ORIENTAL UNIVERSITETIQidiruvПоискSearch
Oriental universiteti nashriyotiIlmiy jurnallar platformasiПлатформа научных журналовScholarly journals platform

Toʻliq matnПолный текстFull text

Искусственный интеллект в образовании: адаптивные технологии обучения

Ibragimov Shavkat

Matn PDF dan avtomatik ajratilgan: ekran oʻqiydigan dasturlar, telefon va qidiruv uchun. Rasmiy nusxa — PDF.Текст извлечён из PDF автоматически — для программ чтения с экрана, телефонов и поиска. Официальная версия — PDF.Text was extracted from the PDF automatically for screen readers, phones and search. The PDF remains the version of record.

PDF ni oʻqishЧитать PDFRead the PDF → Nashr kartasiКарточка изданияRecord

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ОБРАЗОВАНИИ: АДАПТИВНЫЕ
ТЕХНОЛОГИИ ОБУЧЕНИЯ

Шавкат Ибрагимов,
Ферганский государственный университет,
доцент кафедры информационные технологии.

shavkat70@bk.ru
https://zenodo.org/records/17341304

Аннотация. В статье рассматриваются современные подходы к
использованию искусственного интеллекта (ИИ) в образовании с фокусом на
адаптивные технологии обучения (adaptive learning). Проведён обзор
теоретических основ, описана методология пилотного исследования с
использованием адаптивной обучающей платформы, представлены результаты
эффекта на успеваемость и вовлечённость, а также сравнительный анализ с
традиционными методами. Результаты показывают статистически значимое
улучшение среднего балла и показателей вовлечённости в группе с адаптивной
системой. Обсуждаются ограничения, этические аспекты и направления
дальнейших исследований.

Ключевые слова: искусственный интеллект, адаптивное обучение,
персонализация, образовательные технологии, интеллектуальные обучающие
системы.

Abstract. This article examines contemporary approaches to the use of artificial
intelligence (AI) in education, focusing on adaptive learning technologies. The paper
provides an overview of the theoretical foundations, describes the methodology of a
pilot study utilizing an adaptive learning platform, and presents the results of its impact
on academic performance and student engagement, as well as a comparative analysis
with traditional methods. The findings demonstrate a statistically significant
improvement in average scores and engagement indicators for the group using the
adaptive system. The article also discusses limitations, ethical considerations, and
directions for future research.

Keywords: artificial intelligence, adaptive learning, personalization,
educational technologies, intelligent tutoring systems.

Введение. Рост доступности вычислительных мощностей и достижение
машинного обучения в последние десятилетия открыли новые возможности для
персонализации образовательного процесса. Адаптивные технологии обучения
(АТО) используют алгоритмы ИИ для динамической подстройки контента,
темпа и сложности задач под текущие потребности обучающегося. Это особенно
важно в массовом образовании и дистанционных курсах, где индивидуальная
поддержка преподавателя ограничена.

Цель исследования заключается в том, чтобы оценить, как использование
адаптивной обучающей системы влияет на учебные результаты студентов и их
вовлечённость в процесс обучения. Для этого в работе планируется подробно
рассмотреть архитектуру системы и объяснить, какие алгоритмы применяются

для адаптации учебного материала под конкретного студента. Затем будет
проведено пилотное исследование на группе студентов бакалавриата, результаты
которого сравнят с данными контрольной группы, обучавшейся традиционным
способом. На основе полученных данных предполагается выявить сильные и
слабые стороны такого подхода, а также сформулировать рекомендации по
дальнейшему развитию и применению адаптивных обучающих систем.

Обзор литературы. Классические исследования показывают, что
персонализация обучения может существенно повышать эффективность (Bloom,
1984). Современные обзоры отмечают, что ИИ-системы (интеллектуальные
обучающие системы, ITS) приближают эффективность к качеству
индивидуального репетиторства при меньших затратах (VanLehn, 2011; Woolf,
2010). Недавние эмпирические исследования подчёркивают положительное
влияние на вовлечённость и удержание знаний (Pane et al., 2015). Однако
остаются вопросы прозрачности алгоритмов, оценки долгосрочной
эффективности и рисков усиления цифрового неравенства.

Методология. Пилотное эмпирическое исследование использовало
рандомизированный контролируемый дизайн (RCT) с двумя группами:
экспериментальная (АТО) и контрольная (традиционный курс с одинаковым
учебным планом). Продолжительность - 10 недель, дисциплина - «Введение в
данные и статистику» для студентов первого курса.

Всего 120 студентов (N=120) - случайная выборка из двух параллелей. 60
человек — группа А (АТО), 60 - группа B (контроль). Возраст 18–21, оба пола,
базовые знания статистики были сопоставимы на предварительном тесте.

Адаптивная платформа: архитектура и алгоритмы. Адаптивная
платформа строится на интеграции нескольких взаимосвязанных компонентов.
В её основе находится модуль профилирования ученика, который оценивает
уровень знаний, стиль обучения и скорость обработки информации. Для
обеспечения гибкости и разнообразия используется контент-хранилище,
включающее учебные модули различной сложности, а также мультимедийные
материалы. Центральным элементом выступает модуль адаптации,
реализующий гибридный подход: сочетание порогово-правиловой логики и
модели машинного обучения LightGBM, которая прогнозирует вероятность
правильного ответа и определяет дальнейший шаг — переход к более сложным
заданиям или предоставление ремедиации. Дополняет систему механизм
рекомендаций упражнений, который помогает приоритизировать задания в
соответствии с выявленными областями слабости ученика. Завершающим
компонентом является подсистема логирования и аналитики, фиксирующая
время выполнения заданий, количество попыток и использование подсказок, что
позволяет проводить детальный анализ процесса обучения и повышать его
эффективность.

Принцип работы: после начального диагностического теста система строит
начальный профиль. При каждом взаимодействии алгоритм обновляет оценку
мастерства по предметным компетенциям (на основе модели многотекивного
отклика - простая реализация Item Response Theory-подхода + ML).

Контент и программа одинаковы для обеих групп; различие только в

механизме подачи: статичная последовательность уроков (контроль) против

динамически подбираемых модулей (АТО). Оценивание: промежуточные тесты

(через каждые 2 недели), итоговый тест и анкета вовлечённости (UG Engagement

Scale).

Метрики и статистический анализ. Основными метриками исследования

выступают академическая успеваемость, выраженная через средний балл по

итоговому тесту в диапазоне от 0 до 100, а также улучшение знаний, измеряемое

как прирост от предварительного к итоговому тесту. Дополнительно

учитывается вовлечённость студентов, которая определяется с помощью шкалы

самооценки по системе Лайкерта от 1 до 5. В качестве поведенческих

показателей рассматриваются время, затраченное на выполнение задания,

количество попыток и процент завершённых модулей. Для статистического

анализа используются t-тест для независимых выборок с целью сравнения

средних значений, а также анализ ковариации (ANCOVA) с контролем

предварительного теста. Дополнительно рассчитывается размер эффекта с

помощью коэффициента Cohenʼs d. Уровень значимости устанавливается на

уровне α = 0,05.

Результаты

Агрегированные результаты пилотного исследования.

Основные результаты успеваемости

Средний Прирост

Группа N итоговый балл SD (M, итог -

(M) предварит.)

Адаптивная 60 82.4 7.5 +18.2
(АТО)

Контроль 60 75.1 9.1 +10.3

t-тест: t(118)=4.78, p<0.001, Cohenʼs d = 0.87 (большой эффект). ANCOVA с
контролем предварительного теста подтвердил значимое влияние интервенции
(p<0.001).

Анализ показал, что студенты, обучавшиеся с использованием адаптивной
системы, демонстрировали более высокий уровень вовлечённости: средний балл

по шкале Лайкерта составил 4,1 против 3,5 в контрольной группе, при этом
различие оказалось статистически значимым. Они тратили в среднем на 12%
меньше времени на выполнение заданий при сопоставимом результате и
завершали больше модулей — 92% против 78%. В отзывах студенты отмечали
ясную обратную связь, отсутствие скуки и ощущение прогресса, а преподаватели
заметили сокращение числа типичных вопросов по пропущенным темам, но при
этом подчеркнули необходимость освоения новых навыков работы с аналитикой
платформы.

Обсуждение. Результаты показывают, что адаптивная обучающая система
способна заметно повысить академические достижения и вовлечённость
студентов по сравнению с традиционной подачей материала. Высокая
практическая значимость подтверждается крупным эффектом (d≈0.87).
Адаптация работает благодаря точной адресной ремедиации: система выявляет
пробелы в знаниях и направляет студента именно туда, где требуется доработка,
предлагая задания на границе зоны ближайшего развития. Такой подход
стимулирует процесс обучения, а персонализированные рекомендации
усиливают мотивацию, повышая чувство контроля и уверенность в успехе.

В то же время исследование имеет ограничения: оно проводилось только в
одной дисциплине и в рамках одного вуза, а его длительность составила всего
десять недель, что не позволяет судить о долгосрочном сохранении знаний.
Дополнительно стоит учитывать, что использовался гибридный алгоритм, и
вклад отдельных его компонентов пока не выделен. Существует и риск
цифрового неравенства, когда студенты с ограниченным доступом к интернету
сталкиваются с дополнительными трудностями.

Этические и организационные аспекты также играют важную роль: для
успешной интеграции системы необходима прозрачность алгоритмов и
объяснимость рекомендаций, защита персональных данных, а также подготовка
преподавателей к работе с аналитикой платформы. Практически это означает
необходимость расширенного пилотирования в разных дисциплинах, обучения
преподавателей, интеграции системы как вспомогательного инструмента, а
также постоянного мониторинга и корректировки контента, чтобы избежать
смещения оценки знаний.

Заключение. Адаптивные технологии обучения на базе ИИ демонстрируют
значительный потенциал для повышения качества и эффективности учебного
процесса. Пилотное исследование подтвердило улучшение академических
результатов и вовлечённости студентов при использовании гибридной
адаптивной платформы. Для масштабирования необходимы длительные
исследования, внимание к этике данных и подготовка преподавателей.
Адаптивные системы — мощный инструмент в арсенале современной
образовательной практики, если их внедрять ответственно и системно.

ЛИТЕРАТУРA
1. Bloom B. S. The 2 Sigma Problem: The Search for Methods of Group
Instruction as Effective as One-to-One Tutoring // Educational Researcher. - 1984. -
Т. 13, № 6. - С. 4-16.

2. VanLehn K. The relative effectiveness of human tutoring, intelligent tutoring
systems, and other tutoring systems // Educational Psychologist. - 2011. - Т. 46, № 4.
- С. 197-221.

3. Woolf B. P. Building Intelligent Interactive Tutors: Student-centered strategies
for revolutionizing e-learning. - Burlington: Morgan Kaufmann, 2010. - 498 с.

4. Pane J. F., Steiner E. D., Baird M. D., Hamilton L. S. Continued progress:
Promising evidence on personalized learning. - Santa Monica: RAND Corporation,
2015. - 280 с.

5. Shute V. J., Zapata-Rivera D. Adaptive educational systems // Peterson P.,
Baker E., McGaw B. (ред.). International Encyclopedia of Education. - 3-е изд. -
Amsterdam: Elsevier, 2012. - С. 3-10.

6. Kardan A., Conati C. Predicting studentsʼ learning outcomes from their
interaction with an intelligent tutoring system // Proceedings of the 2013 International
Conference on Educational Data Mining. - 2013. - С. 65-72.