Детальная информация

Объект исследования — процесс автоматизированного контроля и оценки знаний обучающихся в цифровых образовательных системах. Цель работы — разработка и реализация системы, предназначенной для автоматизации создания, хранения и проведения тестирования обучающихся, а также проверки их решений с использованием технологий искусственного интеллекта. Система спроектирована и реализована в виде чат-бота Telegram с разделением на клиентскую и серверную части. Применены методы адаптивного контроля знаний, генерация параметризованных заданий по шаблонам преподавателя средствами большой языковой модели, а также распознавание и проверка рукописных решений по фотографии с локализацией ошибки на конкретном шаге решения. Результаты работы подтверждены апробацией в группе из семи учеников 11 класса (около 170 выполненных заданий). Система корректно генерирует задания, проводит адаптивное тестирование и формирует развёрнутые комментарии к решениям; более чем в трёх четвертях случаев после локализованной обратной связи аналогичное задание решалось учеником верно. Область применения результатов — подготовка школьников к ЕГЭ по профильной математике и автоматизация рутинной проверки заданий в работе преподавателя. При выполнении работы использованы язык программирования Python, библиотека aiogram, СУБД PostgreSQL, ORM SQLAlchemy, библиотеки aiohttp, APScheduler, pydantic и loguru, а также внешний сервис большой языковой модели.

The object of research is the process of automated control and assessment of students’ knowledge in digital educational systems. The aim of the work is the development and implementation of a system that automates the creation, storage and administration of tests, as well as the checking of students’ solutions using artificial intelligence technologies. The system was designed and implemented as a Telegram chatbot with a client-server architecture. Methods of adaptive knowledge control were applied, together with the generation of parameterized problems from a teacher’s templates by means of a large language model, and the recognition and checking of handwritten solutions from a photograph with localization of the error at a specific step. The results were confirmed by testing in a group of seven 11th-grade students (about 170 completed tasks). The system correctly generates problems, conducts adaptive testing and produces detailed comments on solutions; in more than three quarters of cases, after localized feedback a similar task was solved correctly by the student. The field of application of the results is the preparation of school students for the exam in specialized mathematics and the automation of routine task checking in a teacher’s work. The work was carried out using the Python language, the aiogram library, the PostgreSQL database, the SQLAlchemy ORM, the aiohttp, APScheduler, pydantic and loguru libraries, as well as an external large language model service.