Компетентностно-ориентированная модель преподавания математики в магистратуре в эпоху искусственного интеллекта

Бюллетень науки и практики / Bulletin of Science and Practice

УДК 371.3.51                                     

В настоящее время процессы цифровой трансформации в мировом образовательном пространстве идут быстрыми темпами, предъявляя новые требования к содержанию, технологиям и организационным формам обучения. В частности, развитие технологий искусственного интеллекта открывает новые возможности в системе образования, создавая условия для организации самостоятельного обучения студентов, персонализации учебного процесса и повышения качества образования. В системе высшего образования, особенно на уровне магистратуры, студенты должны иметь возможность не только усваивать теоретические знания, но и применять их в практической и исследовательской работе. В этом контексте математическая подготовка является важным средством развития у студентов аналитического мышления, навыков моделирования, анализа данных и компетенций в решении профессиональных задач. Традиционные модели обучения математике часто ориентированы на овладение готовыми формулами, алгоритмами и теоретическим материалом. Однако требования современного общества и рынка труда вынуждают студентов уметь применять математические знания в новых ситуациях, эффективно использовать информационные технологии и принимать творческие решения. В связи с этим компетентностно-ориентированный подход рассматривается как одно из основных направлений совершенствования математического образования. Обучение, основанное на компетенциях, направлено на развитие у студента не только объема знаний, но и способности применять эти знания в практической деятельности. Этот подход позволяет сочетать математическую подготовку с профессиональной ориентацией, формируя исследовательские и цифровые компетенции студентов. Технологии искусственного интеллекта создают новые дидактические возможности в процессе обучения математике. Генеративные системы искусственного интеллекта, такие как ChatGPT, Gemini, Copilot, могут использоваться для объяснения решений математических задач, анализа теоретических материалов, построения математических моделей и обработки данных. Однако использование этих технологий в образовании должно быть направлено на развитие аналитического мышления, критической оценки и исследовательских способностей учащегося, а не на получение готового ответа.

Математическое моделирование, статистический анализ и алгоритмы искусственного интеллекта широко используются при изучении реальных процессов, особенно в таких областях, как энергетика, инженерия и экономика. Поэтому интеграция технологий искусственного интеллекта в профессионально-ориентированное обучение математике в магистратуре является важным условием повышения квалификации будущих специалистов. Указанные проблемы диктуют необходимость пересмотра содержания и технологий преподавания математики, а также разработки новой компетентностно-ориентированной модели, учитывающей возможности искусственного интеллекта. В связи с этим актуальность исследования определяется необходимостью создания эффективной системы обучения, направленной на развитие математических, цифровых и профессиональных компетенций студентов в эпоху искусственного интеллекта [1-3].

Основная цель исследования — разработка теоретических и методических основ компетентностно-ориентированной модели преподавания математики в магистратуре в условиях применения технологий искусственного интеллекта, а также определение ее потенциала в развитии математических, цифровых и профессиональных компетенций студентов.

В исследовании используются следующие научные методы: теоретический анализ — при изучении научных работ по математическому образованию, компетентностному подходу и технологиям ИИ; сравнение и обобщение — при выявлении преимуществ цифровых технологий в образовании; моделирование — для проектирования интеграции ИИ в систему обучения математике; педагогические наблюдение и анализ — при оценке эффективности предлагаемых методов; метод исследовательских заданий — для диагностики математических и профессиональных компетенций студентов.

Роль технологий искусственного интеллекта в математическом образовании. Сегодня технологии искусственного интеллекта являются одним из важнейших инновационных направлений в системе образования. Искусственный интеллект обладает способностью анализировать большие объемы данных, выявлять закономерности и давать рекомендации в соответствии с индивидуальными характеристиками пользователя.

В процессе обучения математике технологии искусственного интеллекта могут использоваться в нескольких областях. Во-первых, это позволяет организовать адаптивное обучение: искусственный интеллект может анализировать уровень знаний учащегося и изменять сложность заданий в зависимости от его подготовки. Во-вторых, он служит вспомогательным средством в освоении математических понятий. Студент может получать объяснения сложного теоретического материала, анализировать альтернативные способы решения задач и выявлять ошибки с помощью систем искусственного интеллекта. В-третьих, технологии искусственного интеллекта открывают большие возможности в процессе математического моделирования и анализа данных. Например, в энергетическом секторе математические модели и интеллектуальные алгоритмы используются для прогнозирования потребления электроэнергии, оценки надежности систем и поиска оптимальных решений. В то же время использование искусственного интеллекта в образовании должно быть направлено не на получение студентом готовых ответов, а на развитие у него самостоятельного мышления, навыков анализа данных и умения принимать обоснованные решения. Модель обучения математике в магистратуре, ориентированная на компетенции и интегрированная с искусственным интеллектом. В современных образовательных условиях преподавание математики в магистратуре должно быть направлено не только на формирование у студентов теоретических знаний, но и на подготовку их к применению этих знаний при решении профессиональных задач. В связи с этим предлагается модель обучения, ориентированная на компетенции, в сочетании с технологиями искусственного интеллекта [3-5].

Эта модель состоит из пяти взаимосвязанных компонентов, направленных на развитие математических, цифровых, исследовательских и профессиональных компетенций студентов: целевой, содержательный, технологический, деятельностный и оценочно-результативный компоненты.

• 1.    Целевой компонент направлен на формирование у студентов способности применять математические знания для решения реальных профессиональных задач. Основные цели: развитие математического мышления, формирование умения анализировать данные, обучение корректному использованию средств искусственного интеллекта, подготовка к научноисследовательской работе. Пример: студентам, изучающим энергетику, предлагается задание: «Описать изменение потребления электроэнергии с помощью математической модели и спрогнозировать потребление на следующий месяц». При выполнении этого задания студент собирает статистические данные, определяет функциональные зависимости, создает математическую модель и сравнивает результаты, полученные с помощью искусственного интеллекта.

• 2.    Содержательный компонент предполагает интеграцию математических дисциплин с современными цифровыми технологиями. Содержание обучения включает следующие элементы: математическое моделирование, статистический анализ, методы оптимизации, обработка данных и основы искусственного интеллекта. Пример: при изучении темы «Математическая статистика» студентам предлагается практическое задание: «Определение среднего значения, дисперсии и тенденции изменения на основе данных о потреблении энергии системой за один год». Студент использует Excel или Python, визуализирует данные, анализирует предложения системы искусственного интеллекта и обосновывает свой окончательный результат.

• 3.    Технологический компонент будет сосредоточен на использовании цифровых платформ и инструментов искусственного интеллекта в процессе обучения. Используемые технологии: ChatGPT — объяснение математических концепций, анализ алгоритмов; Gemini — анализ данных и разработка идей; Copilot — помощь в работе с программным кодом; GeoGebra — визуализация математических моделей; MATLAB, Python — выполнение вычислений и моделирование. Пример: Тема — «Применение дифференциальных уравнений». Задание: «Смоделируйте процесс изменения температуры в энергосистеме с помощью дифференциального уравнения». Студент: переводит реальный процесс на математический язык; создает дифференциальное уравнение; решает его с помощью MATLAB или Python; получает объяснение решения с помощью ChatGPT; анализирует результат на научной основе. В этом случае искусственный интеллект используется не как средство быстрого реагирования, а как интеллектуальный помощник для поддержки исследований студента [6-8].

• 4.    Деятельностный компонент. Этот компонент включает организацию активной учебной и исследовательской деятельности студента. Основные формы: проектное обучение, тематические исследования, решение практических задач, научно-исследовательские задачи. Пример: проектное задание. Тема — «Математическое моделирование производительности солнечной электростанции». Студенты собирают данные о солнечной радиации, создают математическую модель, анализируют данные с помощью искусственного интеллекта, предлагают оптимальные условия эксплуатации. Такие задания связывают математические знания с профессиональной деятельностью.

• 5.    Оценочный компонент. Этот компонент включает оценку результатов обучения и сформированных компетенций. Оцениваются: умение применять математические знания, компетентность в решении задач, уровень использования цифровых технологий, умение критически анализировать полученные данные.

Педагогические условия реализации модели, ориентированной на компетенции и интегрированной с искусственным интеллектом. Недостаточно иметь только технические средства для эффективного использования технологий искусственного интеллекта при обучении математике в магистратуре. Их необходимо педагогически правильно организовать в соответствии с образовательными целями. Поэтому реализация предложенной модели базируется на следующих педагогических условиях.

Профессионально-ориентированное обновление содержания математического образования. Первое условие — создание содержания математических дисциплин в связи с будущей профессиональной деятельностью магистрантов. Математические концепции следует рассматривать не только как абстрактные теории, но и как инструменты для объяснения реальных процессов и помощи в принятии профессиональных решений.

Пример: для магистрантов энергетического профиля тема — «Методы оптимизации». Традиционная задача: найти экстремум функции. Задача, ориентированная на компетентность: определение оптимального режима с помощью математической модели для снижения затрат и повышения эффективности производства электроэнергии. При выполнении этого задания студент создает модель оптимизации, определяет ограничения, выполняет расчеты, объясняет практическую значимость принятого решения [7-9].

Педагогически обоснованное внедрение искусственного интеллекта в учебный процесс. Второе условие — использование технологий искусственного интеллекта в качестве средства поддержки самостоятельного мышления учащегося. Искусственный интеллект: помощник в объяснении; инструмент анализа данных; используется как вспомогательное средство для разработки идей. Но студент несет ответственность за принятие окончательного решения, проверку и научное обоснование полученных данных. Пример: в рамках учебного задания студенту предлагается разработать математическую модель. При использовании ChatGPT обучающийся: получает набор математических формул и пояснения к ним; анализирует возможные варианты построения модели; осваивает принципы работы алгоритма и логику его функционирования. Затем ученик: сам анализирует представленные данные; проверяет правильность модели; делает выводы.

Организация обучения проектной и исследовательской деятельности предполагает соблюдение ряда условий. Третье из них — активное вовлечение магистрантов в исследовательскую и практическую работу. При решении проектных задач математические знания применяются для анализа реальных ситуаций, что позволяет обеспечить их практикоориентированную направленность. Например, тема проекта: «Математическая модель прогнозирования энергопотребления в системах электроснабжения». Этапы проекта: сбор данных; статистическая обработка данных; создание математической модели; выполнение вычислений на Python или MATLAB; анализ результатов, полученных с помощью искусственного интеллекта; подготовка научного заключения. В результате студент овладевает не только математическими знаниями, но и исследовательскими навыками [9-11].

Активное внедрение технологий искусственного интеллекта в образовательный процесс требует пересмотра содержания и методов преподавания математики. В то время как в традиционной модели обучения основное внимание уделяется приобретению теоретических знаний и использованию готовых алгоритмов, современный подход, ориентированный на компетентность, фокусируется на развитии у учащихся способности применять полученные знания в новых ситуациях. Модель, предложенная в ходе исследования, расширяет возможности интеграции математических знаний с технологиями искусственного интеллекта. Модель основана на рассмотрении студента не как получателя готовой информации, а как активного субъекта, который самостоятельно анализирует математические задачи, проводит исследования и принимает обоснованные решения.

На основе проведенного исследования было установлено, что развитие технологий искусственного интеллекта создает новые возможности для преподавания математики в системе высшего образования. Организация математической подготовки с ориентацией на компетенции, особенно на уровне магистратуры, способствует эффективному применению теоретических знаний студентов при решении практических и профессиональных задач. Модель, ориентированная на компетенции и интегрированная с искусственным интеллектом, представленная в исследовании, основана на сочетании математических знаний с цифровыми технологиями, исследовательской деятельностью и профессиональной ориентацией. Таким образом, в эпоху искусственного интеллекта ориентированная на компетенции модель преподавания математики в магистратуре является одной из наиболее эффективных, обеспечивающих математическую, цифровую и профессиональную подготовку студентов в соответствии с современными требованиями. В будущих исследованиях важно провести экспериментальную проверку предлагаемой модели, оценить ее эффективность в образовательном процессе и изучить вопросы адаптации для различных специальностей.