ИСПОЛЬЗОВАНИЕ ГОЛОСОВЫХ ПОМОЩНИКОВ НА БАЗЕ НЕЙРОННЫХ СЕТЕЙ В ПРЕПОДАВАНИИ ПРИКЛАДНОГО ПРОГРАММИРОВАНИЯ

THE USE OF NEURAL NETWORK-BASED VOICE ASSISTANTS IN TEACHING APPLIED PROGRAMMING

Ubaeva Zhanar Kartbaevna

Master’s degree, PhD doctoral student, K. Zhubanov Aktobe Regional University,

Kazakhstan, Aktobe

Akbalin Erkegali Ryskaliuly

Student, K. Zhubanov Aktobe Regional University,

Kazakhstan, Aktobe

АННОТАЦИЯ

В статье рассматриваются возможности интеграции интеллектуальных голосовых помощников, функционирующих на основе больших языковых моделей (LLM), в процесс обучения программированию. Описываются методические подходы к использованию ИИ для объяснения синтаксиса, отладки кода и генерации алгоритмических решений. Особое внимание уделено педагогическому эффекту от внедрения нейросетевых технологий в школьную программу и высшее образование..

ABSTRACT

The article discusses the possibilities of integrating intelligent voice assistants operating on the basis of large language models (LLM) into the process of teaching programming. Methodological approaches to using AI to explain syntax, debug code, and generate algorithmic solutions are described. Special attention is paid to the pedagogical effect of the introduction of neural network technologies in the school curriculum and higher education.

Ключевые слова: нейронные сети; голосовые помощники; прикладное программирование; методика преподавания; искусственный интеллект в образовании; Python.

Keywords: neural networks; voice assistants; applied programming; teaching methodology; artificial intelligence in education; Python.

Голосовой помощник на базе нейронных сетей представляет собой интеллектуальную систему, состоящую из нескольких взаимосвязанных компонентов [1]. Основная архитектура включает в себя:

Таблица 1.

Компоненты голосового помощника на базе нейронных сетей

В контексте обучения программированию голосовой помощник должен быть обучен на специальном корпусе текстов, содержащих примеры кода, объяснения алгоритмических концепций и типичные ошибки учащихся [2].

Использование API-сервисов современных поставщиков, таких как Google Gemini, позволяет интегрировать мощные языковые модели в образовательные платформы без необходимости самостоятельного обучения моделей [3].

В рамках разработки дипломного проекта была создана образовательная платформа EduCode KZ, которая интегрирует голосовой помощник с четырьмя специализированными модулями обучения [4]. Основные модули платформы включают:

1. IDE Python – полнофункциональная среда разработки для обучения программированию на Python с поддержкой визуализации переменных и пошагового выполнения кода;

2. SQL Studio – среда для изучения баз данных и языка SQL с интерактивными примерами;

3. Мультимедийный редактор – инструмент для создания интерактивного медиа-контента в образовательных целях [5].

Голосовой помощник "Алго" (Algo) работает на основе контекстного анализа, определяя активный модуль и ограничивая ответы в соответствии с содержанием этого модуля. Система поддерживает русский и казахский языки, что критически важно для казахстанских школ [6].

Интеграция голосового помощника в платформу осуществляется через систему промптов, которые определяют поведение и стиль ответов помощника. Каждый промпт разработан в соответствии с принципами сократовского метода обучения, что позволяет помощнику задавать наводящие вопросы вместо прямых ответов, способствуя развитию критического мышления у учащихся [7].

Платформа EduCode KZ была внедрена в учебный процесс школы № 56 город Актобе в качестве вспомогательного инструмента при преподавании информатики в 10-х классах. Исследование проводилось в течение одного учебного полугодия с участием двух групп учащихся: контрольной группы (30 человек), обучаемой традиционными методами, и экспериментальной группы (30 человек), использующей платформу с голосовым помощником [8]. Результаты показали, что в экспериментальной группе средний балл по контрольным работам увеличился на 18% по сравнению с начальным тестированием, в то время как в контрольной группе увеличение составило только 8%. Кроме того, учащиеся экспериментальной группы сообщили об увеличении мотивации к изучению программирования и снижении уровня тревожности при написании кода [9].

Результаты внедрения голосового помощника открывают перспективы для дальнейшего развития как платформы, так и методических подходов. В планах развития проекта находятся следующие направления:

1. Расширение функционала голосового помощника для поддержки дополнительных языков программирования (JavaScript, C++, Java);

2. Интеграция систем отслеживания прогресса и аналитики обучения для персонализации рекомендаций помощника;

3. Разработка специализированных модулей для других предметов информационного цикла;

4. Внедрение адаптивного обучения на основе анализа ошибок и стилей обучения учащихся.

Кроме того, в условиях растущего внимания к вопросам этики искусственного интеллекта в образовании, необходимо развивать направления, связанные с прозрачностью алгоритмов голосового помощника и защитой данных учащихся.

Данная статья является вкладом в развитие теории и практики применения искусственного интеллекта в образовании и может служить основой для дальнейших исследований и разработок в области образовательных технологий в Казахстане и регионе в целом.

Список литературы:

1.  Полат Е.С. Современные педагогические и информационные технологии в системе образования: учеб. пособие для студ. пед. вузов и сист. повыш. квалиф. пед. кадров / Е.С. Полат, М.Ю. Бухаркина. – 3-е изд., стер. – М. : Издательский центр "Академия", 2010. – 368 с.
2. Goodfellow I., Bengio Y., Courville A. Deep learning // The MIT Press. – 2016. – 801 p.
3. Rogoff B. The cultural nature of human development. – Oxford : Oxford University Press, 2003. – 432 p.
4. Акбалин Е.Р., Оспанов Н.Н. Особенности обучения программированию в средней школе Казахстана // Вестник образования и науки. – 2024. – № 2. – С. 45–52.
5. Hinton G., Deng L., Yu D., Dahl G., Mohamed A., Jaitly N., Senior A., Vanhoucke V., Nguyen P., Sainath T. N., Kingsbury B. Deep neural networks for acoustic modeling in speech recognition // IEEE Signal Processing Magazine. – 2012. – Vol. 29. – No. 6. – P. 82–97.
6. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser Ł., Polosukhin I. Attention is all you need // Advances in Neural Information Processing Systems. – 2017. – Vol. 30. – P. 5998–6008.
7. Gemini API Documentation // Google AI. – URL: https://ai.google.dev/docs (дата обращения: 10.04.2024).
8. Akbalin E. R., Ospanov N. N. EduCode KZ: An integrated educational platform for teaching programming with AI-powered voice assistant // Proceedings of the International Conference on Education and Technology. – Aktobe : KazNU Press, 2024. – P. 112–118.
9. Mayer R. E. Multimedia learning: Psychology of learning and instruction. – 3rd ed. – Cambridge : Cambridge University Press, 2014. – 534 p.
10. Leppänen T., Riedel R., König A. Multimodal learning in educational systems // Interactive Learning Environments. – 2019. – Vol. 27. – No. 4. – P. 504–520.