpersonalization of learningРабота выполнена в рамках темы государственного задания НИЦ «Курчатовский институт» - НИИСИ по теме № FNEF-2024-0001 (1023032100070-3-1.2.1).The work was completed within the framework of the state assignment NRC “Kurchatov Institute” - SRISA on the topic № FNEF-2024-0001 (1023032100070-3- 1.2.1)ReferencesYizhou Qian, Lehman J. Students’ misconceptions and other difficulties in introductory programming: A literature review. ACM Transactions on Computing Education (TOCE). 2017;18(1):1–24. DOI: 10.1145/3077618.Yizhou Qian, Lehman J. Students’ misconceptions and other difficulties in introductory programming: A literature review. ACM Transactions on Computing Education (TOCE). 2017;18(1):1–24. DOI: 10.1145/3077618.Anderson J. R., Corbett A. T., Koedinger K. R., Pelletier R. Cognitive tutors: Lessons learned. Journal of the Learning Sciences. 1995;4(2):167–207. DOI: 10.1207/s15327809jls0402_2.Anderson J. R., Corbett A. T., Koedinger K. R., Pelletier R. Cognitive tutors: Lessons learned. Journal of the Learning Sciences. 1995;4(2):167–207. DOI: 10.1207/s15327809jls0402_2.Koedinger K. R., Anderson J. R., Hadley W. H., Mark M. A. Intelligent tutoring goes to school in the big city. International Journal of Artificial Intelligence in Education. 1997;8:30–43. DOI: 10.1184/R1/6470153.v1.Koedinger K. R., Anderson J. R., Hadley W. H., Mark M. A. Intelligent tutoring goes to school in the big city. International Journal of Artificial Intelligence in Education. 1997;8:30–43. DOI: 10.1184/R1/6470153.v1.VanLehn K. The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist. 2011;46(4):197–221. DOI: 10.1080/00461520.2011.611369.VanLehn K. The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist. 2011;46(4):197–221. DOI: 10.1080/00461520.2011.611369.Murray T. An overview of intelligent tutoring system authoring tools: Updated analysis of the state of the art. In: Murray T., Blessing S. B., Ainsworth S. (eds) Authoring Tools for Advanced Technology Learning Environments. Dordrecht, Springer; 2003:491–544. DOI: 10.1007/978-94-017-0819-7_17.Murray T. An overview of intelligent tutoring system authoring tools: Updated analysis of the state of the art. In: Murray T., Blessing S. B., Ainsworth S. (eds) Authoring Tools for Advanced Technology Learning Environments. Dordrecht, Springer; 2003:491–544. DOI: 10.1007/978-94-017-0819-7_17.Keuning H., Jeuring J., Heeren B. A systematic literature review of automated feedback generation for programming exercises. ACM Transactions on Computing Education (TOCE). 2018;19(1):1–43. DOI: 10.1145/3231711.Keuning H., Jeuring J., Heeren B. A systematic literature review of automated feedback generation for programming exercises. ACM Transactions on Computing Education (TOCE). 2018;19(1):1–43. DOI: 10.1145/3231711.Ihantola P., Vihavainen A., Ahadi A., et al. Educational data mining and learning analytics in programming: Literature review and case studies. Proc. 2015 ITiCSE on Working Group Reports (ITICSE–WGR’15). 2015:41–63. DOI: 10.1145/2858796.2858798.Ihantola P., Vihavainen A., Ahadi A., et al. Educational data mining and learning analytics in programming: Literature review and case studies. Proc. 2015 ITiCSE on Working Group Reports (ITICSE–WGR’15). 2015:41–63. DOI: 10.1145/2858796.2858798.Luxton-Reilly A., Simon, Albluwi I., et al. Introductory programming: A systematic literature review. Proc. Companion of the 23rd Annual ACM Conf. on Innovation and Technology in Computer Science Education (ITiCSE 2018). 2018:55–106. DOI: 10.1145/3293881.3295779. EDN: TGGWVQ.Luxton-Reilly A., Simon, Albluwi I., et al. Introductory programming: A systematic literature review. Proc. Companion of the 23rd Annual ACM Conf. on Innovation and Technology in Computer Science Education (ITiCSE 2018). 2018:55–106. DOI: 10.1145/3293881.3295779. EDN: TGGWVQ.Edwards S. H. Improving student performance by evaluating how well students test their own programs. Journal on Educational Resources in Computing (JERIC). 2003;3(3):1–es. DOI: 10.1145/1029994.1029995.Edwards S. H. Improving student performance by evaluating how well students test their own programs. Journal on Educational Resources in Computing (JERIC). 2003;3(3):1–es. DOI: 10.1145/1029994.1029995.Finnie-Ansley J., Denny P., Becker B. A., Luxton-Reilly A., Prather J. The robots are coming: Exploring the implications of OpenAI Codex on introductory programming. Proc. 24th Australasian Computing Education Conf. (ACE’22). 2022:10–19. DOI: 10.1145/3511861.3511863.Finnie-Ansley J., Denny P., Becker B. A., LuxtonReilly A., Prather J. The robots are coming: Exploring the implications of OpenAI Codex on introductory programming. Proc. 24th Australasian Computing Education Conf. (ACE’22). 2022:10–19. DOI: 10.1145/3511861.3511863.Denny P., Leinonen J., Prather J., Luxton-Reilly A., Amarouche T., Becker B. A., Reeves B. N. Prompt problems: A new programming exercise for the generative AI era. Proc. 55th ACM Technical Symposium on Computer Science Education (SIGCSE 2024). 2024;1:296–302. DOI: 10.1145/3626252.3630909.Denny P., Leinonen J., Prather J., Luxton-Reilly A., Amarouche T., Becker B. A., Reeves B. N. Prompt problems: A new programming exercise for the generative AI era. Proc. 55th ACM Technical Symposium on Computer Science Education (SIGCSE 2024). 2024;1:296–302. DOI: 10.1145/3626252.3630909.Kazemitabaar M., Chow J., Ma C. K. T., Ericson B. J., Weintrop D., Grossman T. Studying the effect of AI code generators on supporting novice learners in introductory programming. Proc. 2023 CHI Conf. on Human Factors in Computing Systems (CHI’23). 2023:1–23. DOI: 10.1145/3544548.3580919.Kazemitabaar M., Chow J., Ma C. K. T., Ericson B. J., Weintrop D., Grossman T. Studying the effect of AI code generators on supporting novice learners in introductory programming. Proc. 2023 CHI Conf. on Human Factors in Computing Systems (CHI’23). 2023:1–23. DOI: 10.1145/3544548.3580919.Prather J., Reeves B. N., Denny P., Becker B. A., Leinonen J., Luxton-Reilly A., Powell G., Finnie-Ansley J., Santos E. A. “It’s weird that it knows what I want”: Usability and interactions with Copilot for novice programmers. ACM Transactions on Computer-Human Interaction. 2023;31(1):1–31. DOI: 10.1145/3617367.Prather J., Reeves B. N., Denny P., Becker B. A., Leinonen J., Luxton-Reilly A., Powell G., Finnie-Ansley J., Santos E. A. “It’s weird that it knows what I want”: Usability and interactions with Copilot for novice programmers. ACM Transactions on Computer-Human Interaction. 2023;31(1):1–31. DOI: 10.1145/3617367.Becker B. A., Denny P., Finnie-Ansley J., Luxton-Reilly A., Prather J., Santos E. A. Programming is hard — or at least it used to be: Educational opportunities and challenges of AI code generation. Proc. 54th ACM Technical Symposium on Computer Science Education (SIGCSE 2023). 2023;1:500–506. DOI: 10.1145/3545945.3569759.Becker B. A., Denny P., Finnie-Ansley J., LuxtonReilly A., Prather J., Santos E. A. Programming is hard — or at least it used to be: Educational opportunities and challenges of AI code generation. Proc. 54th ACM Technical Symposium on Computer Science Education (SIGCSE 2023). 2023;1:500–506. DOI: 10.1145/3545945.3569759.Finnie-Ansley J., Denny P., Luxton-Reilly A., Santos E. A., Prather J., Becker B. A. My AI wants to know if this will be on the exam: Testing OpenAI’s Codex on CS2 programming exercises. Proc. 25th Australasian Computing Education Conf. (ACE’23). New York, NY, USA, Association for Computing Machinery; 2023:97–104. DOI: 10.1145/3576123.3576134.Finnie-Ansley J., Denny P., Luxton-Reilly A., Santos E. A., Prather J., Becker B. A. My AI wants to know if this will be on the exam: Testing OpenAI’s Codex on CS2 programming exercises. Proc. 25th Australasian Computing Education Conf. (ACE’23). New York, NY, USA, Association for Computing Machinery; 2023:97–104. DOI: 10.1145/3576123.3576134.Lewis P., Piktus A., Petroni F., et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems. Proc. 34th Conf. on Neural Information Processing Systems (NEURIPS 2020). 2020;34:9459–9474. EDN: JPMMQE.Lewis P., Piktus A., Petroni F., et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems. Proc. 34th Conf. on Neural Information Processing Systems (NEURIPS 2020). 2020;34:9459–9474. EDN: JPMMQE.Васильев И. А., Кушниренко А. Г., Леонов А. Г., Мащенко К. А., Холькина А. А., Шляхов А. В. Цифровая образовательная платформа Мирера — основа цифровой трансформации образовательного процесса. Новые образовательные стратегии в современном информационном пространстве. Сборник научных статей по материалам международной научно-практической конференции. СПб.: ЦНИТ Астерион; 2023:140–144. EDN: AEPIFI.Vasilyev I. A., Kushnirenko A. G., Leonov A. G., Mashchenko K. A., Kholkina A. A., Shlyakhov A. V. Mirera digital educational platform as the basis of digital transformation of the educational process. New Educational Strategies in the Modern Information Space. Collection of Scientific Articles Based on the Materials of the Int. Scientific and Practical Conf. Saint Petersburg, SITC Asterion; 2023:140–144. (In Russian.) EDN: AEPIFI.Yi Liu, Gelei Deng, Yuekang Li, et al. Prompt injection attack against LLM-integrated applications. 2023. DOI: 10.48550/arXiv.2306.05499.Yi Liu, Gelei Deng, Yuekang Li, et al. Prompt injection attack against LLM-integrated applications. 2023. DOI: 10.48550/arXiv.2306.05499.Леонов А. Г., Мартынов Н. С., Мащенко К. А., Паремузов М. С., Пчелин К. К., Шляхов А. В. Области применения больших языковых моделей для цифровых образовательных платформ. Труды НИИСИ. 2025;15(2):9–15. DOI: 10.25682/NIISI.2025.2.0001. EDN: WNMVHS.Leonov A. G., Martynov N. S., Mashchenko K. A., Paremuzov M. S., Pchelin K. K., Shlyakhov A. V. Applications of large language models for digital educational platforms. SRISA Proceedings. 2025;15(2):9–15. (In Russian.) DOI: 10.25682/NIISI.2025.2.0001. EDN: WNMVHS.MacQueen J. Some methods for classification and analysis of multivariate observations. Proc. 5th Berkeley Symposium on Mathematical Statistics and Probability. 1967;5.1:281–297.MacQueen J. Some methods for classification and analysis of multivariate observations. Proc. 5th Berkeley Symposium on Mathematical Statistics and Probability. 1967;5.1:281–297.

The authors declare that there are no conflicts of interest present.