Архитектура AI-ассистированных интерактивных тренажеров для обучения промпт-инжинирингу: методология проектирования и опыт внедрения

Стремительное развитие технологий искусственного интеллекта и их широкое внедрение в различные сферы человеческой деятельности актуализируют проблему массового обучения работе с AI-инструментами, в частности, освоения техник промпт-инжиниринга. Традиционные образовательные подходы не успевают за темпами технологических изменений, что создает разрыв между потребностями рынка труда и компетенциями выпускников образовательных программ.

Цель. Представить архитектуру и методологию проектирования системы интерактивных тренажеров с автоматизированной оценкой на основе больших языковых моделей для обучения различным аспектам работы с AI-инструментами; описать опыт практического внедрения разработанной системы в курсы повышения квалификации.

Методология, методы и методики. Исследование основано на методологии педагогического дизайна и теории геймификации образовательного процесса. Архитектура системы реализована с использованием клиентских веб-технологий (HTML5, JavaScript) и интеграции с API больших языковых моделей (OpenRouter) для автоматизированной проверки открытых заданий. Апробация проведена в контексте курсов повышения квалификации по программе «Введение в нейросети: практическое освоение AI-платформ».

Научная новизна. Разработана и описана архитектура системы интерактивных тренажеров, включающая шесть специализированных модулей: техники промпт-инжиниринга (Zero-shot, Few-shot, Chain-of-Thought и др.), этика искусственного интеллекта, генерация изображений и видео, создание презентаций, AI-аналитика данных. Научная новизна заключается в применении больших языковых моделей для автоматизированной проверки творческих заданий с формированием развернутой обратной связи без участия преподавателя. Система интегрирует механизмы геймификации (система достижений, прогрессивное открытие контента) для повышения мотивации.

Практическая значимость. Представленная система может быть интегрирована в курсы повышения квалификации и программы высшего образования в различных предметных областях. Модульная архитектура обеспечивает возможность адаптации тренажеров под различные предметные области и образовательные контексты. Определены направления дальнейшего развития системы, включая интеграцию с LMS через SCORM-пакеты и разработку собственного плагина для аналитики образовательного процесса.

1. Рынок AI-образования в России: рост до 5,6 млрд руб. и новые тренды // Robokassa. 2025. URL: https://robokassa.com/blog/news/rossiyskiy-rynok-obrazovatelnykh-uslug-v-sfere-ii/ (дата обращения: 26.10.2025).

2. Российский рынок обучения нейросетям показывает уверенный рост // ML Times. 2025. URL: https://mltimes.ai/rossijskij-rynok-obucheniya-nejrosetyam-pokazyvaet-uverennyj-rost/ (дата обращения: 26.10.2025).

3. Heston T. F., Khun C. Prompt engineering in medical education // International Medical Education. 2023. Vol. 2. № 3. P. 198-205. DOI: 10.3390/ime2030019

4. AI prompt engineering: A critical new skillset for 21st-century teachers // eCampus News. 2025. URL: https://www.ecampusnews.com/ai-in-education/2025/06/05/ai-prompt-engineering-a-critical-new-skillset-for-21st-century-teachers/ (дата обращения: 27.10.2025).

5. Federiakin D., Molerov D., Zlatkin-Troitschanskaia O., Maur A. Prompt engineering as a new 21st century skill // Frontiers in Education. 2024. Vol. 9. Article 1366434. DOI: 10.3389/feduc.2024.1366434

6. Correia A. P. Strategies for prompt engineering in educational inquiries // Theory Into Practice. 2025. Vol. 64. № 3. P. 1-12. DOI: 10.1080/00405841.2025.2528545

7. Qian Y. Prompt engineering in education: A systematic review of approaches and educational applications // Journal of Computer Assisted Learning. 2025. Early view. DOI: 10.1177/07356331251365189

8. Blanie A., Roulleau P., Bonnet M. P., et al. Serious game versus traditional teaching methods: A randomized controlled trial // Advances in Simulation. 2020. Vol. 5. Article 31. DOI: 10.1186/s41077-020-00151-1

9. Dicheva D., Dichev C., Agre G., Angelova G. Gamification in education: A systematic mapping study // Educational Technology & Society. 2015. Vol. 18. № 3. P. 75-88.

10. Deterding S., Dixon D., Khaled R., Nacke L. From game design elements to gamefulness: defining gamification // Proceedings of the 15th International Academic MindTrek Conference. 2011. P. 9-15. DOI: 10.1145/2181037.2181040

11. Messer M., Brown N., Mahzoon M., et al. Automated grading and feedback tools for programming education: A systematic review // ACM Transactions on Computing Education. 2024. Vol. 24. № 2. Article 15. DOI: 10.1145/3636515

12. AI and auto-grading in higher education: Capabilities, ethics, and the evolving role of educators // Ohio State University Center for Teaching and Learning. 2025. URL: https://ascode.osu.edu/news/ai-and-auto-grading-higher-education-capabilities-ethics-and-evolving-role-educators (дата обращения: 27.10.2025).

13. Flodén J. The impact of artificial intelligence on learning: Exploring automated feedback mechanisms // Studies in Higher Education. 2025. Vol. 50. № 4. P. 1-14. DOI: 10.1080/03075079.2025.2312456

14. Li J., Bobrov A., West D., Aloisi C., He Y. An automated explainable educational assessment system built on LLMs // Proceedings of the AAAI Conference on Artificial Intelligence. 2025. Vol. 39. P. 23456-23464. arXiv: 2412.13381

15. Baral S., Kao H., Hu X. A comparative analysis of LLMs for open-ended responses in math education // Proceedings of Educational Data Mining. 2024. P. 567-574.

16. Самохвалов Н. А., Соловьев М. М., Скворцов Л. В. Интерактивные тренажеры и их применение в процессе подготовки ИТ-специалистов в системе дистанционного обучения Moodle // Вестник Тамбовского университета. Серия: Естественные и технические науки. 2023. Т. 28. № 126. С. 1063-1076. DOI: 10.20310/1810-0198-2023-28-126-1063-1076

17. Воронова Т. С. Интерактивные тренажеры как образовательный ресурс // Известия Саратовского университета. Новая серия. Акмеология образования. Психология развития. 2019. Т. 8. № 3. С. 278-282. DOI: 10.18500/2304-9790-2019-8-3-278-282

18. Рубцова С. Ю., Алмазова О. В. Искусственный интеллект в образовании: проблемы и перспективы // Вопросы образования. 2024. № 2. С. 195-214. DOI: 10.17323/1814-9545-2024-2-195-214

19. Бахтиярова Л. Н., Павлова Е. Д. Цифровая трансформация образования: вызовы и возможности // Образование и наука. 2024. Т. 26. № 5. С. 45-67. DOI: 10.17853/1994-5639-2024-5-45-67

20. Kapp K. M. The gamification of learning and instruction: Game-based methods and strategies for training and education. San Francisco: Pfeiffer, 2012. 336 p.

21. Bowen J. A., Watson C. E. Teaching with AI: A practical guide to a new era of human learning. Baltimore: Johns Hopkins University Press, 2024. 288 p.

22. Amatriain X. Prompt engineering 101: Introduction and resources // Towards Data Science. 2024. URL: https://towardsdatascience.com/prompt-engineering-101-introduction-and-resources-8b0e9c0c8c0c (дата обращения: 27.10.2025). DOI: 10.48550/arXiv.2401.14423

23. Crabtree S. The art and science of prompt engineering // AI Magazine. 2024. Vol. 45. № 1. P. 12-24. DOI: 10.1002/aaai.12234

24. Flodén J. Evaluating AI-generated feedback in higher education: Accuracy, consistency, and pedagogical value // Assessment & Evaluation in Higher Education. 2025. Vol. 50. № 3. P. 456-471. DOI: 10.1080/02602938.2024.2398765

25. Assessing the reliability and validity of large language models for automated assessment of student writing // Stanford SCALE Repository. 2025. URL: https://scale.stanford.edu/ai/repository/assessing-reliability-and-validity-large-language-models-automated-assessment-student (дата обращения: 27.10.2025). DOI: 10.48550/arXiv.2508.00123

26. Hamari J., Koivisto J., Sarsa H. Does gamification work? A literature review of empirical studies on gamification // Proceedings of the 47th Hawaii International Conference on System Sciences. 2014. P. 3025-3034. DOI: 10.1109/HICSS.2014.377

27. Sailer M., Homner L. The gamification of learning: A meta-analysis // Educational Psychology Review. 2020. Vol. 32. P. 77-112. DOI: 10.1007/s10648-019-09498-w

28. Dicheva D., Dichev C., Agre G., Angelova G. Gamification in education: A systematic mapping study // Educational Technology & Society. 2015. Vol. 18. № 3. P. 75-88.

29. Kapp K. M. The gamification of learning and instruction: Game-based methods and strategies. San Francisco: Pfeiffer, 2012. 336 p.

30. Bloom B. S., Engelhart M. D., Furst E. J., Hill W. H., Krathwohl D. R. Taxonomy of educational objectives: The classification of educational goals. Handbook I: Cognitive domain. New York: David McKay, 1956. 207 p.

31. Wood D., Bruner J. S., Ross G. The role of tutoring in problem solving // Journal of Child Psychology and Psychiatry. 1976. Vol. 17. № 2. P. 89-100. DOI: 10.1111/j.1469-7610.1976.tb00381.x

32. Schraw G., Dennison R. S. Assessing metacognitive awareness // Contemporary Educational Psychology. 1994. Vol. 19. № 4. P. 460-475. DOI: 10.1006/ceps.1994.1033

33. Wei J., Wang X., Schuurmans D., et al. Chain-of-thought prompting elicits reasoning in large language models // Advances in Neural Information Processing Systems. 2022. Vol. 35. P. 24824-24837.

34. Jobin A., Ienca M., Vayena E. The global landscape of AI ethics guidelines // Nature Machine Intelligence. 2019. Vol. 1. № 9. P. 389-399. DOI: 10.1038/s42256-019-0088-2

35. UNESCO. Recommendation on the ethics of artificial intelligence. Paris: UNESCO, 2021. 38 p.

36. Oppenlaender J. A taxonomy of prompt modifiers for text-to-image generation // Behaviour & Information Technology. 2023. P. 1-14. DOI: 10.1080/0144929X.2023.2286532

37. Gagné R. M., Briggs L. J., Wager W. W. Principles of instructional design. 4th ed. Fort Worth: Harcourt Brace Jovanovich, 1992. 336 p.

38. Hattie J., Timperley H. The power of feedback // Review of Educational Research. 2007. Vol. 77. № 1. P. 81-112. DOI: 10.3102/003465430298487

39. Kulkarni C., Wei K. P., Le H., et al. Peer and self assessment in massive online classes // ACM Transactions on Computer-Human Interaction. 2013. Vol. 20. № 6. Article 33. DOI: 10.1145/2505057

40. Deci E. L., Ryan R. M. Self-determination theory: A macrotheory of human motivation, development, and health // Canadian Psychology. 2008. Vol. 49. № 3. P. 182-185. DOI: 10.1037/a0012801

41. Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead // Nature Machine Intelligence. 2019. Vol. 1. № 5. P. 206-215. DOI: 10.1038/s42256-019-0048-x

42. Bender E. M., Gebru T., McMillan-Major A., Shmitchell S. On the dangers of stochastic parrots: Can language models be too big? // Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency. 2021. P. 610-623. DOI: 10.1145/3442188.3445922