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. Karakozov S. D., Samokhvalova E. A., Ryzhova N. I. Implementation of the fundamentals of artificial intelligence in the informatics course of secondary general education: a practice-oriented aspect = Informatika i obrazovanie [Informatics and Education]. 2024. Vol. 39, № 5. P. 6–18. DOI: 10.32517/0234-0453-2024-39-5-6-20. (In Russian).

2. Levchenko I. V. Basic approaches to teaching elements of artificial intelligence in the school informatics course = Informatika i obrazovanie [Informatics and Education]. 2019. Vol. 34, № 6. P. 7–15. DOI: 10.32517/0234-0453-2019-34-6-7-15. (In Russian).

3. Skvorchevsky K. A., Dyatlova O. V. Modern adaptive and intelligent digital learning systems: mechanisms and potential = Informatika i obrazovanie [Informatics and Education]. 2024. Vol. 39, № 3. P. 299–337. DOI: 10.17323/vo-2024-19751. (In Russian).

4. Zilberman N. N. Generative AI in higher education: conditions for supporting students' metacognitive regulation = Otkrytoe obrazovanie [Open Education]. 2026. Vol. 30, № 1. P. 15–22. DOI: 10.21686/1818-4243-2026-1-15-22. (In Russian).

5. Sysoev P. V. Personalized learning based on artificial intelligence technologies: how ready are modern students for new educational opportunities = Vysshee obrazovanie v Rossii [Higher Education in Russia]. 2025. Vol. 34, № 2. P. 51–71. DOI: 10.31992/0869-3617-2025-34-2-51-71. (In Russian).

6. Chopik O. A. Artificial intelligence as a factor in transforming students' subject position in higher education = Vysshee obrazovanie v Rossii [Higher Education in Russia]. 2025. Vol. 34, № 8–9. P. 54–73. DOI: 10.31992/0869-3617-2025-34-8-9-54-73. (In Russian).

7. Eleneva Yu. Ya., Mozharovskaya A. A., Demushkin D. I. Digital transformation of higher education organizations: current state, tasks, risks = Ekonomika, predprinimatel'stvo i pravo [Economics, Entrepreneurship and Law]. 2024. Vol. 14, № 4. P. 1149–1170. DOI: 10.18334/epp.14.4.120670. (In Russian).

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. Asanov A. Z., Myshkina I. Yu., Murashko A. S. Application of artificial intelligence methods in forming an individual learning trajectory = Ontologiya proektirovaniya [Ontology of Designing]. 2026. Vol. 16, № 1. P. 164–176. DOI: 10.18287/2223-9537-2026-16-1-164-176. (In Russian).

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. Kolesnikova E. M., Kudenko I. A. Artificial intelligence and the future of the engineering profession: perceptions of technical university students in the context of Industry 4.0 = Vysshee obrazovanie v Rossii [Higher Education in Russia]. 2026. Vol. 35, № 3. P. 114–130. DOI: 10.31992/0869-3617-2026-35-3-114-130. (In Russian).

30. Yakhvarov E. K., Afanasiev A. V., Arinushkina A. A. On the risks of cognitive distortions in the use of artificial intelligence systems in the educational activities of Russian universities = Vestnik Moskovskogo universiteta. Seriya 20. Pedagogicheskoe obrazovanie [Moscow University Bulletin. Series 20. Pedagogical Education]. 2025. № 4. P. 65–93. DOI: 10.55959/LPEJ-25-21. (In Russian).

31. Vdovin F. V., Dukalskaya I. V. Implementation of AI tutors in higher education institutions = Mir pedagogiki i psikhologii [World of Pedagogy and Psychology]. 2026. № 3 (116). Available from: https://scipress.ru/pedagogy/articles/vnedrenie-ii-tyutora-v-vysshikh-uchebnykh-zavedeniyakh.html (accessed: 07.05.2026). (In Russian).

32. Puzanova Zh. V., Larina T. I. Integration of applied artificial intelligence into master's programs in non-core disciplines: challenges, trends, and prospects = Vysshee obrazovanie v Rossii [Higher Education in Russia]. 2025. Vol. 34, № 8–9. P. 33–53. DOI: 10.31992/0869-3617-2025-34-8-9-33-53. (In Russian).

33. Lukichev P. M., Chekmarev O. P. Risks of applying artificial intelligence in the higher education system = Voprosy innovatsionnoy ekonomiki [Issues of Innovation Economy]. 2024. Vol. 14, № 2. P. 463–482. DOI: 10.18334/vinec.14.2.120731. (In Russian).