Avmira Research дослідила використання ШІ в освіті та протестувала локальну AI-модель для перевірки знань

Команда Avmira Research провела дослідження можливостей використання штучного інтелекту в освіті. У фокусі роботи були персоналізація навчання, аналіз результатів, автоматизація перевірки знань та підготовка навчальних матеріалів.

У межах дослідження команда також провела власний технічний експеримент. На тестовому вебсервері Avmira розгорнули локальну AI-модель, яку використали для перевірки можливостей автоматизованої обробки тестів та екзаменаційних відповідей.

Персоналізація навчання

Одна з основних проблем традиційного навчання полягає в тому, що одна освітня програма використовується для учнів із різним рівнем підготовки.

На початку курсу один користувач може вже володіти базовими знаннями, тоді як іншому необхідно спочатку опрацювати кілька попередніх тем. За стандартного підходу обидва отримують однакову послідовність матеріалів.

ШІ дає змогу побудувати інший підхід. Система може аналізувати результати діагностичного тестування, визначати сильні та слабкі сторони користувача і на цій основі формувати індивідуальну послідовність навчальних матеріалів.

Якщо учень добре засвоїв тему, система може перейти до складнішого матеріалу. Якщо результати свідчать про прогалини в знаннях, користувач отримує додаткові пояснення або практичні завдання.

У такій моделі тестування стає не лише способом виставити оцінку, а й джерелом даних для подальшого навчання.

Автоматизація перевірки тестів та екзаменів

Окремий напрям дослідження Avmira Research стосувався перевірки знань.

Команда підняла тестовий вебсервер та розгорнула на ньому локальну AI-модель. Модель використовувалася для експериментальної обробки відповідей і перевірки того, які частини процесу оцінювання можна автоматизувати.

Такий підхід дає змогу перенести частину рутинної роботи з викладача на програмну систему. Замість ручної обробки кожного результату система може автоматично опрацювати відповіді, визначити результати та передати їх до наступного етапу освітнього процесу.

Для експерименту Avmira не використовувала складну інфраструктуру. Локальну модель вдалося розгорнути на відносно недорогому сервері, що дозволило протестувати підхід без значних витрат на обчислювальні ресурси.

Водночас автоматизоване оцінювання не означає повної відмови від людського контролю. Для складних або неоднозначних завдань остаточне рішення може залишатися за викладачем або адміністратором освітньої системи.

Аналіз помилок

Підписуйтеся на наші соцмережі

Ще одним застосуванням ШІ в освіті може бути аналіз помилок.

Звичайний результат тесту показує, скільки завдань виконав учень правильно. AI-система може працювати з результатами детальніше та визначати теми, у яких виникають систематичні помилки.

Наприклад, якщо користувач кілька разів неправильно виконує завдання з певної теми, система може зафіксувати цю проблему та запропонувати додатковий матеріал перед переходом до наступного розділу.

Це дозволяє пов'язати оцінювання з подальшим навчанням. Результат тесту стає частиною освітньої траєкторії, а не лише фінальною оцінкою.

Підготовка навчальних матеріалів

Штучний інтелект також може використовуватися для підготовки додаткового контенту.

Серед можливих сценаріїв Avmira Research розглядає генерацію практичних завдань, тестових запитань, матеріалів для повторення та пояснень окремих тем.

Для освітніх платформ це може бути особливо корисним під час роботи з великою кількістю курсів та рівнів складності. Система здатна формувати різні варіанти завдань і підбирати їх відповідно до результатів конкретного користувача.

При цьому автоматично створений контент потребує перевірки. Генеративні моделі можуть допускати фактичні помилки або некоректно інтерпретувати інформацію, тому контроль якості залишається необхідною частиною освітнього процесу.

ШІ як інструмент для викладача

Використання штучного інтелекту в освіті не обов'язково передбачає заміну викладача.

Один із практичних сценаріїв полягає в автоматизації технічної та аналітичної роботи. Система може обробляти результати тестів, групувати типові помилки та формувати статистику за окремими темами.

Викладач у такому випадку отримує вже структуровану інформацію та може зосередитися на роботі з учнями, які потребують додаткової уваги.

Такий підхід може бути особливо актуальним для великих навчальних груп, де ручний аналіз результатів кожного учня займає значну кількість часу.

Локальні AI-моделі

Окрему увагу в дослідженні Avmira Research приділили локальному розгортанню моделей.

На відміну від зовнішніх AI-сервісів, локальна модель може працювати без постійної передачі навчальних даних сторонньому сервісу. Це дає розробнику більше контролю над архітектурою системи, даними та процесом обробки інформації.

В експерименті Avmira локальну модель розгорнули на власному тестовому вебсервері. Основним завданням було перевірити, наскільки такий підхід придатний для використання в системах тестування та оцінювання.

Результати експерименту показали, що для окремих сценаріїв освітньої автоматизації не обов'язково використовувати дорогі обчислювальні системи. Відносно доступної серверної інфраструктури може бути достатньо для роботи окремого AI-компонента.

Водночас вимоги до інфраструктури залежать від розміру моделі, кількості одночасних користувачів, типу завдань та необхідної швидкості обробки.

Захист даних та академічна доброчесність

Використання ШІ в освіті створює не лише технічні можливості, а й додаткові вимоги до безпеки.

Освітні системи можуть працювати з результатами тестування, навчальною історією та іншою інформацією про користувачів. Тому розробники повинні визначати, які дані збираються, де вони зберігаються та хто має до них доступ.

Локальне розгортання моделі є одним із можливих способів контролювати обробку даних, однак саме по собі воно не гарантує повної безпеки. Захист залежить від усієї архітектури системи, серверної інфраструктури та правил доступу.

Окремим питанням залишається академічна доброчесність. Освітня платформа повинна чітко розділяти використання ШІ для навчання та використання технології для обходу правил тестування.

Що далі

Avmira Research планує продовжити дослідження використання штучного інтелекту в освітніх системах.

Наступним етапом може стати детальніше тестування автоматизованої перевірки на різних типах завдань, порівняння результатів AI-моделі з ручною перевіркою та визначення сценаріїв, у яких автоматизація дає найбільший практичний ефект.

Для Avmira цей експеримент також став частиною роботи над власними освітніми продуктами та підходами до персоналізованого навчання.

Команда розглядає ШІ не як окремий продукт, а як технологічний компонент освітньої системи, який може використовуватися для аналізу знань, адаптації навчальної траєкторії та автоматизації частини рутинних процесів.

Водночас ефективність такого підходу залежить не лише від самої моделі. Важливими залишаються якість навчальних матеріалів, точність оцінювання, захист даних та можливість контролювати результати роботи системи.