ОБУЧЕНИЕ С ПОМОЩЬЮ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: НОВЫЕ ПОДХОДЫ К ПРЕПОДАВАНИЮ ИНФОРМАТИКИ

AI-POWERED LEARNING: NEW APPROACHES TO TEACHING COMPUTER SCIENCE

Malysheva Yulia Aleksandrovna

fourth-year student, Faculty of Psychological and Pedagogical Education, Kuibyshev Branch of Novosibirsk State Pedagogical University,

Russia, Kuibyshev

Motorin Vladislav Valerievich

Scientific supervisor, Candidate of Pedagogical Sciences, Associate Professor, Department of Mathematics, Computer Science, and Teaching Methods, Kuibyshev Branch of Novosibirsk State Pedagogical University,

Russia, Kuibyshev

АННОТАЦИЯ

Статья посвящена анализу новых подходов к преподаванию информатики в условиях повсеместного распространения технологий искусственного интеллекта. Рассматриваются дидактические возможности генеративных нейросетей как инструмента обучения и одновременно — как предмета изучения. Обосновывается необходимость перехода от запретительной стратегии к стратегии интеграции ИИ в образовательный процесс. Представлены методические приёмы использования ИИ на различных этапах урока информатики, включая генерацию задач, персонализацию обучения и развитие критического мышления. Особое внимание уделяется проектированию «ИИ-устойчивых» заданий, которые невозможно решить простым копированием ответа из нейросети.

ABSTRACT

This article analyzes new approaches to teaching computer science in the context of the widespread use of artificial intelligence technologies. It examines the didactic potential of generative neural networks as both a teaching tool and a subject of study. It substantiates the need to shift from a prohibitive strategy to a strategy for integrating AI into the educational process. It presents methodological techniques for using AI at various stages of the computer science lesson, including problem generation, personalized learning, and the development of critical thinking. Particular attention is paid to designing "AI-resistant" tasks that cannot be solved by simply copying the answer from a neural network.

Ключевые слова: искусственный интеллект, генеративные нейросети, преподавание информатики, ИИ-устойчивые задания, цифровая дидактика, персонализация обучения.

Keywords: artificial intelligence, generative neural networks, computer science teaching, AI-resistant tasks, digital didactics, personalization of learning.

Современный этап развития образования характеризуется стремительным проникновением технологий искусственного интеллекта во все сферы человеческой деятельности. Особенно ярко этот процесс проявляется в области информатики — дисциплины, которая традиционно находится на переднем крае технологических инноваций. Генеративные языковые модели, такие как ChatGPT, Gemini и отечественные разработки, уже сегодня способны решать широкий спектр учебных задач: от написания программного кода до объяснения сложных теоретических концепций [3]. Данное обстоятельство ставит перед учителем информатики принципиально новые вызовы: как организовать обучение в условиях, когда у учащихся есть постоянный доступ к «всезнающему» цифровому помощнику?

Проблема заключается в противоречии между необходимостью формирования у школьников подлинных знаний и умений в области информатики и существованием технологий, позволяющих получать готовые ответы без глубокого понимания предмета. Традиционная запретительная стратегия оказывается неэффективной, поскольку контроль за использованием ИИ учащимися практически невозможен. В связи с этим требуется пересмотр как содержания, так и методов преподавания информатики.

Активное использование генеративного искусственного интеллекта, особенно компьютеров, предъявляет к каждому человеку новые требования к цифровой грамотности и пониманию принципов работы ИИ-систем [1]. Подчеркивая важность адаптации школьного курса информатики к реалиям ИИ-эпохи, следует отметить, что именно сейчас формируется база для будущего интеллектуального и профессионального развития учащихся. Вопреки опасениям некоторых педагогов, интеграция ИИ в учебный процесс не снижает, а, напротив, повышает значимость фундаментальной подготовки в области алгоритмизации и программирования, поскольку для грамотного использования ИИ-инструментов необходимо понимание их внутренней логики.

Большинство исследователей, рассматривая проблему использования ИИ в образовании, сходятся во мнении о необходимости разработки специальных дидактических подходов. В работе Ю.С. Брауна (2025) предложена концепция «ИИ-устойчивых учебных заданий» — заданий, которые минимизируют возможность получения готового решения от нейросети за счёт смещения фокуса с рутинного кодирования на вычислительное мышление высокого порядка [3]. К числу характеристик таких заданий относятся: работа с неполными или противоречивыми условиями, необходимость анализа и оценки сгенерированного кода, а также рефлексия процесса решения.

Для успешной интеграции ИИ в преподавание информатики в 7–9 классах необходимо учитывать возрастные особенности учащихся. На начальном этапе (5–7 классы) целесообразно использовать визуальные среды программирования с элементами ИИ — например, Scratch с модулями для создания простых чат-ботов или обучения моделей распознавания образов. В 8–9 классах можно переходить к знакомству с основами машинного обучения на Python с использованием библиотек Scikit-learn и TensorFlow, а также к обсуждению этических аспектов применения ИИ.

Рассмотрим методические приёмы использования ИИ на различных этапах урока информатики.

Этап мотивации и постановки проблемы. Учитель может продемонстрировать, как нейросеть решает предложенную задачу, а затем предложить учащимся найти ошибки или неоптимальные решения в сгенерированном коде. Такой подход не только привлекает внимание, но и формирует критическое отношение к результатам работы ИИ.

Этап объяснения нового материала. ИИ может использоваться для генерации разнообразных примеров по изучаемой теме. Например, при изучении циклических алгоритмов можно попросить нейросеть сгенерировать 5–7 задач разного уровня сложности с последующей проверкой учащимися корректности формулировок.

Этап закрепления и практической работы. Вместо традиционного задания «напишите программу, которая…» целесообразно использовать «ИИ-устойчивые» задания: «Проанализируйте предложенный нейросетью код, найдите в нём три ошибки и исправьте их» или «Сравните два варианта решения одной задачи, выявите преимущества и недостатки каждого».

Этап контроля и оценки. Традиционное тестирование становится малоэффективным, поскольку ответы легко генерируются нейросетью. Более продуктивными формами контроля являются: защита проектов с устным комментарием хода решения, анализ и рефакторинг чужого кода, а также задания на объяснение.

Важным направлением является также обучение учащихся навыкам prompt-инженерии — искусству формулирования запросов к ИИ для получения наиболее качественного результата [3]. Это умение становится частью цифровой компетенции современного человека. В рамках уроков информатики можно предложить учащимся соревнование: кто сможет сформулировать запрос к нейросети так, чтобы она сгенерировала наиболее эффективное решение задачи.

Не менее значимым аспектом является формирование у школьников понимания ограничений и рисков, связанных с использованием ИИ. К числу таких рисков относятся: возможность получения неверной или устаревшей информации, проблема авторских прав при использовании сгенерированного кода, а также этические вопросы, связанные с предвзятостью алгоритмов [2]. Обсуждение этих проблем целесообразно проводить в формате круглых столов или дискуссионных клубов.

Педагогическая практика показывает, что успешность внедрения ИИ в преподавание информатики во многом зависит от позиции самого учителя. Традиционная модель, где учитель является единственным источником знаний, а учащиеся — пассивными получателями информации, не только не способствует, но и препятствует формированию компетенций, необходимых в ИИ-эпоху [1]. Для эффективной интеграции ИИ в учебный процесс необходима реализация следующих педагогических условий:

Переход от запрета к навигации. Вместо запрета на использование ИИ необходимо учить школьников грамотно использовать эти инструменты, понимая их сильные и слабые стороны.

Фокус на метапредметных результатах. Приоритетными становятся не столько конкретные программные коды, сколько умения анализировать, оценивать, синтезировать и рефлексировать — те компетенции, которые пока недоступны ИИ.

Проектирование «ИИ-устойчивых» заданий. Учебные задания должны строиться таким образом, чтобы простое копирование ответа из нейросети было невозможным или заведомо неполным. Этого можно достичь через включение заданий на анализ, сравнение, оценку и создание нового на основе сгенерированного.

Развитие критического мышления. Необходимо систематически формировать у учащихся привычку проверять и критически оценивать информацию, полученную от ИИ, сопоставляя её с другими источниками.

Демонстрация собственной цифровой компетентности. Учитель должен сам демонстрировать грамотное использование ИИ-инструментов, показывая учащимся образцы эффективного взаимодействия с нейросетями.

Таким образом, интеграция технологий искусственного интеллекта в преподавание информатики — не дань моде, а объективная необходимость, продиктованная стремительным развитием цифровой среды. Вместо того чтобы рассматривать ИИ как угрозу традиционному обучению, целесообразно использовать его как мощный инструмент для обновления содержания, методов и форм организации учебной деятельности. Ключевым становится формирование у учащихся не только предметных знаний, но и метакомпетенций — умения учиться, критически мыслить и эффективно взаимодействовать с интеллектуальными помощниками.

Список литературы:

1. Белошистая, А. В. Методика обучения математике в начальной школе : курс лекций / А. В. Белошистая. — Москва : Владос, 2021. — 456 с.
2. Верезубова, Н. А. Этические и педагогические риски использования искусственного интеллекта в высшем образовании / Н. А. Верезубова, О. А. Яковлева, О. А. Кишкинова // Международный журнал гуманитарных и естественных наук. — 2025. — № 4–2 (103). — С. 82–86.
3. Браун, Ю. С. Дидактические принципы проектирования учебных заданий по информатике в условиях повсеместного доступа к генеративной технологии искусственного интеллекта / Ю. С. Браун // Технопарк универсальных педагогических компетенций : материалы Всероссийской научно-практической конференции. — Чебоксары : Среда, 2025. — С. 118–122.
4. Долгова, Л. С. Организация вариативного обучения основам искусственного интеллекта в курсе информатики основной школы : выпускная квалификационная работа / Л. С. Долгова, И. Р. Даниялова. — Ставрополь, 2025. — 103 с.
5. Левченко, И. В. Варианты обучения системам искусственного интеллекта в рамках курса информатики основной школы / И. В. Левченко, П. А. Меренкова // Трансформация механико-математического и IT-образования в условиях цифровизации : материалы II Международной научно-практической конференции. — Минск : БГУ, 2025. — С. 242–246.