Контакт с искусственным интеллектом как инструмент развития в обучении

Последние полтора-два года многие студенты в трудных ситуациях стали активно использовать ChatGPT. Запретить или проигнорировать ИИ – значит отстать от реальности, в которой живут наши студенты. Но и просто разрешить им «спрашивать у нейросети» – значит обесценить сам образовательный процесс. И тогда возникает необходимость поиска эффективных механизмов встраивания искусственного интеллекта не вместо обучения, а в сам его процесс. В этой статье я хочу поделиться не теорией, а конкретными приемами, которые родились на практике, их плюсами и очевидными подводными камнями.

Почему это стало актуально именно сейчас?

Ответ лежит на поверхности. Робототехника и программирование микроконтроллеров – это всегда творчество в жестких рамках железа, датчиков и физических законов. Студент часто «упирается в потолок»: идея есть, а реализовать её не хватает навыков или времени на перебор вариантов. Раньше эту роль «советчика» выполнял исключительно преподаватель, но его время и знания тоже ограничены. Появление публичных языковых моделей стало тем самым «умным рычагом», который позволяет каждому студенту получить моментальную, пусть и не идеальную, консультацию по широкому кругу вопросов – от теории (как работает ШИМ) до практики (почему моторчик дергается). Актуальность в том, чтобы научиться пользоваться этим рычагом правильно, не сломав им процесс мышления.

Наша главная задача сместилась. Раньше мы учили синтаксису и сборке. Теперь мы в равной степени учим формулировке задачи, критической оценке и адаптации предложенных решений. ИИ стал не ответчиком, а собеседником в инженерном диалоге. Чтобы этот диалог был продуктивным, мы выработали несколько четких правил.

Правило № 1: «ИИ как тренажер для постановки технического задания (ТЗ)».

Это, пожалуй, самый важный навык будущего специалиста. Мы начинаем любой проект не со схемы, а с текста. Студент должен письменно изложить, ЧТО должна делать его система, КАК она должна реагировать на внешние события, в КАКИХ условиях работать. Раньше это техническое задание писалось «для галочки». Теперь мы передаем текст ChatGPT с командой: «Выступи в роли строгого инженера-проектировщика. Задай уточняющие вопросы к этому ТЗ, найди в нем неоднозначности и слабые места».

Пример из практики. Студент написал: «Робот должен объезжать препятствия». ИИ вернул вопросы: «Что считается препятствием? Какого размера? На каком расстоянии они должны детектироваться? Должен ли робот останавливаться перед препятствием или искать путь сразу? Каков приоритет – скорость движения или безопасность?» Студент думал, что его ТЗ идеально. Этот механизм учит конкретике, предвосхищению проблем и системному мышлению. Практическая значимость очевидна: любой работодатель оценит специалиста, умеющего ставить четкие и полные задачи.

Правило № 2: «Сравнительный анализ: мой код или код ИИ».

Мы ушли от позиции «напиши код за меня». Вместо этого студент должен сначала сам, пусть с трудом и ошибками, написать работающий фрагмент программы. Например, код для считывания данных с ультразвукового датчика. Затем он дает ИИ то же самое ТЗ и просит сгенерировать вариант. Дальше – ключевой этап, сравнительный анализ в таблице. Студент составляет таблицу с колонками: «Мой подход», «Подход ИИ», «Плюсы», «Минусы», «Что можно позаимствовать». Он видит, что ИИ, возможно, использовал более элегантную функцию для фильтрации шума или добавил обработку ошибок, которую студент упустил. При этом код ИИ может быть избыточным или плохо прокомментированным. Такой разбор развивает критическое мышление и способность не слепо копировать, а осознанно выбирать лучшее решение. Это и есть исследовательский характер работы в чистом виде: гипотеза (мой код), эксперимент (код ИИ), анализ, вывод.

Правило № 3: «ИИ – генератор нестандартных идей и “а что, если?”».

Часто студенты зацикливаются на типовых решениях из учебных пособий. Мы используем ИИ как инструмент для мозгового штурма. Когда проект входит в стадию готовности, я даю задание: «Спроси у нейросети, как можно усложнить или улучшить твой проект, используя не более двух дополнительных компонентов стоимостью 500 тенге каждый». ИИ может выдать десяток безумных идей: «Добавь датчик цвета для сортировки», «Сделай лог температуры на SD-карту», «Реализуй управление по Bluetooth через простой чат-бот». 90% идей могут быть непрактичными, но одна-две зацепляют и открывают второе дыхание для проекта. Этот механизм борется с шаблонностью и развивает инженерное воображение, показывая, что любая система может быть развита.

Правило № 4: «Документирование и отладка с напарником-ИИ».

Написание комментариев и документации – скучная, но необходимая часть работы. Мы договорились, что любой сданный проект должен содержать краткую документацию, сгенерированную ИИ на основе финального кода и объясненную/исправленную студентом. Студент загружает код и пишет: «Объясни, как работает эта программа, простыми словами, как будто ты объясняешь новичку, составь список ключевых функций и переменных». Получившийся текст часто бывает слишком формальным или содержит неточности. И здесь студент выступает в роли эксперта, который исправляет «напарника», шлифуя текст. То же самое с отладкой: вместо того чтобы часами искать ошибку, студент может вставить код и ошибку компилятора в чат с вопросом: «Какие могут быть причины этой ошибки? Дай три наиболее вероятные». ИИ не дает готовый ответ, а предлагает направления для поиска, что учит системной отладке.

Следующий шаг – от практики к авторской программе

Описанные выше правила – это не разрозненные приемы, а звенья одной цепи. Чтобы сделать эту работу системной и воспроизводимой, я сейчас активно работаю над созданием авторской программы по робототехнике на Arduino. Её ключевая особенность – триединая основа: физическое проектирование (Arduino) + интеллектуальный ассистент (ИИ) + виртуальные лаборатории. Виртуальные симуляторы (например, Tinkercad Circuits, Virtual Breadboard) позволяют студенту быстро прототипировать и тестировать идеи без риска повредить технику, что экономит время и ресурсы. В этой виртуальной среде мы и отрабатываем первые три механизма: ставим ТЗ, генерируем и сравниваем код, проводим мозговой штурм. ИИ здесь выступает гидом. И только после успешной виртуальной сборки и отладки алгоритма студент переходит к работе с реальными компонентами. Такой подход создает безопасную, но максимально насыщенную среду для обучения, где технологии не мешают, а усиливают друг друга, обеспечивая полноценный инженерный цикл от идеи до воплощения.

Что мы получили в итоге? Практические результаты и честные сложности.

Плюсы. Качество технических заданий выросло. Студенты стали меньше бояться сложных проектов, зная, что есть инструмент для первичного анализа. В кодах стало больше обработки крайних случаев. Выросла самостоятельность – консультацию можно получить в любое время. Появилась новая интересная тема для обсуждения на парах – не «почему не работает», а «как ИИ предложил это сделать и почему это плохо/хорошо».

Сложности и этические моменты. Пришлось четко обозначить красные линии. Код, целиком сгенерированный ИИ без анализа, приравнивается к невыполненной работе. Мы много говорим об академической честности. Еще одна проблема – «слепая вера» в авторитет машины. Приходится постоянно повторять: «ИИ ошибается. Он не понимает контекста. Ты принимаешь решение». Также важно учить задавать правильные вопросы – это отдельный навык (prompt engineering в образовательных целях).

Что дальше?

Мой опыт показывает, что эффективный механизм использования ИИ в образовательном процессе – это не разовое действие, а система взаимосвязанных правил и педагогических приемов, которые превращают ИИ из «решалки» в «тренажер», «собеседника» и «генератор гипотез».

Эффективность ИИ прямо зависит от качества входных данных (промптов). Следовательно, мы должны учить студентов формулировать мысли ясно и структурированно – это теперь ключевая мета-компетенция.

Ценность представляет не ответ ИИ, а интеллектуальная работа студента по его анализу, проверке и адаптации. Оценка должна смещаться с конечного продукта на качество этого аналитического процесса.

Интеграция ИИ требует пересмотра заданий. Бессмысленно давать задачи, ответ на которые можно сразу найти в нейросети. Нужны многоэтапные, проектные, творческие задания, где ИИ – лишь один из инструментов в цепочке.

Роль преподавателя трансформируется. Из источника знаний я всё больше становлюсь архитектором образовательного опыта, который помогает студенту выстроить работу в новой гибридной среде «человек + ИИ».

Следующий шаг для нас – формализация этих правил в рамках доработанной авторской программы, где работа с ИИ будет прописана не как отдельная тема, а как сквозной метод на всех этапах проекта: от зарождения идеи до финальной презентации. Мы учим новое поколение не просто программировать, а грамотно и ответственно взаимодействовать с искусственным интеллектом – их неизменным будущим коллегой. И начинать это нужно не завтра, а прямо сейчас, на наших уроках.

Рекомендуемая литература

1. Программа развития технического и профессионального образования в Республике Казахстан на 2021–2025 годы.

2. Блум, Дж. С. Программирование Arduino: Создание практических устройств. СПб.: БХВ-Петербург, 2019.

3. Марголис, М. Arduino Cookbook. Рецепты освоения платформы Arduino. М.: Вильямс, 2020.

4. Russell, S., Norvig, P. Artificial Intelligence: A Modern Approach. 4th ed.  Pearson, 2020.

5. Материалы онлайн-сообщества Arduino (arduino.cc, форумы, проекты).

6. Документация и исследования по применению больших языковых моделей (ChatGPT, GitHub Copilot) в образовании (arXiv, образовательные порталы).

Кульпан ТУСУПБАЕВА,

преподаватель Высшего колледжа IT

и новых технологий, г. Семей

---

АННОТАЦИЯ

Мақалада жасанды интеллектпен байланыс классикалық білімге қауіп ретінде емес, қазіргі жағдайда студенттерді дамытудың қажетті құралы ретінде қарастырылады. Автор оқытудың құндылығын сақтауға және оны жаңа технологиялық шындыққа бейімдеуге мүмкіндік беретін нейрондық желілерді оқу процесіне біріктірудің практикалық әдістерін ұсынады.