Avmira Research дослідила ШІ в освіті та протестувала локальну модель для перевірки знань

Дослідження охопило кілька напрямів: персоналізацію навчання, аналіз результатів, автоматизацію перевірки знань і підготовку навчальних матеріалів.

Ключова проблема традиційного навчання, зазначають у команді, полягає в тому, що одна програма застосовується до учнів із різним рівнем підготовки. На старті курсу один користувач уже може мати базові знання, тоді як іншому потрібно спершу опрацювати попередні теми, але стандартний підхід дає обом однакову послідовність матеріалів.

ШІ дозволяє змінити цю логіку: система аналізує результати діагностичного тестування, визначає сильні та слабкі сторони користувача і формує індивідуальну послідовність матеріалів. Якщо тему засвоєно добре, учень переходить до складнішого матеріалу; якщо є прогалини — отримує додаткові пояснення або практичні завдання. У такій моделі тестування стає не лише способом виставити оцінку, а й джерелом даних для подальшого навчання.

Окремий напрям роботи стосувався перевірки знань. Команда підняла тестовий вебсервер і розгорнула на ньому локальну AI-модель, щоб з'ясувати, які частини процесу оцінювання можна автоматизувати. Це дозволяє перенести частину рутинної роботи з викладача на програмну систему: вона автоматично опрацьовує відповіді, визначає результати та передає їх на наступний етап.

Для експерименту не використовували складну інфраструктуру — локальну модель вдалося розгорнути на відносно недорогому сервері, без значних витрат на обчислювальні ресурси. Водночас автоматизоване оцінювання не означає повної відмови від людського контролю: для складних або неоднозначних завдань остаточне рішення може залишатися за викладачем чи адміністратором освітньої системи.

Ще один сценарій — аналіз помилок. Звичайний результат тесту показує лише кількість правильних завдань, тоді як AI-система може визначати теми із систематичними помилками. Якщо користувач кілька разів помиляється в межах однієї теми, система фіксує це та пропонує додатковий матеріал перед переходом до наступного розділу. Так результат тесту стає частиною освітньої траєкторії, а не лише фінальною оцінкою.

ШІ також розглядають як інструмент підготовки додаткового контенту: генерацію практичних завдань, тестових запитань, матеріалів для повторення та пояснень окремих тем. Для освітніх платформ це може бути корисним під час роботи з великою кількістю курсів і рівнів складності. Водночас автоматично створений контент потребує перевірки, оскільки генеративні моделі можуть допускати фактичні помилки або некоректно інтерпретувати інформацію.

Використання ШІ не обов'язково передбачає заміну викладача. Один із практичних сценаріїв — автоматизація технічної та аналітичної роботи: обробка результатів тестів, групування типових помилок, формування статистики за темами. Викладач отримує вже структуровані дані та може зосередитися на учнях, які потребують додаткової уваги. Це особливо актуально для великих навчальних груп, де ручний аналіз результатів кожного учня займає багато часу.

Окрему увагу приділили локальному розгортанню моделей. На відміну від зовнішніх AI-сервісів, локальна модель може працювати без постійної передачі навчальних даних сторонньому сервісу, що дає розробнику більше контролю над архітектурою, даними та процесом обробки інформації. Результати експерименту показали, що для окремих сценаріїв освітньої автоматизації достатньо відносно доступної серверної інфраструктури. Водночас вимоги залежать від розміру моделі, кількості одночасних користувачів, типу завдань і необхідної швидкості обробки.

ШІ в освіті створює й додаткові вимоги до безпеки. Освітні системи можуть працювати з результатами тестування, навчальною історією та іншою інформацією про користувачів, тому розробники мають визначати, які дані збираються, де зберігаються та хто має до них доступ. Локальне розгортання моделі — один із способів контролювати обробку даних, але саме по собі воно не гарантує повної безпеки: захист залежить від усієї архітектури системи, серверної інфраструктури та правил доступу. Окремим питанням залишається академічна доброчесність — платформа повинна чітко розділяти використання ШІ для навчання та для обходу правил тестування.

Avmira Research планує продовжити дослідження. Наступним етапом може стати детальніше тестування автоматизованої перевірки на різних типах завдань, порівняння результатів AI-моделі з ручною перевіркою та визначення сценаріїв, де автоматизація дає найбільший практичний ефект. Для команди цей експеримент став частиною роботи над власними освітніми продуктами та підходами до персоналізованого навчання. ШІ тут розглядають не як окремий продукт, а як технологічний компонент освітньої системи. Ефективність такого підходу залежить не лише від моделі, а й від якості навчальних матеріалів, точності оцінювання, захисту даних та можливості контролювати результати роботи системи.