Б.С. Ксемидов1, К.К. Абгарян2

1 АО «НИИ ТП» (Москва, Россия)
2 Федеральный исследовательский центр «Информатика и управление» Российской академии наук (Москва, Россия)
1 sokboriswork@yandex.com, 2 kristal83@mail.ru

Постановка проблемы. В эпоху стремительных технологических изменений, адаптация к потребностям каждого ученика становится не просто желательной, а необходимой. Для автоматизации данного процесса разрабатываются интеллектуальные обучающие системы, способные предоставлять персонализированный контент и мгновенную обратную связь – создавая условия для максимального раскрытия потенциала каждого обучающегося.

Цель. Разработка современной адаптивной интеллектуальной системы, использующей передовые методы машинного обучения для значительной автоматизации задач преподавателя. Существующие системы обучения имеют ряд ограничений, включая необходимость ручного создания учебных материалов в заданном формате, что требует значительных временных затрат. Кроме того, их сосредоточенность на оценке знаний для корректировки учебного плана подразумевает создание практических заданий, что также является трудоемким процессом.

Результаты. Предлагаемая система представляет инновационный подход, стремящийся снизить трудоемкость работы преподавателя посредством использования технологий машинного обучения, в частности языковых моделей; ключевой элемент – автоматизация создания видео- и текстового учебного материала, что позволит повысить эффективность подготовки курсов. Разработана интеллектуальная обучающая система, включающая в себя онтологическую модель предметной области для курса программирования и анализа данных, а также модель процесса образования и контроля знаний, основанную на бинарной оверлейной модели.

Практическая значимость. Интеллектуальная обучающая система, благодаря своей гибкости и автоматизации, может значительно улучшить качество и эффективность образовательного процесса, открывая новые возможности для преподавателей и студентов. Планируется адаптация системы для других курсов технического направления и ее интеграция в образовательный процесс. Дальнейшие исследования будут направлены на расширение функциональности и интеграцию с другими образовательными платформами, обеспечивая максимально комфортную и эффективную среду обучения.

Ксемидов Б.С., Абгарян К.К. Автоматизированная подготовка образовательного материала в интеллектуальной обучающей системе // Системы высокой доступности. 2025. Т. 21. № 2. С. 56−65. DOI: https://doi.org/ 10.18127/j20729472-202502-05

1. Алешева Л.Н. Интеллектуальные обучающие системы // Вестник ГУУ. 2018. № 1. URL: https://cyberleninka.ru/article/n/ intellektualnye-obuchayuschie-sistemy (дата обращения: 03.06.2023).
2. Alkhatlan A., Kalita J. Intelligent tutoring systems: A comprehensive historical survey with recent developments // arXiv preprint arXiv:1812.09628. 2018.
3. Mousavinasab E. et al. Intelligent tutoring systems: a systematic review of characteristics, applications, and evaluation methods // Interactive Learning Environments. 2021. Т. 29. № 1. С. 142–163.
4. Карпенко А.П., Добряков А.А. Модельное обеспечение автоматизированных обучающих систем. Обзор // Машиностроение и компьютерные технологии. 2011. № 7. С. 12.
5. Protege [Электронный ресурс]. URL: https://protege.stanford.edu/ (дата обращения: 10.04.2025).
6. TopBraid Composer [Электронный ресурс]. URL: https://topbraidcomposer.org/html/ (дата обращения: 10.04.2025).
7. Kitson N.K. et al. A survey of Bayesian Network structure learning // Artificial Intelligence Review. 2023. Т. 56. № 8. С. 8721–8814.
8. Briganti G., Scutari M., McNally R.J. A tutorial on bayesian networks for psychopathology researchers // Psychological methods. 2023. Т. 28. № 4. С. 947.
9. Кудрявцев В.Б. и др. Моделирование процесса обучения // Интеллектуальные системы. 2006. Т. 10. № 1-4. С. 189–270.
10. Gao Y. et al. Retrieval-augmented generation for large language models: A survey // arXiv preprint arXiv:2312.10997. 2023. Т. 2.
11. Zhao P. et al. Retrieval-augmented generation for ai-generated content: A survey // arXiv preprint arXiv:2402.19473. 2024.
12. Peng B. et al. Graph retrieval-augmented generation: A survey // arXiv preprint arXiv:2408.08921. 2024.