Применение искусственного интеллекта в университетских информационных системах для персонализации обучения и поддержки преподавателей

Аннотация

В статье рассматривается интеграция технологий искусственного интеллекта в университетские информационные системы как фактор перехода от стандартизированного обучения к адаптивным персонализированным траекториям и как инструмент когнитивной поддержки преподавателя в условиях роста гетерогенности студенческой аудитории и бюрократизации академического труда. Показано, что цифровые следы, генерируемые в LMS и сопряжённых сервисах, при аналитической обработке могут быть преобразованы в рекомендательные механизмы и предиктивные модели, которые динамически соотносят сложность контента с текущим уровнем освоения, снижая когнитивную перегрузку и поддерживая учебную мотивацию. Аналитическая часть опирается на деперсонализированные данные трёх федеральных университетов за 2021-2023 годы и сочетает лонгитюдное сопоставление образовательных результатов, хронометраж педагогических операций, анкетирование, корреляционно-регрессионные процедуры и методы обработки естественного языка для интерпретации неструктурированных текстов. В адаптивной модели зафиксированы рост среднего балла по итогам семестра с 74,32 до 81,95, повышение доли отличных результатов, увеличение индекса остаточных знаний с 62,18 до 71,04 при одновременном снижении среднего времени освоения модулей с 42,50 до 36,15 часа, а также сокращение отсева с 12,84% до 7,42; уменьшение вариативности успеваемости интерпретируется как выравнивание результатов за счёт своевременной коррекции траекторий. Для преподавателей выявлено перераспределение временного бюджета: проверка работ сокращается с 14,55 до 6,20 часа в неделю, административная нагрузка – с 6,40 до 3,15, тогда как индивидуальное консультирование возрастает с 4,15 до 8,80, а исследовательская активность – с 5,20 до 8,35. Отдельно проанализирована точность выявления студентов «группы риска»: переход к мультимодальным данным повышает качество прогнозов до Accuracy 94,15% и AUC-ROC 0,968, при высокой специфичности 95,85%. Показатели удовлетворенности и лояльности студентов возрастают при активном использовании ИИ-сервисов, а тревожность перед экзаменами снижается, что связывается с регулярной обратной связью и воспринимаемой справедливостью оценивания. Подчёркнута необходимость объяснимости алгоритмов и этически обоснованной работы с данными, поскольку рост прогностической силы напрямую зависит от расширения цифрового профиля обучающегося.