Разработка и интеграция AI-ассистента в систему управления обучением

Продолжающаяся цифровизация образования требует новых способов представления информации и механизмов удержания внимания. Цель представленной работы – предложить решение на основе большой языковой модели, которая будет интерактивно генерировать подсказки различных типов в рамках электронного учебного курса по программированию. Основными подходами являются анализ существующих относительно небольших языковых моделей, TOPSIS-анализ (методика определения порядка предпочтения по сходству с идеальным решением), прототипирование и интеграция предлагаемого программного решения с образовательной системой вуза. В результате представлен сервис, который может быть интегрирован в системы управления обучением. В статье также представлены результаты тестирования моделей, которые легли в основу представленного решения.

1. M. A. Razafinirina, W. G. Dimbisoa, and T. Mahatody, “Pedagogical alignment of large language models (llm) for personalized learning: a survey, trends and challenges,” Journal of Intelligent Learning Systems and Applications, vol. 16, pp. 448–480, 2024.

2. R. E. Wang, A. T. Ribeiro, C. D. Robinson, S. Loeb, and D. Demszky, “Tutor copilot: a human-ai approach for scaling real-time expertise,” arXiv preprint arXiv:2410.03017, 2024.

3. T. Phung et al., “Automating human tutor-style programming feedback: leveraging gpt-4 tutor model for hint generation and gpt-3.5 student model for hint validation,” in Proceedings of the 14th Learning Analytics and Knowledge Conference, 2024, pp. 12–23.

4. L. Roest, H. Keuning, and J. Jeuring, “Next-step hint generation for introductory programming using large language models,” in ACE ’24: Proceedings of the 26th Australasian Computing Education Conference, 2024, pp. 144–153.

5. Data for article: prompts and answers. (Online). Доступно по ссылке: https://github.com/sage-hse/data_for_article

6. M. AI, “Llama 3 technical report,” https://ai.meta.com/llama/, 2024, accessed: 2025-04-10.

7. M. Riviere, S. Pathak, P. G. Sessa, and et al., “Gemma 2: Improving open language models at a practical size,” arXiv preprint arXiv:2408.00118, 2024. (Online). Доступно по ссылке: https://arxiv.org/abs/2408.00118

8. A. Yang, B. Yang, B. Cao, and et al., “Qwen2: Scaling up and distilling down open multilingual language models,” arXiv preprint arXiv:2403.16473, 2024. (Online). Доступно по ссылке: https://arxiv.org/abs/2403.16473

9. E. Roszkowska, “Multi-criteria decision-making models by applying the topsis method to crisp and interval data,” in Multiple Criteria Decision Making. Springer International Publishing, 2011, pp. 7–11.