МЕТОДОЛОГИЧЕСКАЯ ОСНОВА РАЗРАБОТКИ ДИСТАНЦИОННОЙ ОБУЧАЮЩЕЙ ПЛАТФОРМЫ НА БАЗЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

В статье разработана и эмпирически проверена методологическая основа создания дистанционной обучающей платформы на принципах искусственного интеллекта (AI), опирающаяся на ключевые AI-подходы: принятие решений на основе данных, построение модели обучающегося, адаптивная персонализация и непрерывная обратная связь. Цель исследования заключается в (i) формировании структурированной методологии разработки AI-поддерживаемой платформы и (ii) доказательстве ее эффективности на основе измеримых показателей учебных достижений и активности обучающихся. Предложенная структурно-методологическая модель интегрирует четыре взаимосвязанных компонента: (1) архитектуру платформы (сбор данных, доставка контента, сервисы оценивания, аналитика и AI-слой, администрирование/безопасность); (2) механизмы персонализации (модель обучающегося, адаптивные учебные траектории, рекомендательная подсистема, обратная связь на основе аналитики); (3) метрики оценки эффективности (результаты pre/post-тестов, учебный прирост, показатели вовлеченности, удовлетворенность); (4) нормативные и педагогические требования (защита персональных данных, академическая добросовестность, доступность, соответствие ожидаемым результатам обучения). Методология апробирована в формате квази-эксперимента на базе кафедры Computer Science Атырауского университета имени Х. Досмухамедова в рамках дисциплины «Платформы искусственного интеллекта» среди магистрантов 2 курса (N=22; контрольная группа n=11, экспериментальная группа n=11). Описательные результаты показали, что в контрольной группе показатель pre-test составил 57.56%, post-test — 69.55%, что соответствует приросту 11.99 процентного пункта (pp) и относительному приросту 20.86%; в экспериментальной группе pre-test — 51.05%, post-test — 73.30%, прирост — 22.25 pp, относительный прирост — 44.08%. Эффективность платформы подтверждена методами математической статистики: Welch t-тест по учебному приросту выявил значимые межгрупповые различия (t=5.397, df=20.0, p<0.001), при очень большом размере эффекта (Cohen’s d=2.30), а 95% доверительный интервал для разности средних приростов составил Δ=[6.30; 14.23] pp. Анализ ANCOVA с учетом исходного уровня (зависимая переменная — post-test, фактор — группа, ковариата — pre-test) подтвердил значимое влияние фактора группы (F=26.323, df1=1, df2=19, p=0.0001) и высокую долю объясненной дисперсии (partial η²=0.581). В целом результаты демонстрируют, что AI-ориентированная персонализация в дистанционном обучении существенно повышает учебный прирост и усиливает стабильность итоговых результатов.

1. Hwang G.J., Xie H., Wah B.W. & Gašević D. Vision, challenges, roles and research issues of Artificial Intelligence in Education. Computers and Education: Artificial Intelligence, - 2020, Vol. 1, Р. 25-35.

2. Ouyang F. & Jiao P. Artificial intelligences in education: The three paradigms. Computers and Education: Artificial Intelligence, 2, Article 100020. - 2021.Р.32.

3. Kabudi T., Pappas I.O. & Olsen D.H. AI-enabled adaptive learning systems: A systematic mapping of the literature. Computers and Education: Artificial Intelligence, 2, Article 100017. DOI: 10.1016/j.caeai.100017. – 2021.Р.65.

4. Wang X., Tao M. & Su Y. AI integration in online higher education: A systematic review. Computers and Education: Artificial Intelligence, 9, Article 100429.

5. Gligorea I., Cioca M., Oancea R., Gorski A.-T., Gorski H. & Tudorache P. Adaptive learning using artificial intelligence in e-learning: A literature review. Education Sciences, 13(12), Article 1216.- 2023. Р. 45-50.

6. Khor E.T & Mutthulakshmi K. A systematic review of the role of learning analytics in supporting personalized learning. Education Sciences, 14(1), Article 51. – 2024. Р.87.

7. Hariyanto, Kristianingsih F.X.D. & Maharani R. Artificial intelligence in adaptive education: A systematic review of techniques for personalized learning. Discover Education, 4, Article 458 - 2025 Р.78-80.

8. Guo S., Zheng J. & Zhai X. Artificial intelligence in education research during 2013–2023: A bibliometric analysis. Education and Information Technologies, 29, P. 16387–16409. – 2024 Р. 12.

9. Nazyrova A., Miłosz M., Bekmanova G., Omarbekova A., Aimicheva G. & Kadyr Y. The digital transformation of higher education in the context of an AI-driven future. Sustainability, - 2021. 17(22), Article 9927. Р. 45.

10. Kasneci E., Seßler K., Küchemann S., Bannert M., Dementieva D., Fischer F., Kasneci G. et al. ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, - 2023. Article 102274. Р.23-32.

11. Қазақстан Республикасы Үкіметі. Жасанды интеллектті дамытудың 2024–2029 жылдарға арналған тұжырымдамасын бекіту туралы (2024, 24 шілде) № 592 қаулысы. [Электрондық ресурс] — URL: https://adilet.zan.kz/kaz/docs/P2400000592 (қаралған уақыты: 18.12.2025).

12. Қазақстан Республикасында жоғары білімді және ғылымды дамытудың 2023–2029 жылдарға арналған тұжырымдамасы (2023, 28 наурыз). № 248 қаулысы. [Электрондық ресурс] — URL: https://adilet.zan.kz/kaz/docs/P2300000248 (қаралған уақыты: 18.12.2025).

13. Қазақстан Республикасы. Дербес деректер және оларды қорғау туралы (2013, 21 мамыр). № 94-V ҚР Заңы. [Электрондық ресурс] — URL: https://adilet.zan.kz/kaz/docs/Z1300000094 (қаралған уақыты: 18.12.2025).

14. Қазақстан Республикасы. Ақпараттандыру туралы (2015, 24 қараша). № 418-V ҚРЗ Заңы. [Электрондық ресурс] — URL: https://adilet.zan.kz/kaz/docs/Z1500000418 (қаралған уақыты: 18.12.2025).

15. UNESCO. Guidance for generative AI in education and research. Paris: UNESCO.-2023. Р.45.

16. UNESCO. Recommendation on the Ethics of Artificial Intelligence. Paris: UNESCO.- 2021. Р.96.