Генеративные нейронные сети в педагогической практике обучения бакалавров математических направлений

Развитие информационно-коммуникационных технологий диктует темпы трансформации современного общества, в том числе и сферы образования. Массовое внедрение цифровых технологий изменяет не только формы обучения, но и трансформирует педагогические функции учителя [1, с. 11]. Технологии цифровизации учебного материала, технологии поиска и агрегирования информации, компьютерные формы хранения и обработки данных, дистанционные технологии нашли свое применение в учебном процессе. Однако технологии искусственного интеллекта позволяют вывести образование на новый качественный уровень. И если ранее машинное обучение и искусственный интеллект являлись областью знаний IT-специалистов, то сейчас эти технологии доступны каждому, без дополнительных компьютерных навыков.

Технологии искусственного интеллекта обладают широкими возможностями, позволяющими, прежде всего, обеспечить качество и экономию человеческих ресурсов. Исследования российских ученых показывают, что применение искусственного интеллекта способно положительно влиять на сферу подготовки кадров, эффективность управленческих функций, интенсификацию рынка труда и качество образования [2, с. 26]. Машинное обучение и искусственный интеллект решают следующие задачи, применение результатов которых возможно в образовании: классификация, категоризация, распознавание, прогнозирование данных, генерация текстов и изображений. Многочисленные исследования в области цифровизации образования демонстрируют применение нейронных сетей для индивидуализации обучения, использование рекомендательных систем для адаптации учебного контента к нуждам обучаемого, разработку чат-ботов, организующих тестирование знаний.

Предметом данного исследования являются генеративные нейронные сети (ГНС) – инструмент искусственного интеллекта, позволяющий создавать тексты и изображения. Их широкие возможности позволят не только обеспечить цифровизацию учебного материала, но решить задачи организации самостоятельного обучения, построения индивидуальных траекторий образования. Цель исследования заключается в поиске путей применения генеративных нейронных сетей для решения педагогических задач при обучении студентов вуза. Однако необходимо понимать, что искусственный интеллект, несмотря на его огромные возможности, не может полностью заменить преподавателя, а, следовательно, каждое направление применения ГНС должно сопровождаться некоторым ограничением. Выявленный вектор применения генеративных нейронных сетей следует дополнить практической апробацией.

Выделим задачи исследования: определение преимуществ и недостатков ГНС; выявление путей применения технологии генеративных нейросетей в образовании; разработка практического кейса использования ГНС при обучении бакалавров математических направлений; апробация предложенного кейса.

Структура практического кейса применения ГНС легко адаптируема к различным дисциплинам естественно-научного цикла.

Обзор литературы

Современные исследователи уделяют большое внимание проблеме использования искусственного интеллекта в образовании [3, с. 6; 4, с. 65; 5, с. 311; 6, с. 162; 7, с. 590; 8, с. 100; 9, с. 340; 10, с. 178].

И.О. Котлярова рассматривает вопросы межличностных отношений в разрезе применения искусственного интеллекта, нормативно-правовые основы его использования в образовании, указывает основные направления применения таких технологий. По мнению автора, машинное обучение качественно выполняет задачи научных разработок, подготовки педагогов, управления образованием, организации внеучебной деятельности студентов, повышения качества жизнедеятельности студентов и образования в целом [11, с. 70]. Однако отмечаются противоречия в этических и аксиологических аспектах применения искусственного интеллекта.

Связь между бурным развитием информационных технологий и трансформацией личности современного человека отмечает в своих исследованиях Н.И. Рыжова [12, с. 14-15]. Указывается актуальность поиска развития содержания обучения технологиям искусственного интеллекта в рамках школьной программы на уроках информатики. Автор выделяет ряд технологий, включение которых в образовательные программы повысит качество образования: дополненная и виртуальная реальность, 3D-печать, технология интернет-вещей, обращает внимание на этические проблемы искусственного интеллекта и подходы к их решению, зафиксированные в Кодексе этики искусственного интеллекта РФ, предложенного 26 октября 2021 года при поддержке Правительства РФ1.

Расширение цифровых функций учителя информатики раскрыты в научных работах Л.Л. Босовой. Автор аргументирует необходимость включения в школьный курс информатики таких разделов, как робототехника, облачные хранилища и технологии, мобильные технологии, информационная безопасность, виртуальная и дополненная реальность, обработка и интеллектуальный анализ данных. Приводятся основные аспекты деятельности учителя информатики на этапах цифровой трансформации образования [13, с. 12]. В современных условиях учитель информатики является лидером компьютерных знаний в школе, выполняет функции координатора познавательной деятельности, помогает школьникам в дальнейшем самоопределении [13, с. 14]. Непрерывное совершенствование собственных знаний – одна из ключевых задач учителя информатики новой школы.

Особое внимание современные исследования уделяют искусственному интеллекту. Так в работе Е.В. Вовк выделяются направления применения технологий искусственного интеллекта при обучении в вузе [14, с. 111]. Делается акцент на прокторинг – инструмент мониторинга поведения обучаемого во время экзамена. Технологии машинного зрения, системы распознавания образов отлично решают эту проблему и позволяют эффективно проводить процедуры оценивания знаний дистанционно.

Часть исследований в области искусственного интеллекта посвящена узкой специализации – генеративным нейронным сетям [5, с. 309; 8, с.110; 10, с. 179, 15, с. 57]. Работа И.О. Малышева содержит классификацию ГНС, как российских, так и зарубежных. Автор выявляет исторические предпосылки появления этой технологии, определяет специфику и функционал нейронных сетей, приводит собственную классификацию [16, с. 169], используя которую можно отбирать ГНС для решения конкретной задачи.

Исследование Д.А. Мельниковой подтверждает возможности нейронных сетей генерировать качественные изображения и тексты, однако указывается на невозможность полной замены творческой составляющей на данном этапе развития искусственного интеллекта. Отмечается необходимость гармоничного соче- тания творческих навыков человека и генеративных возможностей нейронных сетей [17, с. 44-45].

Потенциал генерации изображений в рамках образовательного процесса отмечается А.Е. Самариной. Автор выявляет уровень готовности студентов вуза к использованию ГНС для генерации визуального учебного контента, обосновывает необходимость такой работы, делает вывод о значительном педагогическом потенциале ГНС [18, с. 162, 168]. На основе опроса студентов определено, что нейронные сети используются в качестве генератора идей для учебной деятельности студентов, что, по мнению авторов, является зоной риска. Предлагается вариант предотвращения риска – использование соревновательного подхода идей студента и нейронной сети. Предложенный подход к обучению студентов интерфейсу с помощью генерации изображений является практическим вкладом авторов.

На основе анализа научных источников в области использования искусственного интеллекта, в частности генеративных нейронных сетей, в образовании, можно сделать вывод, что технологии ГНС обладают огромным педагогическим потенциалом и могут являться незаменимым помощником для педагога, беря на себя рутинные функции и освобождая педагога для творческой и воспитательной деятельности.

Материалы и методы

Выделим основные направления применения генеративных нейронных сетей при обучении бакалавров математических направлений (рис. 1).

	1 Генерация разноуровневых учебных задач

Конструирование адаптивных тестов

Автоматическая проверка заданий

	-- Анализ ошибок и направления их исправления

1	Подготовка планов занятий

	Визуализация математических концепций и алгоритмов

	Генерация тематик курсовых и ВКР

	-- Автоматизированный анализ данных

Рисунок 1 – Направления применения ГНС. Составлено автором

Figure 1 – Directions of GNS application. Compiled by the author

Генерация учебных материалов. Качественное обучение базируется на принципе индивидуализации, педагогу необходимо иметь наборы разноуровневых однотипных учебных задач. Так, например, дисциплина «Основы программирования» на факультете компьютерных технологий и прикладной математики КубГУ предполагает решение задач для учебной группы в аудитории, задачи для самостоятельного решения для группы, индивидуальные задания для каждого студента, варианты контрольных работ, задачи для коллоквиума, задачи для зачета, учебные задачи для экзамена. Причем желательно на контрольной работе и зачете иметь в распоряжении хотя бы два варианта. Более того, банк учебных задач желательно обновлять ежегодно, для актуализации учебного процесса и предотвращения списывания. Таким образом, количество задач, которые должен составить педагог, огромно. К решению этой проблемы нами привлечена генеративная нейронная сеть YandexGPT3. Нами предложен формат запроса по конструированию набора учебных задач:

• – кортеж запроса, где a1, a2, a3, a4 – основные элементы предложения запроса к ГНС. Здесь a1 – количество задач в наборе, a2 – количество уровней сложности, a3 – тема, a4 – язык программирования, который следует использовать для решения задач.

Пример заполненного кортежа и результат работы нейронной сети YandexGPT3 приведен на рис. 2.

fl редпож и 10 зада ч трех у ровней сложност и по тем е "Одном ерные масси в ы" яз ы к про г оа мм иров а ния C++

Задачи по теме «Одномерные массивы» для языка программирования C++

Уровень 1

• ■    Дан массив из N элементов. Найти сумму всех элементов массива.

• ■    Зада и массив из N чисел. Вывести на экра н все элеме нты масси в а, кото рые больше с ред него арифметического значения всех эл ементов.

• ■    В заданном одном ер ном массиверазмерн остью N поменять места ми пер вый и последний элементы.

Уровень 2

• ■    Даны два масе ива А и В один а новой длины N. Получить новый масе ив С. каждый элемент которого равен сумме соответствующих элементов массивов А и В.

• ■    Дан одноме рн ы й массив из N цел ых ч исел. Отсорти ров ать его по возрастанию.

• ■    Дан целочисл енный массив размера N. Назовём серией группу подряд идущих одина новых элементов, а длиной серии — количество этих элементов (дли на сери и м ожет быть ра в на 1). Е ы вести массив, соде ржа щ и й дл и н ы всех сери й исходного массива. Например, для массива из 6 элементов, равных соответственно а[0] = 2, а[1] = 3, а[2] = 4. а[3] = 5, а[4] = 5, а[5] = б, ответ должен содержать числа 1, 2, 1, 3.

Рисунок 2 – Запрос к ГНС. Составлено автором

Figure 2 – Request to the GNW. Compiled by the author

Специфика учебных задач естественно-научных направлений подготовки такова, что для понимания уровня усвоения учебной темы преподавателю необходимо видеть ход решения задачи, а не только верный ответ. Так, например, задачи по программированию в первую очередь проверяются по алгоритму решения, а не только по верности полученного ответа. Необходимо научить первокурсника технике алгоритмизации, правильному и эффективному применению конструкций языка программирования, умению эффективно выбирать структуры данных и использовать ресурсы операционной системы.

В ситуации применения для конструирования наборов учебных задач генеративной нейронной сети мы ставим перед преподавателем проблему проверки решений уникальных задач. Однако ГНС может не только сформулировать условие учебной задачи, но и предложить один из вариантов ее решения. Предложим кортеж запроса:

• < b1, b2, b3>, где b1 – условие учебной задачи, b2 – язык программирования, который следует использовать для решения задач, b3 – особенности решения (например, используемые основные конструкции языка).

Пример запроса на основе кортежа может быть следующим.

Предложи решение задачи "Дан массив из N элементов. Найти сумму всех элементов массива" на языке программирования С++: 1) с использованием цикла for, 2) c использованием цикла while.

Результаты работы ГНС YandexGPT3 приведен на рис. 3 и рис. 4.

Рисунок 3 – Решение ГНС с циклом for. Составлено автором

Figure 3 – GNW solution with a for loop. Compiled by the author

Рисунок 4 – Решение ГНС с циклом while. Составлено автором

Figure 4 – GNW solution with a while loop. Compiled by the author

Несмотря на отличные результаты работы генеративной нейронной сети, очевидно, что преподаватель должен не только грамотно классифицировать учебные задачи по различным критериям, например уровням сложности, но и знать особенности вариантов решения той или иной базовой учебной задачи. В этом случае ГНС помогает распространить опыт и знания педагога на большое число учебных задач, тем самым индивидуализируя обучение.

Анализ ошибок и направления к их исправлению. Дополнительно можно использовать генеративные нейронные сети для проверки ответов на теоретические вопросы. ГНС не только определит ошибки в ответе, но и укажет направления по дополнительному изучению учебного материала. Приведем пример такого запроса: «Укажи ошибки в ответе и направления по изучению учебного материала на эту тему: "Стек — это логическая структура данных. Под стек выделяется динамическая память, принцип работы: если элемент пришел раньше, он и раньше обработан. Для реализации стека можно использовать массив"». Результат работы ГНС YandexGPT3 приведен на рис. 5.

Рисунок 5 – Анализ ответа. Составлено автором

Figure 5 – Analysis of the response. Compiled by the author

Генеративная нейронная сеть привела список неточностей и соответствующие верные определения. На основе этой информации педагог может вынести решение об оценивании работы студента.

Помощь в подготовке лекций и лабораторных работ. Современные лекции включают большое количество визуализированных учебных материалов. Однако не всегда преподаватель может найти готовые изображения. С помощью ГНС можно построить любую схему или график. Например, для дисциплины «Основы программирования» можно построить запрос «Отобрази схематично алгоритм сортировки массива методом выбора с обменом». ГНС поможет визуализировать различные математические концепции и алгоритмы.

Существенную помощь может оказать ГНС при поиске информации, в этом случае преподаватель может указать искомые данные по аналогии с поиском информации в браузере. Но ГНС в отличие от браузера, который только выдает список веб-страниц по релевантности, способна объединить данные в единое целое и структурировать этот текст. Пример подобного запроса может быть таким: «Раскрой учебный материал на тему "Представление целых чисел в памяти компьютера", необходим теоретический материал и примеры». Результат работы ГНС YandexGPT3 приведен на рис. 6.

Рисунок 6 – Генерация теоретического материала ГНС. Составлено автором Figure 6 – Generation of theoretical GNW material. Compiled by the author

При подготовке лабораторных работ и семинаров педагогу необходим план учебного занятия. В связи с постоянно развивающимися технологиями многие дисциплины на факультете компьютерных технологий и прикладной математики обновляются практически ежегодно, а фундаментальные дисциплины актуализируются, опираясь на новые инструменты представления учебного материала и обработки данных. Ежегодному составлению планов учебных занятий поможет ГНС. Составим запрос: «Составь план учебного занятия со студентами 1-го курса по дисциплине "Основы программирования" на тему "Одномерные массивы. С++", план должен включать наборы учебных задач в аудитории и для самостоятельной работы».

Кортеж запроса следующий: <с1, с2, с3, с4, с5>, где с1 – курс обучаемых или семестр, с2 – название дисциплины, с3 – тема лабораторного занятия, с4 – язык программирования, который следует использовать для решения задач, с5 – компоненты плана (например, наборы учебных задач в аудитории и для самостоятельной работы).

Результат работы ГНС YandexGPT3 приведен ниже (рис. 7).

Рисунок 7 – Генерация плана занятия. Составлено автором

Figure 7 – Generation of the lesson plan. Compiled by the author

Генерация направлений курсовых и выпускных квалификационных работ. Преподавателю необходимо предлагать тематику курсовых и дипломных работ обучаемым. В этом случае генеративная нейронная сеть может предложить свои варианты, опираясь на которые педагог сможет сформулировать темы исследований студентов (рис. 8).

Предложи темы курсовых работе применением веб-технологий

Вот несколько тем курсовых работ с применением веб-технологии:

• 1.    Разработка веб-приложения для автоматизации работы отдела продаж. Приложение может включать в себя функции управления контактами, планирования встреч, отслеживания сделок и анализа эффективности продаж.

• 2.    Создание платформы для онлайн-обучения с использованием искусственного интеллекта. Платформа может предоставлять персонализированные уроки и задания, адаптированные под индивидуальные потребности каждого ученика.

• 3.    Проектирование системы управления контентом (CMS) для малого бизнеса. Система может быть использована для создания и редактирования веб-сайтов без необходимости знания языков программирования.

• 4.    Разработка мобильного приложения для заказа товаров из интернет-магазина. Приложение должно обеспечивать удобный интерфейс для поиска товаров, оформления заказов, и оплаты покупок.

Рисунок 8 – Тематики курсовых работ. Составлено автором Figure 8 – Topics of term papers. Compiled by the author

В запросе желательно сузить предметную область и при необходимости указать навыки студентов. Например, запрос может быть следующим: «Предложи темы курсовых работ с использованием технологии парсинга для студентов, обладающих навыками программирования на Python».

Тогда кортеж запроса может быть следующим:

1 , d 2 , d 3 , d 4 >, где d 1 – курс обучаемых или семестр, d 2 – используемые в исследовании технологии, d 3 – личные навыки обучаемого, d 4 – язык программирования, который следует использовать для выполнения работы.

Перечисленные выше кортежи и шаблоны запросов к генеративной нейронной сети составляют кейс запросов, позволяющий эффективно применить возможности ГНС в обучении студентов.

Автоматизированный анализ данных . В различных исследованиях, в том числе и студенческих, необходим качественный анализ данных. Генеративные нейронные сети способны находить зависимости в больших массивах данных, выявлять закономерности. Решения ГНС можно рассматривать как первый шаг в исследовании данных, позволяющий определить вектор исследования.

Для эффективного использования свойств генеративных нейронных сетей желательно провести обучение преподавателей по применению ГНС в образовательном процессе.

Выделим преимущества и недостатки использования генеративных нейронных сетей в педагогической практике.

Способность ГНС адаптировать учебные материалы под индивидуальные особенности обучаемых реализует принцип индивидуализированного обучения. Разработка большого числа учебных задач, тестов и других оценочных средств позволяет педагогу, используя нейронные сети, сокращать собственное время, затрачиваемое на разработку заданий. ГНС генерируют учебные материалы различного уровня и формы представления, а следовательно, делают доступными учебные материалы для студентов с различными стилями обучения.

Возможность генеративных сетей проверять решения студентов позволяет обеспечить мгновенную обратную связь, кроме того, ГНС способны анализировать решения и формировать направления коррекции ошибок. Генерация изображений с помощью ГНС позволяет повысить наглядность учебных материалов и сделать образовательный процесс не только полезным, но и увлекательным.

Однако на текущий момент генеративные нейронные сети обладают рядом недостатков. Прежде всего, это качество контента, которое не всегда в полной мере соответствует стандартам образования. Постоянное использование ГНС как преподавателями, так и студентами может привести к зависимости от технологии и понизить уровень самостоятельности студентов, творческие навыки, критическое мышление, умение анализировать и синтезировать новое. Использование ГНС формирует этические и правовые проблемы, вопросы авторского права.

И, безусловно, нейронные сети и искусственный интеллект не в состоянии заменить живое общение с преподавателем в области наличия эмоций и формирования мотивации студентов.

Таким образом, применение генеративных нейронных сетей поможет повысить качество обучения, но следует находить некоторый баланс между внедрением инновационных технологий и традиционным обучением.

Результаты исследования

Апробация предложенного подхода к использованию генеративных нейронных сетей в обучении бакалавров математических направлений и разработанных кейсов запросов выполнялась со студентами 1-го и 3-го курсов факультета компьютерных технологий и прикладной математики Кубанского государственного университета.

Для студентов 1-го курса в рамках дисциплины «Основы программирования» с помощью ГНС YandexGPT3 готовились наборы индивидуальных учебных задач, контрольные задания, задачи для самостоятельного решения, варианты решения учебных задач на языке программирования С++. Причем после самостоятельного решения учебных задач студентам предлагалось воспользоваться ГНС YandexGPT3, построить автоматические решения и сравнить с собственным решением.

Для студентов 3-го курса ГНС YandexGPT3 использовалась как генератор идей по курсовым работам, помощник в составлении плана научной работы.

По завершении экспериментальной работы авторами проведено анкетирование студентов и преподавателей. Педагоги отметили существенную помощь ГНС в составлении наборов задач, однако указали, что сети необходимо предлагать образец учебной задачи, в этом случае однотипные задания конструируются точнее. Студенты 1-го курса высказали положительное отношение к использованию ГНС при просмотре различных вариантов решения задач, отметили, что соревновательный эффект с нейронной сетью повышает мотивацию к качественному изучению программирования. Студенты 3-го курса указали, что тематики, предлагаемые ГНС не всегда соответствовали желаемому, но сформированные планы курсовых работ существенно облегчили работу.

Обсуждение и заключения

Выделенные возможности генеративных нейронных сетей позволяют конструировать качественные теоретические и практические учебные материалы, формировать банк оценочных средств, автоматизировать контроль знаний, предлагать тематики научных исследований студентов. Использование ГНС при обучении бакалавров математических направлений подготовки существенно повышает объемы учебных заданий, адаптирует учебный материал и учебные задания к потребностям обучаемого, позволяя максимально реализовать принцип индивидуализации обучения. Однако необходимо так трансформировать взаимодействие педагога с нейронной сетью, чтобы преподаватель направлял работу сети, задавал вектор ее развития, накапливал свой опыт и получал новые знания с помощью искусственного интеллекта. Необходимо расширять исследование педагогических возможностей ГНС, обучая педагогов грамотному их использованию в собственной практике.