Практика показала, что ИИ-тьютор облегчает освоение учащимися сложных тем и позволяет преподавателям автоматически получать данные о выполнении домашних работ, принимая на себя функцию мониторинга.
В 2023/2024 учебном году ИИ-тьютор применялся в двух пилотных школах образовательной экосистемы «Самолетум» в Московской области: непосредственно в школе «Самолетум» в Строгино и в Инженерно-технологическом лицее в Люберцах. В системе были доступны обучающие курсы по обществознанию для 7, 8 и 9-го классов. В 2024/2025 учебном году учащимся доступен полный курс физики для 7-го класса, который проходит апробацию в других школах.
Учащиеся отметили, что система дает точные определения и объясняет темы понятным и доступным языком, время проработки одной темы занимает в среднем 15 минут. Учителя отметили, что ИИ-тьютор подводит ученика к ответу с помощью вопросов и комментариев. Учащиеся (а особенно их родители) также высоко оценили возможности ИИ-тьютора в подготовке к уроку и помощи в выполнении домашних заданий. Ребенок не стесняется задавать вопросы машине, а слабо успевающий ребенок требует активной позиции репетитора. Так ИИ-тьютор становится необходимым элементом образования там, где учитель не имеет доступа к ребенку.
LLM в современном образовании
В последние годы мы наблюдаем стремительное развитие исследований ИИ-технологий в образовании. LLM демонстрируют высокий потенциал в разработке учебных материалов, автоматизированной оценке знаний и умений учащихся, а также персонализации процесса обучения. Одним из наиболее впечатляющих достижений служит концепция ИИ-тьютора – интеллектуального помощника для учебной среды. Это новый уровень образовательного опыта, сочетающий современные методики обучения с индивидуализированным подходом к каждому ученику.
Создание такого продукта требует не только высокотехнологичных разработок, но и глубокого понимания педагогических методик. Чтобы обеспечить максимальную эффективность и надежность использования LLM в образовании, необходимо создать качественные методы проверки их применимости к разработке конкретных учебных инструментов, в том числе ИИ-тьютора.
Наша команда провела большую работу по тестированию ведущих LLM России и мира. Мы разработали комплексный бенчмарк – набор тестов, нацеленных на проверку уровня понимания естественного языка, способностей к персонализированной поддержке учащихся и генерации качественных, педагогически обоснованных ответов, а также возможности обеспечения безопасного и этичного взаимодействия.
Тестирование проводилось на коммерческих продуктах и открытых решениях. В нем принимали участие модели от OpenAI, Google, Sber, Yandex, Mistral AI, Alibaba Cloud и их производные. Модели от OpenAI зарекомендовали себя как наиболее эффективные, демонстрируя высокий уровень понимания контекста и способность к поддержанию содержательных диалогов, однако они показали слабые результаты в задачах, связанных с обеспечением безопасности генерируемого контента. Модели GeminiPro (Google) и GigaChat-Pro (Sber) также могут рассматриваться для использования в задачах, связанных с разработкой ИИ-тьютора. Внедрение остальных моделей пока возможно только ограниченно из-за низкого качества результатов в ключевых задачах.
В целом результаты тестирования дают положительные предпосылки для активного внедрения LLM в российское образование. Разработки ведущих мировых и российских компаний демонстрируют высокий потенциал, однако требуют дополнительной настройки для соответствия нормативным требованиям и образовательным стандартам. Повышению эффективности применения LLM могут способствовать мультиагентные системы, объединяющие преимущества разных моделей.
Интерес к качественному и системному проектированию обучения привлек внимание специалистов к дизайну образовательного опыта (Learning Experience Design), который расширяет подходы педагогического дизайна и концентрируется на проектировании опыта, образовательной среды и восприятия процесса обучения студентами.
В этой сфере можно выделить несколько ключевых задач: анализ на разных этапах обучения, целеполагание, проектирование структуры и материалов обучения, сопровождение обучения и система оценивания. Важной задачей является создание промтов с учетом проверенных техник промт-инженерии, таксономии Блума и цикла Колба.
Создание промтов для анализа обучения требует особого внимания, так как LLM склонны к галлюцинированию и конфабуляции. Для решения таких задач использовались сервисы, опирающиеся на реальные источники, такие как Нейро и Perplexity. В задачах целеполагания языковые модели успешно справляются с формулировкой образовательных результатов даже при использовании простых промтов.