Исследование рефлексивного опыта студентов при применении генеративного искусственного интеллекта в проектной работе

Введение. Высшее образование вынужденно трансформируется в условиях массового распространения и внедрения в учебный процесс технологий искусственного интеллекта (ИИ). Трудно отрицать, что студенты всё чаще обращаются к нейросетям для поиска материалов, получения ответов, объяснения сложных задач и выполнения учебных заданий. Роль преподавателя при этом смещается от «передатчика знаний» в сторону наставника, ментора и фасилитатора учебной среды.

В современных условиях важно осмысленно управлять применением ИИ студентами, особенно при создании контента для проектной работы и решении исследовательских задач. Важно наряду с преимуществами обсудить со студентами и риски использования технологии: искажение источников, утрата авторства, снижение рефлексивности и возможная деградация навыков критического мышления.

Одной из задач преподавателя является грамотное внедрение в занятия со студентами технологии в качестве инструмента, ассистента и, возможно, участника процесса обучения. Генеративный искусственный интеллект (ГИИ) может быть использован как многофункциональный инструмент, позволяющий не только автоматизировать рутинные процессы, но и формировать новые идеи, анализировать и предлагать рекомендации по улучшению результатов. При этом эффективное и этичное внедрение ГИИ требует продуманного построения учебных ситуаций, обучения навыкам промпт‑инжиниринга, процедур верификации и рефлексивной практики со стороны студентов.

Современные исследования демонстрируют как высокий потенциал генеративного ИИ для поддержки обучения (Cheng, 2025), (Kofinas, Bentley, 2024), так и существенные риски для академической культуры (Cohen, 2024), (Константинова и др., 2023), (Raitskaya, Tikhonova, 2024). Авторы научных статей отмечают, что студенты используют ГИИ для поиска, структурирования и генерации учебного контента (Hysaj, 2025), (Кобелев, Отоцкий, 2025), однако это сопровождается риском нарушения академической честности (Jessica, Janneke, 2025), (Daniel, Matthew, 2024) и размывания границ авторства (Кошкина и др., 2025). Анализ работ показывает, что ГИИ уже рассматривается как новый слой образовательной инфраструктуры, влияющий на определение роли преподавателя и студента, при этом пока остаётся не до конца исследованной его связь с рефлексивностью и субъектной позицией обучающихся (Фещенко и др., 2025), (Кобелев, Отоцкий, 2025).

Эмпирические исследования (Atiyah, 2025), (Jabli, Al-Mohaya, 2025), (Yunying, Jinwen, 2024) фокусируются главным образом на восприятии студентами преимуществ и рисков ГИИ, влиянии на мотивацию, креативность и учебные результаты, однако рефлексивный опыт при длительной работе с ИИ‑инструментами, включая динамику ответственности за результат и стратегии саморегуляции, остаётся слабо разработанным (Дмитрова, 2025), (Кузьминов, Кручинская, 2024), (Панфилов, Панфилова, 2025). Отдельный сектор работ посвящён использованию ГИИ как средства развития рефлексивного обучения (Drach, Torkunova, 2024), (Lancaster, 2025), но чаще всего он рассматривается как элемент цифровой среды курса, а не как объект самостоятельного рефлексивного анализа со стороны студентов (Anas, 2025), (Bo, Jiazi, 2025), (Frendrup, Hvarregaard, 2025). Таким образом, возникает исследовательский разрыв, связанный с недостаточной изученностью того, как именно студенты переживают и осмысляют собственную деятельность в паре с ГИИ в рамках проектной работы, какие рефлексивные практики при этом формируются и как они соотносятся с показателями нагрузки и эффективности. Именно заполнению этого пробела посвящено представленное исследование.

Для получения оценок рабочей нагрузки от одного или нескольких респондентов во время выполнения задания или сразу после него успешно применяется тест NASA Task Load Index (NASA TLX) (Hart S. G. 1988, 2006, Stanton 2005). Тест NASA TLX применяется для субъективного самообследования и не требует контрольной группы, что является очень важным при использовании в реальном учебном процессе.

Постановка задачи. Внедрение ГИИ в проектную работу студентов открывает новые возможности для повышения эффективности, креативности и глубины исследований. Традиционно инструменты автоматизации (например, поисковые системы, редакторы, САПР, SIM) рассматривались как средства, ускоряющие рутинные процессы. Использование генеративного ИИ позволяет раздвинуть эти рамки. Для систематизации потенциальных направлений применения ГИИ в проектной работе, а также для анализа того, какие рефлексивные практики они требуют, предлагается таблица 1.

Таблица 1. Рефлексивный опыт студентов при использовании ГИИ на разных этапах проектной деятельности в высшем образовании

Table 1. Students' reflective experience of using generative AI at different stages of project-based learning in higher education.

Однако это также ставит перед педагогическим сообществом задачу понимания того, как студенты интегрируют эти инструменты, и какие метакогнитивные и рефлексивные процессы при этом активизируются.

В рамках данной научной работы цель исследования состоит в анализе использования студентами ГИИ в проектной работе и формировании рефлексивных практик с оценкой образовательных эффектов и выработкой общих рекомендаций преподавателю по внедрению ГИИ в проектную работу студента.

Суть проектной работы состояла в проведении «упаковки» бизнеса с помощью нейросетей (табл. 2). Направленность, структура, масштабность, география бизнеса не ограничивались. Участники проекта могли объединяться в команды, либо выполнять работу индивидуально. Также преподавателем допускалось выполнение проекта без использования ГИИ. Уникальность студенческого коллектива состояла в разнообразии специальностей, так как модуль являлся элективным и выбирался студентами независимо от направления обучения. В текущем исследовании приняли участие студенты девяти специальностей (рис. 1).

Таблица 2. Элементы проектной работы студентов по «упаковке» бизнеса

Table 2. Elements of students’ project work on business «packaging»

Рис. 1. Области знаний, по которым обучаются участники исследования

Fig. 1. Participants’ study fields of expertise

Методы.

Для исследования применена смешанная методология пост-опытного исследования нагрузки и рефлексии с количественным анализом результатов анкетирования. В добровольном опросе приняло участие 64 студента 4 курса, выполнивших проектную работу в процессе прохождения элективного модуля «Генеративный искусственный интеллект и сквозные технологии».

Студентам было предложено после прохождения модуля и успешного выполнения проектной работы заполнить опросный лист из четырех групп вопросов: об опыте использования ИИ, влиянии на рабочую нагрузку, о самостоятельности и ответственности студента как пользователя, общие впечатления и отношение студента к применению ГИИ им самим и преподавателем. Во всех вопросах студент мог сделать выбор варианта удобным для себя способом. Опросный лист содержал открытые и закрытые вопросы с множественным выбором. Влияние на рабочую нагрузку при выполнении проектной работы с применением ГИИ студенты оценивали с помощью опросника NASA TLX, который был дополнен под цели текущего исследования.

В анкету вошли вопросы, дающие количественную оценку уровням нагрузки по восьми факторам (таблица 3, рис. 2).

Таблица 3. Содержание опросного листа NASA TLX

Table 3. Content of the NASA TLX Questionnaire

Рис. 2. Пример трехцветной шкалы теста

Fig. 2. Example of a three-color test scale

Количественный анализ ответов проводился стандартными методами математической статистики. Для анализа ответов на открытые вопросы применялось кодирование по проблемным категориям с последующей группировкой и вычислением частоты упоминания.

Результаты и обсуждения. Опрос показал, что студенты выбирали разные инструменты с ГИИ для выполнения проекта: специализированные сервисы, приложения для смартфонов, сайты непосредственных производителей, сайты сервисов-посредников. В сфере их внимания оказались продукты более чем 20 производителей инструментов ГИИ. На диаграмме показано распределение компаний по частоте использования в студенческих проектах (рис. 3), где в число «прочих сервисов» вошли Midjourney, Perplexity, GammaAI, Krea.Ai, ChatBotAI, Сократик и другие.

88% опрошенных указали, что освоили инструменты самостоятельно, что вероятнее всего связано с доступной справочной системой и дружественным интерфейсом использованных студентами систем.

В открытом вопросе о сложностях применения, с которыми столкнулись студенты, упоминался достаточно ограниченный набор проблем. Все ответы были объединены в несколько групп, в порядке убывания частоты упоминания: формулировка запросов (промптов), качество генерации изображений, шаблонность выданных решений, технические и финансовые ограничения (платные подписки, ограничения доступа, ограниченная память контекста), необходимость проверки достоверности, дополнительное время на редактирование выданных результатов. Несмотря на указываемые студентами сложности, 74% студентов считают, что использование ИИ для выполнения задач их проекта было простым или очень простым; 26% не считают использование ни простым, ни сложным; ни один не счел использование сложным.

Размышления о пользе использования ГИИ в проектировании также не вызвали никаких затруднений, ни один студент не указал, что никакой пользы не получил от «общения» с ИИ. Каждый отметил от одной до трех «полезностей». Обобщенно всё, причисляемое к полезному, можно свести к следующим группам, упорядоченным по убыванию частоты упоминания: экономия времени, структурирование информации, креативность в генерации изображений, автоматизация рутинных процессов. Обращает на себя внимание, что наличие креативности в выдаче ИИ-сервиса соседствует с трудностью отсутствия креативности и противоречие это разрешается путем изменения формулировки запроса.

Сгруппированные данные об оценке собственной ответственности за результаты, сгенерированные ИИ; о доле изменений в контенте и причинах их внесения показаны на рисунках 4, 5. Большинство студентов демонстрируют зрелую позицию - они воспринимают себя как ответственных кураторов работы с ИИ, а не пассивных пользователей. Преобладает модель использования ИИ как генератора базового контента с минимальными изменениями или адаптацией под конкретную задачу (60%).

Причины внесения изменений студенты выбирали из 7 вариантов вопроса с множественным выбором. 80% студентов выбирали от двух до четырех причин, по которым им пришлось вносить изменения. Главной проблемой явилась неспособность ИИ понять специфический контекст. Учащиеся активно дорабатывали результат под свои задачи (рис. 6).

Рис. 4. Доля студентов, оценивших уровень своей ответственности за результаты использования инструментов ГИИ

Fig. 4. Proportion of students who assessed their level of responsibility for the results of using generative AI tools

Рис. 5. Доля студентов, выбравших соответствующий уровень переработки сгенерированного контента

Fig. 5. Proportion of students who chose the corresponding level of revision for generated content

Рис. 6. Доля причин редактирования сгенерированного контента, указанных студентами

Fig. 5. Proportion of reasons for editing generated content indicated by students.

По результатам теста NASA TLX установлено, что средний групповой индекс рабочей нагрузки RAW-TLX составляет 3,92 балла, что можно трактовать как низкий уровень. При этом индивидуальные показатели RAW-TLX распределились в интервале от 2,125 до 6,75 балла. Соответствующая гистограмма представлена на рисунке 7.

Рис. 7. Гистограмма распределения индивидуальных индексов рабочей нагрузки RAW-TLX

Fig. 7. Histogram of the distribution of individual RAW-TLX workload indices.

В таблице 4 показана частота, с которой оценка соответствующего уровня встречается в тесте для каждого фактора. Условно назовем уровни оценок «зеленые», «желтые» и «красные» по количеству баллов теста (табл. 4).

Таблица 4. Частота оценок по трем уровням для всех факторов

Table 4. Frequency of ratings across three levels for all factors.

Оценивая умственную нагрузку и усилия (свое усердие), студенты разделились на почти равные подгруппы: 48% - указали низкий уровень и 47-50% - средний, 3 % студентов сочли уровень требуемого усердия при работе с ИИ высоким.

Для факторов PD, TD и FL преобладают (93-95% опрошенных) низкие оценки, что означает низкий уровень физической, временной и психологической нагрузок.

Факторы PR, IL, TW оценивались по обратной шкале, следовательно, преобладание низких баллов (72-90% студентов) свидетельствует о высокой оценке своей производительности, уровня интереса к работе и хорошей помощи со стороны команды при выполнении заданий с применением ИИ. Однако 12% студентов оценили свою производительность очень низко, выставив от 11 до 15 баллов.

Выбрав для анализа фактор PR (производительность) проверено утверждение, приведенное в работе (Hart, Staveland, 1988): «участники могут быть склонны соотносить эффективность выполнения задач с оценками своей рабочей нагрузки». Корреляционный анализ оценок теста показал, что фактор PR имеет очень слабую статистическую связь с другими факторами (коэффициент корреляции от 0,07 до 0,53). Обнаружена средняя статистическая связь между уровнем фрустрации и уровнем интереса (коэффициент корреляции 0,62) и между командной нагрузкой и уровнем интереса (коэффициент корреляции 0,69). Остальные факторы показали слабую статистическую связь между собой. Поэтому можно утверждать, что данное исследование не нашло убедительного подтверждения склонности студентов связывать свою эффективность с нагрузкой.

Анализ «красной» подгруппы студентов показал: коэффициент корреляции между их оценками командной нагрузки TW и производительности PR равен 0,72; среднее значение оценок по всем факторам выше средних по группе; средняя оценка интереса к работе с использованием ИИ у них в 1,85 раз хуже, чем по группе; 63% из них считают, что в команде работать труднее.

В «зеленой» подгруппе корреляция между оценками по разным факторам низкая, можно утверждать, что статистической связи между оценками разных видов нагрузок нет; средние значения оценок в подгруппе ниже средних по группе для всех факторов, кроме MD и PD.

«Желтая» подгруппа, по производительности состоящая из 15% студентов, в своих оценках показала высокую статистическую связь между командной нагрузкой TW и уровнем интереса IL (коэффициент корреляции 0,92). У студентов из «желтой» подгруппы средние значения оценок по факторам TD, PR, FL, IL выше средних в группе.

Обучающиеся также дали достаточно противоречивую оценку качеству текстов и изображений, сгенерированных ИИ: качество текстов оценивается как «хорошее» и «удовлетворительное» (35% и 45% опрошенных), качество изображений как «среднее» и «низкое» (35% и 40%, соответственно).

При этом 65% студентов указали, что редко выражали несогласие с результатами ИИ. Возможно, это связано с невысоким уровнем требований к ИИ, проявляется некоторая снисходительность к результатам.

Действия, которые студенты предпринимали при неудовлетворительном результате генерации (множественный выбор): перефразировали запрос, предоставили контекст, отредактировали контент (70-85%), 35% использовали другой сервис ИИ, 20% - написали текст самостоятельно. Такое поведение возможно связано с достаточно высоким интересом к «общению» с ИИ (90% студентов указали от 1 до 5 (IL в табл. 4).

Обозначим подгруппу самостоятельно создавших контент, как «независимых» и рассмотрим их ответы на другие вопросы. 56% из «независимых» утверждали, что потратили больше времени на уточнение задания для ИИ, чем на самостоятельную работу, имели более высокие средние оценки теста NASA TLX, чем средние по группе по таким факторам как умственная, физическая нагрузки (MD, PD), уровень интереса IL, командная нагрузка TW и ниже по остальным факторам нагрузки (TD, PR, EF, FL). То есть «независимым» от ГИИ было интереснее работать, им больше помогала команда, они потратили больше умственной и физической энергии, на них меньше давило время, потребовалось меньше усердия, возникло меньше неудовлетворённости (рис. 7).

Рис. 7. Средние оценки NASA TLX теста группы и подгруппы «независимых»

Fig. 7. Average NASA TLX test scores for the group and the "independent" subgroup

70% студентов утверждали, что помощь ИИ помогла им развить самостоятельность относительно преподавателя. В закрытом вопросе «Считаете ли вы, что лучше ориентируетесь в области ИИ, чем большинство ваших преподавателей», 61% ответили «да».

В закрытом вопросе с множественным выбором о стратегии при работе с ГИИ студенты указали: четкие запросы – 80%, предоставление контекста – 70%, проверка и редактирование - 55%, выбор инструмента - 40%, постоянное обучение – 25%.

Большинство респондентов (75%) имеют представление о своих навыках работы с ИИ, но рефлексия у многих еще в процессе формирования. 90% считают в разной степени важным развивать навыки работы с ИИ. Остальные 10% затруднялись определить важность таких навыков, либо относятся к этому скептически («скептики»). Подгруппа «скептиков» потратила больше среднего умственных усилий на работу и почти в два раза ниже оценила свою производительность (рис. 8).

Рис. 8. Средние оценки NASA TLX теста группы и подгруппы «скептиков»

Fig. 8. Average NASA TLX test scores for the group and the "skeptics" subgroup

В закрытом вопросе о необходимости интегрирования ИИ в учебный процесс 20% респондентов ответили «нет». Анализ ответов на тест NASA TLX показал, что они свою умственную нагрузку (MD) оценили в среднем на 10% выше, а успешность на 15% ниже, чем группа в целом. В открытом вопросе о причинах отрицательного отношения к внедрению ИИ эта подгруппа студентов выразила опасения по поводу когнитивной пассивности, потери самостоятельности и рисках технологической зависимости («я боюсь, что ИИ будут злоупотреблять, и образовательный процесс станет представлять из себя серию видеоуроков от ИИ, которую никто не будет слушать», «мы сильно просядем в интеллектуальном плане, а также станем более ленивыми и апатичными»). При этом некоторые респонденты допустили использование ИИ как вспомогательного инструмента, но подчеркнули необходимость сохранения баланса и контроля («Важно сохранять баланс, чтобы ИИ использовался как помощь, но не заменял процесс мышления»). При всех опасениях половина из этой подгруппы готовы рекомендовать внедрение ИИ в других учебных курсах.

Заключение. Таким образом, проведенное исследование подтверждает, что генеративный ИИ воспринимается студентами как мощный, но не беспроблемный инструмент, который, при правильной организации учебного процесса, не снижает, а может даже повышать субъективный интерес и производительность (низкая оценка TD и FL).

Полученные в ходе исследования средние оценки по модифицированной шкале NASA TLX свидетельствуют о том, что студенты в целом справляются с проектными задачами с помощью ГИИ легко, с минимальной умственной и временной нагрузкой. Это говорит о высокой степени автоматизации рутинных этапов проектирования.

Однако в то же время выявлено противоречие между высокой оценкой простоты использования ГИИ (74%) и указанием на технические сложности (формулировка промптов, шаблонность). Это требует целенаправленного обучения промпт-инжинирингу как форме диалога с машиной, а не простого ввода команд и получения «идеальных» результатов.

Выделение подгрупп по производительности показало, что эффект от применения ГИИ не универсален: в «красной» группе с низкой производительностью проявились проблемы, связанные с командной работой и интересом, что требует внимания к динамике командного взаимодействия при использовании ИИ.

Авторами выявлено в процессе проведения проектной работы, что студенты демонстрируют высокую степень самоощущения ответственности за конечный продукт, активно редактируя и адаптируя сгенерированный контент, что опровергает опасения о полном пассивном потреблении.

В заключении исследования сделан вывод о том, педагогическая задача состоит в организации такой учебной среды, где генеративный искусственный интеллект усиливает обучение, но не заменяет рефлексивное и критическое мышление студента. Обучение необходимо сочетать с развитием навыков работы с инструментом, обязательной верификацией результатов и структурированной рефлексией о роли и границах искусственного ассистента. Дальнейшие исследования должны быть сфокусированы на продольном отслеживании влияния таких педагогических практик на академическую успеваемость и развитие метакогнитивных навыков студентов.