Развитие управленческих компетенций студентов экономического вуза на основе интеграции ИИ и технологии «перевернутый класс»

Целью работы является разработка, апробация и оценка эффективности педагогической модели, интегрирующей инструменты искусственного интеллекта и технологии смешанного обучения «перевернутый класс» для развития ключевых управленческих компетенций студентов экономического вуза.
Материалы и методы. В исследовании применялся комплекс методов: теоретический анализ, педагогический эксперимент, метод экспертной оценки, статистическая обработка данных. Эксперимент проводился в Минском филиале ФГБОУ ВО «Российский экономический университет» им. Г.В. Плеханова» в 2021–2025 учебные годы в работе со студентами направлений подготовки «Бизнес-информатика», «Менеджмент» и «Экономика», разделенными на контрольные и экспериментальные группы.
Результаты. Сравнение результатов образовательной деятельности студентов в экспериментальных и контрольных группах свидетельствует о высоком потенциале педагогической модели, интегрирующей инструменты искусственного интеллекта и технологии «перевернутый класс» для развития управленческих компетенций студентов, что в свою очередь, оказывает позитивное влияние на их другие образовательные и научные достижения.
Заключение. Интеграция технологий искусственного интеллекта и модели «перевернутый класс» создает мощную образовательную основу для целенаправленного формирования управленческих компетенций у студентов экономического вуза. Данный подход позволяет трансформировать образовательный процесс из пассивного усвоения информации в активную среду практического научения, максимально приближенную к реалиям цифрового бизнеса. Ключевым успехом является синергия: искусственный интеллект берет на себя рутинную персонализацию и тренировку базовых знаний, а студенты и преподаватели фокусируются на развитии уникальных качеств, необходимых будущим руководителям в сфере экономики – компетентности, коммуникативности, критического мышления, креативности, эмоционального интеллекта, лидерского потенциала, уверенности в себе. Заключение подтверждает гипотезу о высокой эффективности предложенной интеграции, обеспечивающей персонализацию, интерактивность и практико-ориентированность образовательного процесса. Модель может быть масштабирована на другие направления подготовки управленческих кадров.

1. Шамсутдинова Т.М. Применение систем искусственного интеллекта в образовании: технологические тренды и этические аспекты // Открытое образование. 2025. Т. 20. № 6. С. 49–57. DOI: 10.21686/1818-4243-2025-6-49-57.

2. Широколобова А. Г. Технология смешанного обучения в высшей школе на основе принципов цифровой дидактики // Вестник Самарского университета. История, педагогика, филология. 2024. Т. 30. № 1. С. 77–86. DOI: 10.18287/25420445-2024-30-1-77-86.

3. Yanova Natalia. Assessment of Satisfaction with the Quality of Education: Customer Satisfaction Index // Procedia – Social and Behavioral Sciences. 2015. №182.С.566–573. DOI:10.1016/j.sbspro.2015.04.782.

4. Кулагина А. А. Применение технологии «перевёрнутый класс» в образовательном процессе вуза // Вестник Тверского государственного университета. Серия: Педагогика и психология. 2022. Т. 59. № 2. С. 138–146. DOI:10.26456/vtpsyped/2022.2.138.

5. Загумённов Ю.Л. Использование технологии смешанного обучения «перевернутый класс» в формировании лидерских качеств у будущих ИТ специалистов // Открытое образование. 2023. Т. 27. № 2. С. 16–26. DOI: 10.21686/1818-4243-2023-2-16-26.

6. Haetami Aceng., Boateng Abena., Martinez Ricardo. Flipped Classroom Models: Revolutionizing Learning in Higher Education // International Journal of Educational Narratives. 2025. DOI: 10.70177/ijen.v3i1.1690.

7. Цыбулевский А. В. Геймификация в вузах: отечественный и зарубежный опыт // Социально-гуманитарные знания. 2025. № 9. С. 141–145.

8. Priyaadharshini Dr., Maiti Monica. Learning Analytics: Gamification in Flipped Classroom for Higher Education // Journal of Engineering Education Transformations. 2023. DOI: 10.16920/jeet/2023/v37i1/23137.

9. Замуруева Н.А., Лепешкина Г.Г. Техноло-гия «Перевернутый класс»: история возникновения, преимущества и недостатки использования в вузе // Образование и наука без границ: фундаментальные и прикладные исследования. 2022. № 16. С. 175–177.

10. Милинский А.Ю. Перевернутый класс в современном образовательном процессе // Проблемы современного педагогического образования. 2025. Т. 87. № 3. С. 187–190.

11. Сысоев П.В. Искусственный интеллект в образовании: осведомлённость, готовность и практика применения преподавателями высшей школы технологий искусственного интеллекта в профессиональной деятельности // Высшее образование в России. 2023. Т. 32. № 10. С. 9–33.

12. Захарова И.Г., Воробьева М.С., Боганюк Ю.В. Сопровождение индивидуальных образовательных траекторий на основе концепции объяснимого искусственного интеллекта // Образование и наука. 2022. Т. 24. № 1. С. 163–190.

13. Tasdelen O., Bodemer D. Generative AI in the Classroom: Effects of Context-Personalized Learning Material and Tasks on Motivation and Performance // International Journal of Artificial Intelligence in Education. 2025. DOI: 10.1007/s40593-025-00491-9.

14. Искусственный интеллект в обучении: результаты опроса Студенческого научного общества Плехановки [Электрон. ресурс] // Студенческое научное общество (СНО) РЭУ им. Г.В. Плеханова. Режим доступа: https://www.rea.ru/news/59801-iskusstvennyiy-intellekt-v-obuchenii-rezultatyi-oprosa-studencheskogo-nauchnogo-obschestva-plehanovki.

15. Zhang Fangcong., Gou Juanqiong., Shen Kathy., Camarinha-Matos Luis., Wang Zhe. Effects of AI teammates on learning behavior in Human-AI collaboration environments: a perspective on selfregulated learning // Education and Information Technologies. 2025. DOI: 10.1007/s10639-025-13717-z.