Персонализированная обратная связь на основе искусственного интеллекта: модель для магистратуры гуманитарного профиля

Цель статьи – представить и обосновать педагогическую модель персонализированной обратной связи на основе больших языковых моделей (LLM) для образовательного процесса в магистратуре гуманитарного профиля. Актуальность исследования обусловлена задачами цифровой трансформации высшего образования в РФ, обозначенными в указе Президента № 474 от 21.07.2021 «О национальных целях развития до 2030 года», и необходимостью внедрения гибких, адаптивных образовательных технологий с использованием искусственного интеллекта в педагогический процесс. Методологическую основу исследования составили анализ научной литературы, проектировочный метод, а также апробация на магистерской программе «Управление школой и образовательная политика» Московского городского педагогического университета в 2024–2025 учебном году (n = 52). Результатом является комплексная модель, интегрирующая задачно-модульный подход, систему пробного решения учебных задач, матрицу оценивания компетентности и автоматизированную генерацию структурированной обратной связи на основе LLM с помощью промпт-инжиниринга. В ходе апробации получено 247 проб решений; Раш-моделирование показало приемлемое согласие данных от ИИ с моделью на уровне отдельных показателей; обратная связь от ИИ по оценкам магистрантов оказалась не хуже обратной связи от преподавателей программы. Ключевой вывод: модель позволяет обеспечить оперативную, критериально-ориентированную обратную связь, способствующую персонализации траекторий обучения и развитию профессиональной компетентности магистрантов. Модель может быть масштабирована на другие гуманитарные направления подготовки.

1. Зеер Э.Ф., Сыманюк Э.Э. Теоретико-прикладные основания персонализированного образования: перспективы развития // Педагогическое образование в России. – 2021. – № 1. – С. 17–25. – DOI: 10.26170/20798717_2021_01_02.

2. Tetzlaff L., Schmiedek F., Brod G. Developing Personalized Education: A Dynamic Framework // Educational Psychology Review. – 2021. – Vol. 33. – P. 863–882. – DOI: 10.1007/s10648020-09570-w.

3. Hattie J., Timperley H. The power of feedback // Review of Educational Research. March 2007. – Vol. 77, no. 1. – P. 81–112. – DOI: 10.3102/003465430298487.

4. Фещенко А.В., Малкова И.Ю., Буякова К.И. Обратная связь в образовании с помощью ИИ: анализ пользовательского опыта // Педагогика и просвещение. – 2025. – № 3. – С. 23–40. – DOI: 10.7256/24540676.2025.3.75129.

5. Vaswani A., Shazeer N., Parmar N. et al. Attention is all you need // Advances in Neural Information Processing Systems. – 2017. – Vol. 30. – P. 998–6008. – DOI: 10.48550/arXiv.1706.03762.

6. Kasneci E., Seßler K., Küchemann S. et al. ChatGPT for Good? On Opportunities and Challenges of Large Language Models for Education // Learning and Individual Differences. – 2023. – Vol. 103. – Article no. 102274. – DOI: 10.1016/j.lindif.2023.102274.

7. Tlili A., Shehata B., Adarkwah M.A. et al. What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education // Smart Learning Environments. – 2023. – Vol. 10. – Article no. 15. – P. 1–24. – DOI: 10.1186/s40561023-00237-x.

8. Сысоев П.В. Персонализированное обучение на основе технологий искусственного интеллекта: насколько готовы современные студенты к новым возможностям получения образования // Высшее образование в России. – 2025. – Т. 34, № 2. – С. 51–71. – DOI: 10.31992/0869-3617-2025-34-2-51-71.

9. Белая книга этики в сфере искусственного интеллекта / под ред. А.В. Незнамова. – Москва: Nova Creative Group, 2024. – 200 с. – URL: https://ethics.a-ai.ru/static/docs/Белая%20книга.pdf (дата обращения: 08.01.2026).

10. Сысоев П.В., Филатов Е.М., Хмаренко Н.И., Мурунов С.С. Преподаватель vs искусственный интеллект: сравнение качества предоставляемой преподавателем и генеративным искусственным интеллектом обратной связи при оценке письменных творческих работ студентов // Перспективы науки и образования. – 2024. – № 5 (71). – С. 694–712. – DOI: 10.32744/pse.2024.5.41.

11. Савина Н.В. Риски персонализации высшего образования // Проблемы современного педагогического образования. – 2023. – № 81–3. – С. 272–275. – EDN: RKYFIA.

12. Duckett I. Personalized Learning and Vocational Education and Training // International Encyclopedia of Education. 3rd ed. – 2010. – P. 391–396. – DOI: 10.1016/B978-0-08-044894-7.00789-2.

13. Nicol D., Macfarlane-Dick D. Formative assessment and self-regulated learning: A model and seven principles of good feedback practice // Studies in Higher Education. – 2006. – Vol. 31, no. 2. – P. 199–218. – DOI: 10.1080/03075070600572090.

14. Brown T., Mann B., Ryder N. et al. Language models are few-shot learners // Advances in Neural Information Processing Systems. – 2020. – Vol. 33. – P. 1877–1901. – DOI: 10.48550/arXiv.2005.14165.

15. Knoth N., Decker M., Laupichler M.C. et al. Developing a holistic AI literacy assessment matrix – Bridging generic, domain-specific, and ethical competencies // Computers and Education Open. – 2024. – Vol. 6. – Article no. 100177. – DOI: 10.1016/j.caeo.2024.100177.

16. Wei J., Wang X., Schuurmans D. et al. Chain-ofthought prompting elicits reasoning in large language models. Advances in Neural Information Processing Systems. – 2022. – No. 35. – P. 24824– 24837. – DOI: 10.48550/arXiv.2201.11903.

17. Wang X., Wei J., Schuurmans D. et al. Self-consistency improves chain of thought reasoning in language models. – ICLR, 2023. – No. 5. – DOI: 10.48550/arXiv.2203.11171.

18. Петровский В.А. Семь пространств самоосуществления личности: формальные модели состоятельности // Мир психологии. – 2009. – № 1 (57). – С. 25–42. – EDN: KNUSDZ.

19. Эльконин Д.Б. Избранные психологические труды / под ред. В.В. Давыдова, В.П. Зинченко; вступ. ст. и коммент. В.В. Давыдова; АПН СССР. – Москва: Педагогика, 1989. –554 с. – ISBN: 5-7155-0035-4.

20. Yang R. et al. Enhancing automated essay scoring performance via fine-tuning pre-trained language models with combination of regression and ranking // Findings of the Association for Computational Linguistics: EMNLP 2020. – P. 1560–1569. – DOI: 10.18653/v1/2020.findings-emnlp.141.

21. Chan C.K.Y., Lee K.K.W. The AI generation gap: Are Gen Z students more interested in adopting generative AI such as ChatGPT in teaching and learning than their Gen X and millennial generation teachers? // Smart Learning Environments. – 2023. – Vol. 10. – Article no. 60. – DOI: 10.48550/arXiv.2305.02878.

22. Brown S., Race P. Using effective assessment to promote learning // University teaching in focus: A learning-centred approach. – 2012. – P. 74–91. – DOI: 10.4324/9780203079690-5.