emremr Управление образованием: теория и практикаEducation Management Review 2311-2174 10.25726/r8400-3630-6308-r2857 DATA SCIENCE IN THE MANAGEMENT OF EDUCATIONAL SPACEDATA SCIENCE В УПРАВЛЕНИИ ОБРАЗОВАТЕЛЬНЫМ ПРОСТРАНСТВОМ Методика внедрения искусственного интеллекта в практико-ориентированные дисциплины для моделирования профессиональных кейсов и развития компетенций принятия решенийMethodology of introducing artificial intelligence into practice-oriented disciplines for modeling professional cases and developing decision-making competencies https://orcid.org/0009-0009-3118-0829 Андреева Инна Алексеевна andia70@mail.ru https://orcid.org/0000-0003-3205-8285 Егорова Ольга Николаевна olga-nik06@mail.ru Армавирский государственный педагогический университет, 352901, Краснодарский край, г. Армавир, ул. Розы Люксембург, д. 159 2026 30 03 2026 163-1129Управление образованием: теория и практикаEducation Management Review112 123 Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная. В статье рассматривается методика системной интеграции технологий искусственного интеллекта в практико-ориентированные дисциплины высшей школы для генерации вариативных профессиональных кейсов и формирования компетенций принятия решений в условиях неопределенности. Обосновывается, что традиционные статичные сценарии обучения воспроизводят предсказуемые траектории решения и тем самым поддерживают туннельное мышление , тогда как генеративные модели позволяют конструировать контекстно-зависимые ситуации с неполными и противоречивыми данными, вводить внезапные ограничения (изменение бюджета, требований, регламентов) и обеспечивать оперативную обратную связь в диалоговом формате. Методика опирается на системно-деятельностную логику проектирования занятий, разграничение функций преподавателя и интеллектуального агента, а также на управление когнитивной нагрузкой, предотвращающее некритическое доверие к машинным ответам. В ходе апробации в трех университетах на выборке 842 обучающихся старших курсов и магистратуры использовались большие языковые модели и отраслевые симуляторы, интегрированные в LMS; анализировались цифровые следы взаимодействия, экспертные оценки решений по критериям обоснованности, оригинальности, этичности и экономической эффективности, а также психометрические и опросные показатели с применением статистической проверки различий. Показано, что работа в адаптивной среде сокращает время первичного анализа условий при одновременном росте глубины проработки, увеличивает число рассматриваемых альтернатив (в среднем более чем вдвое), повышает точность прогноза рисков и индекс обоснованности, а также выравнивает результаты внутри группы за счет эффекта скаффолдинга. Зафиксирован значимый прирост устойчивости к информационному шуму, способности пересматривать стратегию и выявлять логические ошибки в сгенерированном контенте, что указывает на усиление критической верификации, а не на ее деградацию. Опросные индексы отражают высокую воспринимаемую полезность технологии при неоднородной легкости использования для слабоподготовленных студентов и росте тревожности, однако вовлеченность сохраняется повышенной. Внешняя оценка работодателей после практики демонстрирует снижение ошибок в нестандартных ситуациях и ускорение социальной интеграции, подтверждая перенос сформированных стратегий в реальную деятельность; обсуждаются условия масштабирования, необходимость персонализации сложности и этико-методологические ограничения применения ИИ в обучении.The article examines a methodology for the systematic integration of artificial intelligence technologies into practice-oriented disciplines in higher education for generating variable professional cases and forming decision-making competencies under conditions of uncertainty. It substantiates that traditional static training scenarios reproduce predictable decision trajectories and thereby foster «tunnel thinking», whereas generative models enable the construction of context-dependent situations with incomplete and contradictory data, introduction of sudden constraints (changes in budget, requirements, regulations), and provision of prompt feedback in a dialogic format. The methodology relies on a systems-activity logic of designing sessions, delineation of functions between the instructor and the intelligent agent, and management of cognitive load to prevent uncritical trust in machine responses. During approbation in three universities with a sample of 842 senior undergraduate and graduate students, large language models and industry simulators integrated into LMS were used; digital traces of interactions, expert evaluations of solutions based on criteria of substantiation, originality, ethics, and economic efficiency, as well as psychometric and survey indicators with statistical testing of differences were analyzed. It is shown that working in an adaptive environment reduces the time for initial analysis of conditions while simultaneously increasing the depth of elaboration, increases the number of considered alternatives (on average more than twice), improves risk forecast accuracy and substantiation index, and levels results within the group due to the scaffolding effect. A significant increase in resilience to informational noise, ability to revise strategy, and detection of logical errors in generated content has been recorded, indicating enhancement of critical verification rather than its degradation. Survey indices reflect high perceived usefulness of the technology amid heterogeneous «ease of use» for underprepared students and increased anxiety, while engagement remains elevated. External employer evaluation after practice demonstrates reduction of errors in non-standard situations and acceleration of social integration, confirming transfer of formed strategies to real activity; conditions for scaling, necessity of personalizing complexity, and ethical-methodological limitations of AI application in education are discussed.artificial intelligencegenerative modelsprofessional casesdecision-makingpractice-oriented learningискусственный интеллектгенеративные моделипрофессиональные кейсыпринятие решенийпрактико-ориентированное обучение issue-cover Андруник А.П., Косякин С.И. Диагностика компетенций персонала с применением технологии искусственного интеллекта // Вестник Пермского национального исследовательского политехнического университета. Социально-экономические науки. 2015. № 4. С. 55-64. Бугаков И.А., Царьков А.Н. Московское областное отделение Научного совета РАН по методологии искусственного интеллекта // Известия Института инженерной физики. 2006. № 1(1). С. 54-57. Грошева А.В., Иванцова Е.С. Метод кейсов в подготовке и принятии управленческих решений // Наука. Управление. Образование. РФ. 2025. № 4(20). С. 113-116. Жигарева Ю.С., Леднева Т.В. Модели ответственности искусственного интеллекта // Юридическая орбита. 2022. № 2. С. 139-141. Кабанов С.Г., Мартынов Г.В., Лукьяненко А.С. Преимущества байесовского подхода в создании моделей экспертных систем при обучении студентов основам искусственного интеллекта // Ученые записки ИИО РАО. 2007. № 26. С. 171-175. Кисель Е.Б., Шинкарев М.Б., Кондрашова Е.Н. Опыт применения средств искусственного интеллекта в моделировании бизнес-процессов // Новости искусственного интеллекта. 1996. № 4. С. 85-120. Лапыгин Ю.Н., Лапыгин Д.Ю. Использование искусственного интеллекта в качестве виртуального участника учебной группы в процессе обучения принятию решений // Профессиональное образование и рынок труда. 2025. Т. 13. № 4(63). С. 202-213. Лемешко Т.Б. Методы представления знаний теории искусственного интеллекта и перспективы их использования в автоматизированном обучении // Сборник научных трудов Российской сельскохозяйственной академии им. К.А. Тимирязева. 2004. № 276. С. 686-688. Миажден С.А. Интеграция искусственного интеллекта в медицинском образовании: примеры стран-новаторов // Вестник Башкирского государственного медицинского университета. 2024. № S3. С. 162–169. Семенкин Е.С. Методы решения сложных оптимизационных задач и системы искусственного интеллекта // Вестник Красноярского государственного технического университета. 1996. № 5. С. 108-112. Смагина Е.С., Фролова Е.Ю. Оптимизация стадии подготовки дел к судебному разбирательству в цивилистическом процессе с помощью искусственного интеллекта // Вестник Университета имени О.Е. Кутафина (МГЮА). 2025. № 2(126). С. 103-109. Смирнов Д.А., Сахарова Н.А. Интеграция искусственного интеллекта в формирование профессиональных представлений студентов технического вуза // Профессиональные представления. 2025. № 1(17). С. 189-197. Хижняк А.В. Методика выявления профессиональных дефицитов в направлении использования технологий искусственного интеллекта в математическом образовании // Математический форум (Итоги науки. Юг России). 2020. Т. 13. С. 332-334. Хисамов Н.И., Аль Аккад М.А. Принятие решений в реальном времени на основе отслеживания процессов // Интеллектуальные системы в производстве. 2024. Т. 22. № 1. С. 106-110. Швырков А.И. Проблема искусственного интеллекта: возможности методологического подхода // Эпистемология и философия науки. 2009. Т. 19. № 1. С. 111-122.