Отраслевой модуль
Технологии искусственного интеллекта в образовании
Модуль направлен на формирование компетенций для применения технологий искусственного интеллекта при решении задач профессиональной деятельности в образовании
Объем модуля — 144 ак. часа, рекомендуется студентам с 3 курса бакалавриата, формат обучения очно/онлайн
Объем модуля — 144 ак. часа, рекомендуется студентам с 3 курса бакалавриата, формат обучения очно/онлайн
О модуле
Практико-ориентированный образовательный модуль, направленный на освоение подходов к применению технологий искусственного интеллекта для решения ключевых задач образования Содержание модуля охватывает актуальные направления использования ИИ, включая разработку учебно-методического обеспечения дисциплин с применением генеративных моделей, организацию образовательной деятельности и адаптивное обучение, автоматизацию контроля и оценки знаний, управление качеством образовательной деятельности, а также внедрение инновационных образовательных технологий на основе ИИ.
Модуль разработан Университетом ИТМО в рамках проекта ТОП-ИИ Минцифры России для внедрения в образовательные программы высшего образования по направлениям подготовки в сфере педагогического образования.
Включение модуля в образовательный процесс позволяет усилить прикладную и отраслевую направленность подготовки, обеспечить связь ИИ-компетенций обучающихся с актуальными запросами образовательной сферы и сформировать у студентов базовые навыки работы с данными, цифровыми инструментами и прикладными ИИ-решениями, востребованными в педагогической деятельности, управлении образовательными программами и учебной аналитике.
Для кого подготовлен
Реализуется как компонент основной профессиональной образовательной программы (ОПОП) по следующим направлениям
44.03.01 / 44.04.01 Педагогическое образование
44.03.02 / 44.04.02 Психолого-педагогическое образование
44.03.04 / 44.04.04 Профессиональное обучение
Модуль предполагается к прохождению студентами не ранее 3-го курса бакалавриата и не ранее 3-го семестра магистратуры
Формат обучения
- Продолжительность обучения1 семестр, 4 зачетные единицы
- Общий объем модуля144 академических часа (32 а.ч. лекций, 32 а.ч. лабораторных работ, 80 а.ч. самостоятельная работа)
- Итоговая аттестацияЗачет
Программа обучения
Модуль состоит из двух блоков:
1.1 Основные понятия технологий ИИ (определения ИИ, конструктивное и регуляторное определение, сильный и слабый ИИ, символьный ИИ и экспертные системы, машинное обучение, модели ИИ на данных, нейросети)
1.2 Подходы к созданию моделей ИИ на данных (большие и малые данные, разметка неструктурированных данных, синтетические данные, классические модели машинного обучения, нейросетевые модели и глубокое обучение, ансамбли, обучение с подкреплением, онлайн-обучение, обучение переносом, AutoML)
1.3 Оценка качества систем ИИ (интервальное оценивание, доверительные интервалы, порядковые статистики, ящики с усами, неопределенности, метрики качества, бенчмарки, бейзлайны, кросс-валидация, бутстреп)
1.4 Генеративный ИИ и большие языковые модели (генеративный метод Монте-Карло, GAN, VAE, байесовы сети, диффузионные алгоритмы, NLP, LLM, галлюцинации, RAG, модели-критики, генеративный дизайн)
1.5 Системы поддержки принятия решений (теория принятия решений, интеллектуальные СППР, архитектура, прогнозирование, профессиональные ассистенты, рекомендательные системы, объяснимость, оценка качества)
1.6 Мультиагентные системы ИИ (понятие агента, архитектуры, сложные системы, автономные агенты, уравнения SIR/SIS, агенты на основе LLM, дебаты и комитеты агентов)
1.7 Применение ИИ в науке, бизнесе и социальной сфере (научная деятельность, промышленность, образование, здравоохранение, банковская сфера, маркетинг, строительство и ЖКХ, медиа)
1.8 Экономика ИИ (автоматизация, влияние на производственные процессы, эффекты внедрения, оценка себестоимости и прибыли, влияние на инновационный цикл, риск-аппетиты, регулирование)
1.2 Подходы к созданию моделей ИИ на данных (большие и малые данные, разметка неструктурированных данных, синтетические данные, классические модели машинного обучения, нейросетевые модели и глубокое обучение, ансамбли, обучение с подкреплением, онлайн-обучение, обучение переносом, AutoML)
1.3 Оценка качества систем ИИ (интервальное оценивание, доверительные интервалы, порядковые статистики, ящики с усами, неопределенности, метрики качества, бенчмарки, бейзлайны, кросс-валидация, бутстреп)
1.4 Генеративный ИИ и большие языковые модели (генеративный метод Монте-Карло, GAN, VAE, байесовы сети, диффузионные алгоритмы, NLP, LLM, галлюцинации, RAG, модели-критики, генеративный дизайн)
1.5 Системы поддержки принятия решений (теория принятия решений, интеллектуальные СППР, архитектура, прогнозирование, профессиональные ассистенты, рекомендательные системы, объяснимость, оценка качества)
1.6 Мультиагентные системы ИИ (понятие агента, архитектуры, сложные системы, автономные агенты, уравнения SIR/SIS, агенты на основе LLM, дебаты и комитеты агентов)
1.7 Применение ИИ в науке, бизнесе и социальной сфере (научная деятельность, промышленность, образование, здравоохранение, банковская сфера, маркетинг, строительство и ЖКХ, медиа)
1.8 Экономика ИИ (автоматизация, влияние на производственные процессы, эффекты внедрения, оценка себестоимости и прибыли, влияние на инновационный цикл, риск-аппетиты, регулирование)
ЛР1.1 Первичная обработка и разведочный анализ данных. Выбор модели ИИ
ЛР1.2 Разработка, обучение и сравнение моделей ИИ на основе классических и нейросетевых методов
ЛР1.3 Разработка и оценка качества процессной СППР для задачи предиктивной аналитики
ЛР1.4 Эффективный промптинг, оценка эффективности и устойчивости работы LLM в профессиональной области
ЛР1.2 Разработка, обучение и сравнение моделей ИИ на основе классических и нейросетевых методов
ЛР1.3 Разработка и оценка качества процессной СППР для задачи предиктивной аналитики
ЛР1.4 Эффективный промптинг, оценка эффективности и устойчивости работы LLM в профессиональной области
2.1. Искусственный интеллект как механизм трансформации современного образования (основные типы решений ИИ, декомпозиция образовательной деятельности)
2.2. Этика технологий ИИ в образовании (ключевые ценности и принципы, регулирование, распределение ответственности)
2.3. Промпт-инжиниринг в работе методиста и преподавателя (основы промптинга, работа с LLM, генерация кода и изображений)
2.4. Инструменты ИИ для работы с результатами научных исследований (сервисы поиска статей, Perplexity, No-code обработка данных)
2.5. Интеллектуальные помощники преподавателя (обзор кейсов: ИИ-лектор, прокторинг, диагностика, Edulitica, low-code, симуляторы)
2.6. Развитие искусственного интеллекта в современном университете (управление наукой, фандрайзинг, opensource, хакатоны)
2.2. Этика технологий ИИ в образовании (ключевые ценности и принципы, регулирование, распределение ответственности)
2.3. Промпт-инжиниринг в работе методиста и преподавателя (основы промптинга, работа с LLM, генерация кода и изображений)
2.4. Инструменты ИИ для работы с результатами научных исследований (сервисы поиска статей, Perplexity, No-code обработка данных)
2.5. Интеллектуальные помощники преподавателя (обзор кейсов: ИИ-лектор, прокторинг, диагностика, Edulitica, low-code, симуляторы)
2.6. Развитие искусственного интеллекта в современном университете (управление наукой, фандрайзинг, opensource, хакатоны)
Л2.1. Разработка концепции образовательной программы с использованием генеративных моделей
Л2.2. Генерация тестовых вопросов на основе описания задания к работе
Л2.3. Автоматизация тестирования студентов с использованием мультиагентного подхода в большой языковой модели
Л.2.4. Имитация дискуссионного процесса с использованием ИИ-агентов
Л2.2. Генерация тестовых вопросов на основе описания задания к работе
Л2.3. Автоматизация тестирования студентов с использованием мультиагентного подхода в большой языковой модели
Л.2.4. Имитация дискуссионного процесса с использованием ИИ-агентов
Технологический стек модуля
Python, Jupyter Notebook / Google Colab
/1.
Интерактивная облачная среда для работы с кодом на языке Python, включающая набор популярных библиотек для науки о данных и машинного обучения
Pandas, NumPy, Matplotlib, Seaborn
/2.
Библиотеки для обработки табличных данных, вычисления статистических характеристик и подготовки данных для обучения моделей ИИ
scikit-learn, XGBoost/LightGBM
/3.
Библиотеки для классического машинного обучения, градиентного бустинга и решения задач классификации, регрессии и кластеризации
PyTorch, TensorFlow, Keras
/4.
Фреймворки для глубокого обучения: разработка и обучение нейросетевых моделей для анализа образовательных данных
Hugging Face Transformers, LangChain, LlamaIndex
/5.
Инструменты для работы с большими языковыми моделями (LLM): дообучение, адаптация, RAG-пайплайны, промпт-инжиниринг
FAISS, Chroma, Milvus
/6.
Векторные базы данных для поиска и извлечения информации из учебно-методической документации и образовательных материалов
ChatGPT, GigaChat, YandexGPT, Perplexity
/7.
Большие языковые модели для генерации текстов, создания учебных материалов, разработки тестовых заданий и анализа ответов
Kandinsky, Midjourney, DALL-E, Stable Diffusion
/8.
Генеративные модели для создания визуальных учебных материалов, иллюстраций, презентаций и мультимедийного контента
Nolej, Edpuzzle, Teachology.AI, Twee
/9.
Специализированные ИИ-инструменты для преподавателей: создание интерактивных уроков, видеоматериалов и учебных заданий
Elicit, Litmaps, Research Rabbit, Julius.AI
/10.
Инструменты для работы с научными материалами: поиск статей, анализ литературы, No-code обработка данных
Power BI, Tableau, Yandex DataLens
/11.
Сервисы для визуализации данных и создания дашбордов для мониторинга успеваемости и анализа образовательной деятельности
Moodle, Canvas, Stepik
/12.
Платформы управления обучением (LMS) для интеграции ИИ-решений в образовательный процесс
Разработан в партнерстве
Модуль разработан Университетом ИТМО в рамках проекта «ТОП ИИ» при участии
Разработчики, преподаватели и эксперты
Александр Бухановский
Научный руководитель Исследовательского центра «Сильный ИИ в промышленности», д.т.н.
Александра Климова
Директор УМЦ «Искусственный интеллект», доцент, к.т.н.
Алексей Духанов
Ведущий научный сотрудник, доцент, д.т.н.
Александр Хватов
Начальник лаборатории композитного ИИ, доцент, к.ф.-м.н.
Результаты обучения
Разрабатывать учебно-методические материалы с использованием генеративного ИИ
Слушатель сможет применять большие языковые модели и генеративные сервисы для создания рабочих программ дисциплин, опорных конспектов, презентаций, практикумов и других учебных материалов.
Автоматизировать контроль и оценку знаний с помощью ИИ
Слушатель сможет использовать генеративные модели для создания тестовых заданий, применять системы автоматической проверки ответов и анализировать результаты оценивания.
Применять ИИ для управления качеством образовательной деятельности
Слушатель сможет использовать инструменты учебной аналитики для мониторинга образовательных результатов, анализировать обратную связь и формировать рекомендации по улучшению образовательных программ.
Применять промпт-инжиниринг в педагогической деятельности
Слушатель сможет разрабатывать эффективные промпты для генерации текстовых, визуальных и мультимедийных учебных материалов, адаптировать их под различные образовательные задачи и аудитории.
Анализировать образовательные данные с использованием методов машинного обучения
Слушатель сможет проводить разведочный анализ данных об успеваемости и посещаемости, выявлять группы риска и прогнозировать академическую успеваемость обучающихся.
Разрабатывать и внедрять игровые сценарии с использованием ИИ
Слушатель сможет проектировать геймифицированные образовательные решения, интегрировать адаптивные системы и чат-боты для создания интерактивных обучающих игр и квестов.
Использовать ИИ для организации адаптивного обучения
Слушатель сможет настраивать и применять ИИ-инструменты для построения индивидуальных образовательных траекторий, подбора сложности заданий и персонализации учебного процесса.
Интегрировать ИИ-инструменты в образовательный процесс
Слушатель сможет внедрять чат-ботов, виртуальных наставников и интеллектуальные помощники в учебный процесс, оценивать их эффективность и управлять рисками.
Преимущества и условия внедрения модуля
Преимущества для вуза:
Методическая готовность к реализации благодаря полному пакету учебно-методической документации — модуль обеспечен рабочей программой дисциплины (РПД), фондом оценочных средств (ФОС), видеолекциями и детальными методическими указаниями для выполнения лабораторных работ.
Обогащение педагогических программ актуальными цифровыми компетенциями без потери их профильности благодаря междисциплинарной структуре модуля — содержание выстроено на стыке педагогических наук и технологий ИИ, что позволяет студентам педагогических направлений осваивать востребованные цифровые навыки в контексте их профессиональной деятельности.
Формирование прикладных навыков через погружение в реальную проектную деятельность благодаря сквозному проекту, выполняемому на протяжении всего курса — студенты работают над единой образовательной задачей от постановки до защиты результата, что превращает теоретические знания в практический опыт, сопоставимый с реальной педагогической деятельностью.
Доступность и воспроизводимость образовательного процесса благодаря использованию бесплатных и облачных технологий — технологический стек на базе Google Colab и open-source библиотек исключает финансовые барьеры для студентов и вузов, обеспечивая одинаковые условия для всех участников.
Соответствие актуальным трендам цифровой трансформации образования и кадровым потребностям отрасли благодаря ориентации содержания на реальные запросы рынка труда — модуль готовит выпускников к работе с данными, цифровыми продуктами и современными ИИ-инструментами, что напрямую повышает их востребованность в системе образования.
Условия внедрения:
Наличие в вузе образовательных программ по направлениям 44.00.00 (или смежным).
Сетевой договор с вузом о реализации модуля
Модуль должен быть включен в учебный план как обязательная дисциплина или дисциплина по выбору
Что нужно знать студенту на старте
Информационные технологии в профессиональной деятельности
/1.
Высшая математика
/2.
Элементы линейной алгебры и математического анализа
Теория вероятностей и математическая статистика
/3.
Информационные технологии в профессиональной деятельности
/4.
Педагогика / Психолого-педагогические основы образования
/5.
В зависимости от направления подготовки
© Учебно-методический центр «Искусственный интеллект», 2026
Все материалы, размещённые на данном сайте, являются объектами авторского права. Запрещается их копирование, распространение или любое иное использование без указания первоисточника.
