Формирование конвергентной производственно-научно-образовательной экосистемы с применением технологии генеративного искусственного интеллекта

Статья посвящена разработке концепции производственно-научно-образовательной экосистемы нового поколения, интегрированной с технологиями генеративного искусственного интеллекта и ориентированной на устойчивое управление компетенциями специалистов. Цель исследования заключается в создании эффективного механизма координации взаимодействия университетов, промышленности и государства в условиях ускоренной трансформации технологических требований и запросов рынка труда.
Экосистема рассматривается как трехконтурная система: научно-образовательный контур объединяет вузы, кафедры, лаборатории и преподавательский состав; производственный контур включает предприятия-партнеры, реальные промышленные проекты и их цифровые двойники; цифровой контур формирует технологическую основу, включающую генеративный ИИ, базы данных компетенций, аналитические сервисы и VR/AR-тренажеры. Такой подход может обеспечить интеграцию ресурсов и гибкую адаптацию образовательных процессов под потребности производства.
Для формализации динамики экосистемы рассмотрена математическая модель. Она отражает изменения ресурсного потенциала, образовательных затрат и потоков подготовки специалистов с учетом материальных, цифровых, кадровых и интеллектуальных ресурсов. Модель позволяет формализовывать процессы управления и обосновывать решения на основе данных.
Особое внимание уделено обработке и интерпретации данных в конвергентной среде. Генеративный ИИ используется как инструмент анализа неструктурированной информации из профессиональных стандартов, учебных планов, производственных процессов и цифровых двойников. Система обратной связи обеспечивает автоматическую настройку образовательного контента в соответствии с актуальными требованиями отрасли.
Практическая значимость исследования заключается в разработке механизма преодоления традиционных барьеров между образованием, наукой и производством посредством интеллектуальной автоматизации управления компетенциями. Реализация концепции способствует модернизации высокотехнологичных секторов национальной экономики и формированию устойчивой системы подготовки специалистов.

1. Crompton H., Burke D. Artificial intelligence in higher education: The state of the field. International Journal of Educational Technology in Higher Education. 2023;20:22. DOI: 10.1186/s41239-023-00392-8.

2. Bond M., Khorasavi H., De Laat M., Bergdahl N., Negrea V., Oxley E., Chong S. W., Siemens G. A meta systematic review of artificial intelligence in higher education: A call for increased ethics, collaboration, and rigour. International Journal of Educational Technology in Higher Education. 2024;21:4. DOI: 10.1186/s41239-023-00436-z.

3. Almaiah M. A., Alfaisal R., Salloum S. A., Hajjej F., Shishakly R., Lutfi A., Alrawad M., Al Mulhem A., Alkhdour T., Al-Maroof R. S. Measuring institutions’ adoption of artificial intelligence applications in online learning environments: Integrating the innovation diffusion theory with technology adoption rate. Electronics. 2022;11(20):3291. DOI: 10.3390/electronics11203291.

4. Ratten V., Jones P. Generative artificial intelligence (ChatGPT): Implications for management educators. The International Journal of Management Education. 2023;21(3):100857. DOI: 10.1016/j.ijme.2023.100857.

5. Dwivedi Y. K., Kshetri N., Hughes L. et al. Opinion paper: “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management. 2023;71:102642. DOI: 10.1016/j.ijinfomgt.2023.102642.

6. Duong C. D., Vu T. N., Ngo T. V. N. Applying a modified technology acceptance model to explain higher education students’ usage of ChatGPT: A serial multiple mediation model with knowledge sharing as a moderator. The International Journal of Management Education. 2023;21(3):100883. DOI: 10.1016/j.ijme.2023.100883.

7. Шобонов Н. А., Булаева М. Н., Зиновьева С. А. Искусственный интеллект в образовании. Проблемы современного педагогического образования. 2023;(79-4):288–290. EDN: IPRJAG.

8. Al-Qaysi N., Al-Emran M., Al-Sharafi M. A., Yaseen Z. M., Mahmoud M. A., Ahmad A. Generative AI and educational sustainability: Examining the role of knowledge management factors and AI attributes using a deep learning-based hybrid SEM-ANN approach. Computer Standards & Interfaces. 2025;93:103964. DOI: 10.1016/j.csi.2024.103964.

9. Jafari F., Keykha A. Identifying the opportunities and challenges of artificial intelligence in higher education: A qualitative study. Journal of Applied Research in Higher Education. 2024;16(4):1228–1245. DOI: 10.1108/JARHE-09-2023-0426.

10. Григорьев С. Г. Искусственный интеллект в образовании. Проблемы подготовки учителей математики, информатики и предметов естественнонаучного цикла. Сборник статей участников Международной научно-методической конференции. Н.Новгород: Национальный исследовательский Нижегородский государственный университет им. Н. И. Лобачевского; 2024:16–19. EDN: JYBDUK.

11. Hua Y., Niu S., Cai J., Chilton L. B., Heuer H., Wohn D. Y. Generative AI in user-generated content. In: Extended Abstracts of the CHI Conf. on Human Factors in Computing Systems (CHI EA ‘24). NYC, Association for Computing Machinery; 2024;(471):1–7. DOI: 10.1145/3613905.3636315.

12. Сабитов Р. А., Смирнова Г.С., Елизарова Н.Ю., Сабитов Ш. Р., Епонешников А.В., Григорьев И.С. Концепция трансформации образования в цифровой экосистеме территориального производственного кластера. Информатика и образование. 2022;37(6):5–11. DOI: 10.32517/0234-0453-2022-37-6-5-11. EDN: PCQODC.

13. Дежина И. Г. Государственная политика по развитию науки в российских вузах: уроки 90-х. Высшее образование в России. 2023;32(10):76–90. DOI: 10.31992/0869-3617-2023-32-10-76-90. EDN: DSZRED.

14. Лернер И. М., Мариносян А. Х., Григорьев С. Г., Юсупов А. Р., Аникьева М. А., Гарифуллина Г. А. Подход к формированию интеллектуальной академической генеалогии с использованием больших языковых моделей. Электромагнитные волны и электронные системы. 2024;29(4):108–120. DOI: 10.18127/j15604128-202404-09. EDN: BSNYZW.

15. Григорьев С. Г., Лернер И. М., Мариносян А. Х., Арутюнова Н. К., Григорьева М. А. К вопросу подбора учебно-методической информации для реализации адаптивной электронной образовательной среды: алгоритм априорной классификации авторов. Информатика и образование. 2025;40(2):66–78. DOI: 10.32517/0234-0453-2025-40-2-66-78. EDN: YDTFTG.

16. Смирнова Г. С., Сабитов Р. А., Сабитов Ш. Р., Епонешников Ал. В., Елизарова Н. Ю., Епонешников Ан. В. Цифровые двойники как инструмент устойчивого развития. Международный форум KAZAN DIGITAL WEEK – 2023. Сборник материалов. Казань: ГБУ «НЦБЖД»; 2023:72–79. EDN: HBHMFZ.

17. Ключарев Г. А., Чурсина А. В. Наукоемкие производства для инновационной экономики: мнения экспертов. Вестник Российского университета дружбы народов. Серия: Социология. 2021;21(1):68–83. DOI: 10.22363/2313-2272-2021-21-1-68-83. EDN: GQDDLS.

18. Усманов Д. Р., Сиразетдинов Р. Т. Математическое моделирование развития предприятия, как сложной системы. Международная молодежная научная конференция «XXI туполевские чтения (школа молодых ученых)». Казань: КНИТУ-КАИ; 2013:414–415. EDN: TOYPEN.

19. Сиразетдинов Т. К. Динамическое моделирование экономических объектов. Казань: Фэн; 1996. 222 с.

20. Сиразетдинов Р. Т. Моделирование устойчивого развития предприятия. Аналитическая механика, устойчивость и управление. Труды XI Международной Четаевской конференции, посвященной 115-летию со дня рождения Н.Г. Четаева и памяти академика АН РТ Т.К.Сиразетдинова. Т. 4. Казань: КНИТУ-КАИ; 2017:192–200. EDN: YSLDCP.