Алгоритм внедрения генеративного искусственного интеллекта в проектную работу студентов

Введение. Массовое внедрение генеративного искусственного интеллекта (ГИИ) в образовательную практику высшей школы неизбежно трансформирует традиционные форматы обучения (Кобелев С.В., Отоцкий П.Л., 2025), (Константинова Л. В., Ворожихин В. В., 2023) включая проектную деятельность студентов (Лукичёв П.М., Чекмарёв О.П., 2025), (Qi Xia, Peng Zhang, 2025). Обучающиеся всё чаще используют ГИИ для генерации идей, поиска информации, подготовки текстов и визуальной информации, что ускоряет рутинные процессы, но одновременно вызывает вопросы контроля за качеством результатов, академической честности и сохранения самостоятельности обучающихся.

Проектная работа, как форма обучения, ориентированная на решение реальных задач, представляет собой идеальную среду для обучения и интеграции ГИИ, поскольку включает поэтапный процесс выполнения работы−постановку целей, обзор источников, генерацию идей, планирование, реализацию, подготовку материалов, рефлексию и оценивание. Однако отсутствие детализированных алгоритмов внедрения ГИИ на каждом этапе приводит к рискам: фиктивным источникам, шаблонным решениям, потере авторского стиля и формальной рефлексии. Проведенное нами ранее эмпирическое исследование рефлексивного опыта студентов (Зайцева, Роговенко, 2026) подтвердило актуальность этих рисков, показав, что при внешней легкости использования ГИИ у части обучающихся возникают проблемы с командной работой, интересом и качеством конечного продукта. Полученные данные обозначили потребность в создании структурированных педагогических инструментов для управления процессом внедрения ГИИ. Преподавательская роль смещается от «передатчика знаний» к фасилитатору, который контролирует процесс внедрения ГИИ студентами от определения границ использования технологии до анализа рефлексивного опыта студентов и корректировки методик.

Обзор литературы. Для систематизации выбранных для анализа научных работ обзор литературы проведён по следующим направлениям:

1. ГИИ в проектной и исследовательской деятельности студентов.

В работах российских авторов (Лукичёв П.М., Чекмарёв О.П., 2025), (Хаустов О.Н., Тормышова Т.Ю., 2024), (Belkina M., 2025) отмечается, что ГИИ расширяет возможности проектного обучения, автоматизируя этапы анализа данных, моделирования и генерации решений (Константинова Л. В., Ворожихин В. В., 2023), но требует чётких рамок, чтобы избежать снижения глубины мышления. В зарубежных исследованиях (Nigel J Francis, Sue Jones, David P Smith, 2025), (Monib WK, Qazi A, Apong RA and others. 2024), (Dai, Y., & Lai, S. 2025) также подтверждается, что в проектно-ориентированных форматах ГИИ повышает вовлечённость студентов, если акцент делается на промежуточных рефлексиях и проверке результатов (Kofinas A.K., Crystal Han-Huei Tsay, 2024). Во всех исследованиях выявляется разрыв, заключающийся в отсутствии поэтапных моделей для преподавателя.

2. ГИИ в академическом письме и работе с источниками.

Генеративный ИИ активно применяется для конспектирования, перефразирования и генерации текстов, что снижает барьеры для студентов. При этом систематические обзоры фиксируют риски галлюцинаций, ложных ссылок и плагиата (Носова Л. С. и др., 2025), (Sanz-Tejeda A, 2026), (Zhan S., Wang L., 2024), (Hysaj A., 2025). В данном случае для преподавателя становится необходимой обязательная верификация и обсуждение со студентом доли ИИ-вклада.

3. Роль студента и рефлексия при использовании ГИИ

В научных исследованиях (Зайцева, Роговенко, 2026), (Мухлаева Т.В., 2025), (Раицкая Л. К., Тихонова Е. В., 2025), (Fan Wu, Yang Dang, 2025) подчёркивается изменение роли обучающегося при использовании технологии в переходе от пассивного потребителя к активному осознанному пользователю (Al Fattal A., 2025), (Qi Xia, Peng Zhang, 2025). При этом ГИИ может стать помощником в получении рефлексивного опыта, генерируя вопросы и анализируя ответы, формулируя рекомендации по улучшению использования и интеграции ГИИ в проектную работу. В частности, в нашем исследовании (Зайцева, Роговенко, 2026) было выявлено, что большинство студентов (88%) осваивают инструменты самостоятельно и позиционируют себя как ответственных пользователей, при этом ключевыми сложностями для них являются формулировка запросов и адаптация сгенерированного контента под специфический контекст. В данном случае преподаватель может подчеркнуть положительное влияние мотивации студента к обучению при сохранении контроля применения ИИ как инструмента.

4. Педагогические стратегии и оценивание

В образовательной среде высшей школы всё более актуальным становится уточнение преподавателем границ использования нейросетей студентами в проектной работе (Константинова Л. В., Ворожихин В. В., 2023), (Nigel J Francis, Sue Jones, David P Smith, 2025), (Monib WK, Qazi A, Apong RA and others. 2024). Также требуется проводить корректировку курсов на основе анализа опыта студентов. При этом оценивание должно фокусироваться не только на продукте, полученном студентами, но и на самом процессе работы и рефлексии (Dai, Y., & Lai, S. 2025), (Divjak B., 2025), (Zhan S., Wang L., 2024).

Таким образом, обзор литературы выявил пробел в педагогических практических моделях поэтапного внедрения ГИИ в проектную работу студентов, что определяет актуальность данного научного исследования.

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 предлагается таблица 1, объединяющая ключевые этапы проектной деятельности с позиционированием роли ГИИ, педагогическими акцентами и рисками. Таблица основана на обзоре литературы, личного профессионального опыта авторов и служит основой для алгоритма внедрения технологии в учебный процесс, позволяя преподавателю прогнозировать эффекты и минимизировать риски на каждом этапе.

Таблица 1. Этапы внедрения генеративного ИИ в проектную работу студентов

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, какие образовательные эффекты при этом активизируются и какие дополнительные задачи (контроль, экспертиза и др.) появляются у преподавателя.

В рамках данной научной работы цель исследования состоит в формировании рекомендаций преподавателю по эффективному внедрению ГИИ в проектную работу студентов для усиления обучения без подмены самостоятельной работы на основе изучения рефлексивного опыта обучающихся.

Эмпирической базой для разработки алгоритма послужило исследование, подробно описанное в нашей предыдущей работе (Зайцева, Роговенко, 2026). В нем приняли участие 64 студента 4 курса, выполнивших проектную работу в процессе прохождения элективного модуля «Генеративный искусственный интеллект и сквозные технологии». Уникальность студенческого коллектива состояла в разнообразии специальностей, так как модуль являлся элективным.

Суть проекта 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 профилей (технических, информационно-технологических и гуманитарных).

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

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

Методы. Для исследования применена смешанная методология пост-опытного исследования нагрузки и рефлексии с количественным анализом результатов анкетирования. 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 (Stanton N, Salmon P., 2005), (del Castillo, J.,1994), который был дополнен под цели текущего исследования.

В анкету вошли вопросы, дающие количественную оценку уровням нагрузки по восьми факторам (таблица 3, рис. 1).

Таблица 3. Содержание опросного листа NASA TLX

Table 3. Contents of the NASA TLX questionnaire

Рис. 1 Пример трехцветной шкалы теста

Fig. 1 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: от лидеров Open AI и Deepseek AI до нишевых Canva и Suno Inc, включая российские разработки Яндекса и Сбера.

Самостоятельно освоили выбранные инструменты ИИ 88% опрошенных, что возможно связано с тем, что эти инструменты как продукт нацелены на широкий круг пользователей.

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 рисунке 2.

Рис. 2. Доля студентов, оценивших уровень своей ответственности за результаты использования инструментов ГИИ и уровень переработки сгенерированного контента

Fig. 2. Proportion of students who assessed their level of responsibility for the results of using generative AI tools and level of revision for generated content

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 (рис. 3). Учащиеся активно дорабатывали результат под свои задачи (рис. 2б).

Рис. 3. Доля причин редактирования сгенерированного контента, указанных студентами

Fig. 3. Proportion of reasons for editing generated content indicated by students.

По модифицированному тесту NASA-TLX проведен количественный статистический анализ ответов (Зайцева, Роговенко, 2026).

По результатам количественного анализа ответов модифицированного теста NASA-TLX на основе частоты оценок по каждому фактору (табл. 4) студенты были разделены на три группы: «зеленые», «желтые» и «красные».

Таблица 4. Частота оценок по трем уровням для всех факторов

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

По факторам умственной нагрузки и усилия группы распределились практически равномерно: 48% студентов указали низкий уровень, 47–50% — средний, и только 3% — высокий уровень требуемых усилий при работе с ИИ. По физической нагрузке (PD), временной нагрузке (TD) и уровню фрустрации (FL) у 93–95% опрошенных преобладают низкие оценки, что говорит об отсутствии выраженного напряжения по этим параметрам.

В «красной» подгруппе (низкая самооценка продуктивности) выявлена корреляция между командной нагрузкой (TW) и интересом (IL) (r = 0,72). Средние оценки по всем факторам здесь выше групповых, однако интерес к работе с ИИ в 1,85 раза ниже, а 63% считают работу в команде с ИИ более трудной.

В «желтой» подгруппе (15% студентов, средняя продуктивность) обнаружена высокая корреляция между TW и IL (r = 0,92). Средние оценки по факторам TD, PR, FL и IL превышают общие показатели.

В «зеленой» подгруппе статистически значимых связей между факторами не выявлено, средние оценки ниже групповых по всем факторам, кроме MD и PD.

Качество текстов, сгенерированных ИИ, студенты оценили как «хорошее» (35%) и «удовлетворительное» (45%), качество изображений — как «среднее» (35%) и «низкое» (40%). При этом 65% редко выражали несогласие с результатами ИИ. При неудовлетворительных результатах генерации студенты чаще всего перефразировали запрос, добавляли контекст или редактировали контент (70–85%), реже использовали другой сервис (35%) или писали текст сами (20%). 90% студентов выполняли от 1 до 5 действий, что указывает на высокий интерес к взаимодействию с ИИ. 70% студентов считают, что ИИ помог им стать самостоятельнее по отношению к преподавателям, 61% уверены, что ориентируются в области ИИ лучше преподавателей, 90% признают важность развития навыков работы с ИИ. Стратегии работы с генеративным ИИ: четкие запросы (80%), предоставление контекста (70%), проверка и редактирование (55%), выбор инструмента (40%), постоянное обучение (25%). Против интеграции ИИ в учебный процесс выступили 20% респондентов, опасаясь когнитивной пассивности, потери самостоятельности и технологической зависимости. Однако половина из них готова рекомендовать внедрение ИИ на других курсах при условии сохранения баланса и контроля.

Полученные количественные и качественные данные о рефлексивном опыте студентов (Зайцева, Роговенко, 2026) позволили перейти к следующему этапу исследования − анализу позиции преподавателей и объединению этих двух перспектив для разработки целостного алгоритма внедрения ГИИ в проектную работу.

В рамках данного научного исследования также в дополнение к анализу ответов студентов проведен добровольный опрос преподавателей высшей школы, в котором приняло участие 30 человек.

Опрос включал блок закрытых вопросов о текущем опыте применения генеративного ИИ в учебном процессе (формы учебной нагрузки, в которых используется технологии, отношение к их применению преподавателем и студентами, необходимость специального обучения работе с ГИИ и фактический опыт такого обучения), а также о взаимодействии с практиками использования искусственного интеллекта со стороны обучающихся.

Во второй части анкеты предлагались вопросы для преподавателей, уже внедряющих ГИИ: они касались целей использования (экономия времени, повышение качества проектов, развитие критического мышления и мотивации, освоение цифровых инструментов), степени ясности собственных целей до начала курса, оправданности ожиданий, изменения отношения к технологии в процессе работы, предпочтительных этапов учебной деятельности для поддержки ГИИ и этапов, где использование искусственного интеллекта ограничивается или запрещается.

Отдельный блок был посвящён вводимым ограничениям и правилам (запрет полностью сгенерированных текстов, требование маркировать ИИ-фрагменты, запрет генерации ссылок, ограничение задач типа «сделать проект за меня») и оценке того, насколько, по мнению преподавателей, студенты этим правилам следовали, а также готовности самих преподавателей участвовать в дальнейшем эксперименте по оценке их нагрузки при внедрении ГИИ.

70% опрошенных преподавателей применяет ГИИ в учебной работе. 83% из них проходили обучение в сфере ИИ в разных формах.

Внедряя генеративный искусственный интеллект в обучение, опрошенные преподаватели ставили перед собой различные цели (рис. 4): половина формулировала их конкретно, в количественных показателях, тогда как другая половина — нечетко, в общих понятиях.

Что касается удовлетворённости результатом, то мнения разделились: 45% опрошенных преподавателей указали, что их ожидания полностью оправдались, а 55% - что оправдались частично. Мнение преподавателей об использовании ГИИ в учебной работе изменилось неоднородно: 45% респондентов стали относиться к технологии более позитивно, тогда как 33% выразили более осторожную и критичную позицию, а каждый пятый (22%) отметил, что его отношение существенно не изменилось.

Рис. 4. Цели преподавателей при использовании ГИИ, и их доля в выборке

Fig. 4. Teachers' goals when using AI, and their share in the sample

По отношению к ГИИ и результатам его применения весь контингент опрошенных можно разделить симметрично на три подгруппы, которые нельзя назвать полностью однородными, но можно выделить преобладающие характеристики. 56% от числа опрошенных положительно относятся к применению ГИИ в учебной работе, сами обучены, считают, что нужно обучать ГИИ студентов, ставили и достигли конкретных целей, ограничивали студентов в применении ГИИ и контролировали это, отношение к ГИИ стало более позитивным. 44% от числа опрошенных нейтрально относятся к применению ГИИ в учебной работе, сами в основном обучены; не всегда ограничивали студентов в применении ГИИ, но ограничив, контролировали выполнение требований; половина из них считают, что студентов обучать применению ГИИ нужно и отношение к ГИИ существенно не изменилось либо стало более позитивным. Описанные различия в подходах преподавателей подтверждают необходимость алгоритма (рис. 5), который может быть адаптирован как «активными новаторами», так и преподавателями с более осторожной позицией.

Таким образом, при разных подходах к применению ГИИ в учебной работе, большинству опрошенных преподавателей могут быть полезны рекомендации, повышающие эффективность внедрения ГИИ в проектную работу студентов.

На основе проведённого исследования рефлексивного опыта студентов и анализа ответов преподавателей предлагаются действия наставника обучения в формате проектной деятельности и планируемые образовательные эффекты в соответствии с рассмотренными выше этапами проектной работы (таблица 5).

Таблица 5. Этапы и действия преподавателя при внедрении генеративного ИИ в проектную работу студентов

Table 5. Steps and actions of a teacher when introducing generative AI into students' project work

Алгоритм предусматривает предварительную подготовку и основные этапы реализации курса (блоки 1-4, 7), планирование и анализ образовательных эффектов (блок 5, 9), анализ рефлексии студентов (блоки 8), идентификацию рисков (блок 6,10) и корректировку курса на основе полученных результатов (блок 11). Содержательная часть блоков может соответствовать как активному, новаторскому подходу преподавателя, так и осторожному -с максимальными ограничениями и строгим контролем.

Заключение. Проведённое исследование демонстрирует, что студенты рассматривают генеративный ИИ как эффективный инструмент с высоким потенциалом, успешное применение которого требует продуманного педагогического сопровождения. Низкие показатели временной нагрузки (TD) и фрустрации (FL) по шкале NASA-TLX подтверждают способность ГИИ существенно облегчать выполнение проектных задач и поддерживать высокий уровень вовлечённости в процесс обучения, что согласуется с выводами, сделанными в работе (Зайцева, Роговенко, 2026).​

Анализ модифицированной NASA-TLX выявил преимущественно низкие значения по всем факторам нагрузки, что свидетельствует о технологическом росте инструментов ГИИ и их способности автоматизировать трудоёмкие этапы проектной деятельности. Вместе с тем в процессе исследования выявлено противоречие: 74% студентов оценили использование ГИИ как простое, однако указали на необходимость доработки навыков формулировки запросов и преодоления шаблонности генерируемого контента.

Рис. 5. Алгоритм действий преподавателя при внедрении ГИИ в проектную работу студентов

Fig. 5. Teacher's action algorithm for implementing genAI in student projects.

Это подчёркивает важность систематического обучения промпт-инжинирингу как необходимости совершенствования навыка по работе с ГИИ. Распределение студентов по уровню производительности показывает неоднородность эффектов: в группе с низкими показателями (12%) обнаружены проблемы командной динамики и сниженный интерес к работе с ИИ, что требует разработки специальных подходов к фасилитации групповых проектов с элементами искусственного интеллекта.

Важным результатом стало подтверждение высокой степени осознанности студентов: большинство (60%) позиционирует себя как ответственных пользователей ГИИ, осуществляя активное редактирование (70–85% контента) и адаптацию результатов под проектные цели, что также было зафиксировано в нашем предыдущем исследовании (Зайцева, Роговенко, 2026) и опровергает тезис о пассивном потреблении ИИ-контента, подтверждая сохранение студенческой самостоятельности.

Таким образом исследование (Зайцева, Роговенко, 2026) выявило эмпирическую базу, а настоящая работа предлагает практический инструментарий для преподавателя. Выявлено, что актуальной задачей современного образования является создание эффективной гибридной учебной среды, где ГИИ выступает катализатором умственных процессов, а не их заменителем. На основе проведённой работы сформулированы рекомендации и разработан алгоритм действий для преподавателей, внедряющих инструменты ГИИ в проектную работу студентов. Применение такого подхода к обучению требует:

⁻ обучения студентов навыкам эффективного взаимодействия с ГИИ (промпт-инжиниринг, верификация);

⁻ внедрения структурированных рефлексивных практик по итогам проекта;

⁻ разработки критериев оценивания, акцентирующих процесс и осознанное применение, а не только финальный продукт;

⁻ мониторинга командного взаимодействия при использовании ГИИ.

В качестве перспективы исследования рассматривается изучение влияния предложенного алгоритма на академические достижения, развитие критического мышления и профессиональные компетенции студентов в течение полного учебного цикла, а также мониторинг масштабируемости подхода на различных дисциплинах и уровнях образования.