Формирование адаптивных инженерных компетенций: ИИ-тьютор как активатор когнитивного синтеза

Цель исследования. Интеграция систем на основе искусственного интеллекта в инженерное образование сталкивается с терминологической неопределённостью: платформы автоматизации условной логики позиционируются разработчиками как подлинные интеллектуальные агенты, что затрудняет объективный выбор образовательных технологий и формирует риск подмены педагогического развития технологической имитацией. Цель работы — разработать критериальный инструментарий верификации, позволяющий дифференцировать системы автоматизации условной логики от агентов, способных инициировать синтез инженерных и управленческих эвристик, отсутствующих в учебных материалах, и описать механизм формирования адаптивной экспертизы — компетенции, опережающей требования федеральных государственных образовательных стандартов.

Материалы и методы. Проведён функциональный анализ архитектур образовательных систем на основе искусственного интеллекта, описанных в рецензируемых отечественных и международных источниках за 2024–2026 годы. Теоретико-методологическую основу составили концепции адаптивной экспертизы, метакогнитивной регуляции и экспансивного обучения. Сформулированы три качественных критерия с наблюдаемыми маркерами для верификации способности системы инициировать эвристический синтез: дифференциация типов ошибок, генерация неканонических сценариев, инициация эвристического синтеза. Выполнена экспертная калибровка критериев методом последовательных оценок с участием 14 экспертов — практиков инженерных и управленческих дисциплин (коэффициент конкордации Кендалла W = 0,74, p < 0,01). Проведена демонстрационная апробация методики на пилотной выборке магистрантов инженерного профиля (38 человек) в ходе решения логистической задачи с инфраструктурными ограничениями.

Результаты исследования. Установлено, что подавляющее большинство платформ, маркируемых как «ИИ-тьюторы», функционируют на базе статических правил условного перехода и не инициируют конструирование новых алгоритмических стратегий. Впервые введено понятие «активация когнитивного синтеза» как операционально измеримая характеристика интеллектуального агента, привязанная к трём наблюдаемым маркерам. Ключевой сдвиг парадигмы оценки состоит в переходе от формальной успеваемости к фиксации способности обучающегося выйти за пределы известного алгоритма. Пилотные данные (точность распознавания типов ошибок 89 %, доля уникальных сценариев 63 %, доля магистрантов, создавших специализированные эвристики, 12,5 %) носят иллюстративный характер и подтверждают принципиальную фиксируемость синтеза эвристики в протоколах взаимодействия. Предложена новая парадигма педагогических ролей: преподаватель — стратег реального сектора, интеллектуальная система — активатор когнитивного синтеза.

Заключение. Разработанный инструментарий устраняет терминологическую неопределённость при оценке образовательных технологий на основе искусственного интеллекта и создаёт основу для сопоставимой верификации цифровых платформ в отрасли. Трансформация педагогических ролей обеспечивает формирование адаптивной экспертизы — компетенции, отсутствующей в действующих федеральных государственных образовательных стандартах, но критически важной для инженерной деятельности в условиях инфраструктурной неопределённости. Методика адресована методистам и преподавателям инженерных и управленческих дисциплин, позволяя принимать обоснованные решения при выборе цифровых инструментов на основе наблюдаемых маркеров, а не маркетинговых формулировок. Пороговые значения носят проектный характер и требуют дальнейшей эмпирической калибровки на расширенных выборках.

1. Каракозов С. Д., Самохвалова Е. А., Рыжова Н. И. Реализация основ искусственного интеллекта в курс информатики среднего общего образования: практико-ориентированный аспект // Информатика и образование. 2024. Т. 39, № 5. С. 6–18. DOI: 10.32517/0234-0453-2024-39-5-6-20.

2. Левченко И. В. Основные подходы к обучению элементам искусственного интеллекта в школьном курсе информатики // Информатика и образование. 2019. Т. 34, № 6. С. 7–15. DOI: 10.32517/0234-0453-2019-34-6-7-15.

3. Скворчевский К. А., Дятлова О. В. Современные адаптивные и интеллектуальные цифровые системы обучения: механизмы и потенциал // Информатика и образование. 2024. Т. 39, № 3. С. 299–337. DOI: 10.17323/vo-2024-19751.

4. Зильберман Н. Н. Генеративный ИИ в высшем образовании: условия поддержки метакогнитивной регуляции студентов // Открытое образование. 2026. Т. 30, № 1. С. 15–22. DOI: 10.21686/1818-4243-2026-1-15-22.

5. Сысоев П. В. Персонализированное обучение на основе технологий искусственного интеллекта: насколько готовы современные студенты к новым возможностям получения образования // Высшее образование в России. 2025. Т. 34, № 2. С. 51–71. DOI: 10.31992/0869-3617-2025-34-2-51-71.

6. Чопик О. А. Искусственный интеллект как фактор трансформации субъектной позиции студентов в высшем образовании // Высшее образование в России. 2025. Т. 34, № 8–9. С. 54–73. DOI: 10.31992/0869-3617-2025-34-8-9-54-73.

7. Еленева Ю. Я., Можаровская А. А., Демушкин Д. И. Цифровая трансформация образовательных организаций высшего образования: современное состояние, задачи, риски // Экономика, предпринимательство и право. 2024. Т. 14, № 4. С. 1149–1170. DOI: 10.18334/epp.14.4.120670.

8. Latif E., Liu V., Zhai S. A systematic review of intelligent and robotic learning systems: Evolution, pedagogical design, and AI-based classification // Smart Learning Environments. 2026. Vol. 13, № 1. P. 1. DOI: 10.1186/s40561-025-00427-9.

9. Holmes W., Porayska-Pomsta K., Holstein K., et al. Ethics of artificial intelligence in education: Towards a community-wide framework // International Journal of Artificial Intelligence in Education. 2022. Vol. 32, № 3. P. 504–526. DOI: 10.1007/s40593-021-00239-1.

10. Koedinger K. R., Corbett A. T., Perfetti C. The Knowledge-Learning-Instruction framework: Bridging the science-practice chasm to enhance robust student learning // Cognitive Science. 2012. Vol. 36, № 5. P. 757–798. DOI: 10.1111/j.1551-6709.2012.01245.x.

11. Baker R. S., Corbett A. T., Aleven V. More accurate student modeling through contextual estimation of slip and guess probabilities in Bayesian knowledge tracing // Lecture Notes in Computer Science. 2008. Vol. 5091. P. 406–415. DOI: 10.1007/978-3-540-69132-7_44.

12. Riahi Y., Saikouk T., Gunasekaran A., Badraoui I. Artificial intelligence applications in supply chain: A descriptive bibliometric analysis and future research directions // Expert Systems with Applications. 2021. Vol. 173. P. 114702. DOI: 10.1016/j.eswa.2021.114702.

13. Асанов А. З., Мышкина И. Ю., Мурашко А. С. Применение методов искусственного интеллекта при формировании индивидуальной траектории обучения // Онтология проектирования. 2026. Т. 16, № 1. С. 164–176. DOI: 10.18287/2223-9537-2026-16-1-164-176.

14. Giannakos M., Azevedo R., Brusilovsky P., et al. The promise and challenges of generative AI in education // Interactive Learning Environments. 2024. DOI: 10.1080/0144929X.2024.2394886.

15. Murugesan S., Cherukuri A. K. The rise of generative artificial intelligence and its impact on education: The promises and perils // Computer. 2023. Vol. 56, № 5. P. 116–121. DOI: 10.1109/MC.2023.3253292.

16. Hatano G., Inagaki K. Two courses of expertise // Child development and education in Japan / ed. by H. W. Stevenson, H. Azuma, K. Hakuta. New York: W. H. Freeman, 1986. P. 262–272.

17. Azevedo R. Defining and measuring engagement and learning in science: Conceptual, theoretical, methodological, and analytical issues // Educational Psychologist. 2016. Vol. 51, № 1. P. 84–104. DOI: 10.1080/00461520.2015.1134065.

18. Engeström Y. Expansive learning: Toward an activity-theoretical reconceptualization // Contemporary theories of learning / ed. by K. Illeris. London: Routledge, 2018. P. 124–140.

19. Guest G., Bunce A., Johnson L. How many interviews are enough? An experiment with data saturation and variability // Field Methods. 2006. Vol. 18, № 1. P. 59–82. DOI: 10.1177/1525822X05279903.

20. Kapur M. Leveraging failure to design instructional activities that promote learning // International handbook of collaborative learning / ed. by C. E. Hmelo-Silver, C. A. Chinn, C. K. K. Chan, A. M. O'Donnell. London: Routledge, 2013. P. 302–318.

21. Creswell J. W., Poth C. N. Qualitative inquiry and research design: Choosing among five approaches. 4th ed. Thousand Oaks: Sage, 2018.

22. Merriam S. B., Tisdell E. J. Qualitative research: A guide to design and implementation. 4th ed. San Francisco: Jossey-Bass, 2016.

23. Patton M. Q. Qualitative research & evaluation methods: Integrating theory and practice. 4th ed. Thousand Oaks: Sage, 2015.

24. Bjork R. A., Bjork E. L. Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning // Psychology and the real world: Essays illustrating fundamental contributions to society / ed. by M. A. Gernsbacher, J. Sawyer, A. Benjamin, N. Nathan. New York: Worth, 2011. P. 56–64.

25. Stake R. E. Multiple case study analysis. New York: Guilford Press, 2006.

26. Lincoln Y. S., Guba E. G. Naturalistic inquiry. Beverly Hills: Sage, 1985.

27. Dweck C. S. Mindset: The new psychology of success. New York: Random House, 2006.

28. Xu Z., Gao F., Fa A., et al. Statistical power analysis and sample size planning for moderation-mediation models // Behavior Research Methods. 2024. Vol. 56. P. 6130–6149. DOI: 10.3758/s13428-024-02342-2.

29. Колесникова Е. М., Куденко И. А. Искусственный интеллект и будущее инженерной профессии: восприятие студентов технических вузов в условиях индустрии 4.0 // Высшее образование в России. 2026. Т. 35, № 3. С. 114–130. DOI: 10.31992/0869-3617-2026-35-3-114-130.

30. Яхваров Е. К., Афанасьев А. В., Аринушкина А. А. О рисках когнитивных искажений использования систем искусственного интеллекта в образовательной деятельности вузов России // Вестник Московского университета. Серия 20. Педагогическое образование. 2025. № 4. С. 65–93. DOI: 10.55959/LPEJ-25-21.

31. Вдовин Ф. В., Дукальская И. В. Внедрение ИИ-тьютора в высших учебных заведениях // Мир педагогики и психологии. 2026. № 3 (116). URL: https://scipress.ru/pedagogy/articles/vnedrenie-ii-tyutora-v-vysshikh-uchebnykh-zavedeniyakh.html (дата обращения: 07.05.2026).

32. Пузанова Ж. В., Ларина Т. И. Интеграция прикладного искусственного интеллекта в магистерские программы непрофильных направлений: вызовы, тренды и перспективы // Высшее образование в России. 2025. Т. 34, № 8–9. С. 33–53. DOI: 10.31992/0869-3617-2025-34-8-9-33-53.

33. Лукичев П. М., Чекмарев О. П. Риски применения искусственного интеллекта в системе высшего образования // Вопросы инновационной экономики. 2024. Т. 14, № 2. С. 463–482. DOI: 10.18334/vinec.14.2.120731.