Интеграция нейросетевого ассистента обучающихся по программированию в цифровую образовательную платформу

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.

1. 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.

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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17. 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.

18. Yi Liu, Gelei Deng, Yuekang Li, et al. Prompt injection attack against LLM-integrated applications. 2023. DOI: 10.48550/arXiv.2306.05499.

19. 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.

20. 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.