Обратная связь в образовании с помощью ИИ: анализ пользовательского опыта

Обложка
  • Авторы: Фещенко А.В.1, Малкова И.Ю.2, Буякова К.И.3
  • Учреждения:
    1. Томский государственный университет
    2. Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский государственный университет»
    3. Институт дистанционного образования Томского государственного университета
  • Выпуск: № 3 (2025)
  • Страницы: 23-40
  • Раздел: Статьи
  • URL: https://journals.rcsi.science/2454-0676/article/view/369768
  • EDN: https://elibrary.ru/FMZCTX
  • ID: 369768

Цитировать

Полный текст

Аннотация

Предмет исследования – субъективный опыт и восприятие студентами системы обратной связи на основе генеративного искусственного интеллекта (ИИ) в реальных условиях образовательного процесса. Целью работы стало выявление ключевых преимуществ и недостатков технологии «ИИ-оценщик» и определение факторов, влияющих на доверие и удовлетворенность ее пользователей. Технология разработана для оптимизации работы преподавателя и повышения эффективности самостоятельной работы студентов на базе больших языковых моделей (LLM), таких как Gemini, GigaChat и Deepseek. Исследование направлено на восполнение пробела в данных, анализирующих субъективный опыт, доверие и готовность студентов взаимодействовать с технологией в реальных, а не лабораторных, образовательных условиях, то есть в момент непосредственного взаимодействия с образовательным контентом. Методология исследования основана на качественном подходе с применением комбинированного анализа данных. Эмпирическая база исследования: 69 спонтанных отзывов пользователей, полученных в ходе пилотного внедрения системы «ИИ-оценщик» в программах дополнительного профессионального образования. Использованы методы количественного (анализ тональности, частотный анализ) и качественного (тематический анализ, анализ аргументации) анализа. Научная новизна заключается в качественном анализе субъективного опыта, получаемого студентом в ходе непосредственного взаимодействия с образовательным контентом в рамках отечественных программ обучения. Впервые детально рассмотрено влияние уникального аспекта дизайна «персонажей» ИИ на восприятие технологии студентами. Исследование выявило поляризованное отношение пользователей к ИИ-ассистенту. С одной стороны, высоко оценены оперативность, круглосуточная доступность и инновационные элементы, в частности использование различных «персонажей» ИИ, что повышает вовлеченность и создает безопасную образовательную среду. С другой стороны, зафиксированы существенные проблемы: непоследовательность и ошибки в оценивании, формализм, непонимание контекста и технические сбои, которые подрывают доверие к системе. Анализ данных показал, что поляризация мнений обусловлена конфликтом между высоким инновационным потенциалом технологии и ее текущими функциональными ограничениями. Подчеркивается необходимость не только технического совершенствования алгоритмов (включая работу со справедливостью и предвзятостью), но и разработки гибридных моделей взаимодействия, сочетающих автоматизацию с человеческим контролем и экспертизой для построения эпистемического доверия у пользователей. Результаты могут быть применены разработчиками образовательных ИИ-инструментов, преподавателями и методистами.

Об авторах

Артем Викторович Фещенко

Томский государственный университет

Email: fav@ido.tsu.ru
ORCID iD: 0000-0002-4323-9666
директор; Центр исследовательского и технологического сопровождения ИДО;

Ирина Юрьевна Малкова

Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский Томский государственный университет»

Email: malkovoi@yandex.ru
ORCID iD: 0000-0003-2888-1578
профессор; кафедра организационной психологии факультета психологии;

Кристина Игоревна Буякова

Институт дистанционного образования Томского государственного университета

Email: buyakovaki@ido.tsu.ru
ORCID iD: 0000-0001-7877-408X
начальник отдела информационного обеспечения и цифрового сопровождения;

Список литературы

  1. Tzirides A. O., Zapata G. C., Bolger P., Cope B., Kalantzis M., Searsmith D. Exploring instructors' views on fine-tuned generative AI feedback in higher education // International Journal on E-Learning. 2024. No. 23(3). Pp. 319-334.
  2. Anthony J., Fisch-Ferguson J. Generative AI: Student perception on ChatGPT prompt feedback in post-secondary online education // Proceedings of the World Conference on Social Sciences and Humanities. 2024. No. 1(1). Pp. 1-15.
  3. Sain Z. H., Vasudevan A., Thelma C. C., Asfahani A. Harnessing ChatGPT for effective assessment and feedback in education // Journal of Computer Science and Informatics Engineering. 2024. No. 3(2). Pp. 74-82. doi: 10.55537/cosie.v3i2.856 EDN: IGJOQS.
  4. Li H., Xing W., Li C., Zhu W., Lyu B., Zhang F., Liu Z. Who should be my tutor? Analyzing the interactive effects of automated text personality styles between middle school students and a mathematics chatbot // In Proceedings of the 15th International Learning Analytics and Knowledge Conference (LAK '25). Association for Computing Machinery, 2025. P. 910-917.
  5. Lyu B., Li C., Li H., Oh H., Song Y., Zhu W., Xing W. Exploring the role of teachable AI agents' personality traits in shaping student interaction and learning in mathematics education // In Proceedings of the 15th International Learning Analytics and Knowledge Conference (LAK '25). Association for Computing Machinery, 2025. P. 887-894.
  6. Lee S. S., Moore R. L. Harnessing generative AI (GenAI) for automated feedback in higher education: A systematic review // Online Learning. 2024. No. 28(3). Pp. 82-104.
  7. Qadeer A. The mediating impact of student engagement on the association between generative AI-based feedback and academic performance in higher education // Journal of Research, Innovation, and Strategies for Education. 2025. No. 2(1). Pp. 29-44.
  8. Kwako A., Wan Y., Zhao J., Chang K.-W., Cai L., Hansen M. Does BERT exacerbate gender or L1 biases in automated English speaking assessment? // In Proceedings of the 18th Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2023). Association for Computational Linguistics, 2025. P. 668-681.
  9. Lai P., Lau I., Pang R. Exploring the efficacy of rubric-based AI feedback in enhancing student writing outcomes // In 2024 6th International Workshop on Artificial Intelligence and Education (WAIE). IEEE, 2024. P. 220-224.
  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. № 71(5). С. 694-712. doi: 10.32744/pse.2024.5.41 EDN: XZGVGM.
  11. Боголепова С. В. Возможности инструментов искусственного интеллекта для проверки письменных работ и формулировки обратной связи // Дискурс профессиональной коммуникации. 2025. № 7(1). С. 70-88. doi: 10.24833/2687-0126-2025-7-1-70-88 EDN: IMTFUB.
  12. Cheong Y. A Study of the effectiveness of student perception-based AI feedback in college writing classes // Korean Journal of General Education. 2024. No. 18(5). Pp. 159-173.
  13. Ahmed I., Liu W., Roscoe R. D., Reilley E., McNamara D. S. Multifaceted assessment of responsible use and bias in language models for education // Computers. 2025. No. 14(3). P. 100. doi: 10.3390/computers14030100 EDN: KSZZRK.
  14. Zhang M., Johnson M., Ruan C. Investigating sampling impacts on an LLM-based AI scoring approach: Prediction accuracy and fairness // Journal of Measurement and Evaluation in Education and Psychology. 2024. No. 15. Pp. 348-360.
  15. Khlaif Z. N., Ayyoub A., Hamamra B., Bensalem E., Mitwally M. A. A., Ayyoub A., Hattab M. K., Shadid F. University teachers' views on the adoption and integration of generative AI tools for student assessment in higher education // Education Science. 2024. No. 14(10). P. 1090.
  16. Сысоев П. В. Этика и ИИ-плагиат в академической среде: Понимание студентами вопросов соблюдения авторской этики и проблемы плагиата в процессе взаимодействия с генеративным искусственным интеллектом // Высшее образование в России. 2024. № 33(2). С. 31-53. doi: 10.31992/0869-3617-2024-33-2-31-53 EDN: VTAIUO.
  17. Keshtkar F., Rastogi N., Chalarca S., Bukhari S. A. C. AI tutor: Student's perceptions and expectations of AI-driven tutoring systems: A survey-based investigation // The International FLAIRS Conference Proceedings. 2024. No. 37(1).
  18. Токмакова Ю. В., Саенко Е. С. Использование корректирующей обратной связи от генеративного искусственного интеллекта в обучении профессиональному иностранному языку студентов аграрного вуза // Вестник Тамбовского университета. Серия: Гуманитарные науки. 2025. № 30(1). С. 50-66. doi: 10.20310/1810-0201-2025-30-1-50-66 EDN: GSFFPP.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).