Аннотация

В условиях стремительной интеграции искусственного интеллекта (ИИ) во все сферы, включая образование, понимание его влияния на процесс обучения, особенно в области программирования, приобретает первостепенное значение. Целью данной работы были выявление и оценка влияния ИИ на формирование компетенций студентов в области программирования и разработка рекомендаций по оптимизации его применения в академической среде. Исследование проводилось с использованием эмпирических методов, включая анонимное анкетирование студентов вторых курсов двух ведущих университетов. В ходе исследования было установлено, что 100 % опрошенных студентов активно используют ИИ в учебном процессе, при этом значительное большинство (78,5 %) регулярно взаимодействует с ИИ-приложениями, что свидетельствует о высокой степени зависимости, усугубляемой недостаточной фундаментальной подготовкой и ограниченным доступом к платным ресурсам. Выявлено, что студенты часто некритически воспринимают результаты работы ИИ и склонны фокусироваться на получении готового кода, не углубляясь в понимание алгоритмов, что потенциально приводит к утрате самостоятельности и появлению ошибок. Несмотря на эти вызовы, ИИ демонстрирует значительные преимущества, такие как персонализация обучения, повышение эффективности и вовлеченности, позиционируясь как мощный вспомогательный инструмент для преподавателей. Полученные данные также указывают на недостаточную дифференциацию понятий «ИИ» и «нейронные сети» среди респондентов, что подчеркивает необходимость более глубокой теоретической подготовки и развития аналитических способностей. Результаты исследования предоставляют ценную информацию для преподавателей и разработчиков образовательных программ, позволяя им скорректировать подходы к обучению программированию, усилить акцент на критическом мышлении и самостоятельности, а также разработать методики эффективной интеграции ИИ в учебный процесс с учетом его преимуществ и ограничений

Ключевые слова

образовательный процесс; автоматизация; платформы; ChatGPT; Gemini; DeepSeek; GitHub Copilot

Использованные источники

  1. Abolnejadian, M., Alipour, S., & Taeb, K. (2024). Leveraging ChatGPT for adaptive learning through personalized prompt-based instruction: A CS1 education case study. In Extended abstracts of the CHI conference on human factors in computing systems (article number 521). New York: Association for Computing Machinery. doi: 10.1145/3613905.3637148.
  2. Bevzenko, S.A. (2024). Research of methods of automatic programming using artificial intelligence. Young Scientist, 11(510), 13-15.
  3. Cambaz, D., & Zhang, X. (2024). Use of Al-driven code generation models in teaching and learning programming: A systematic literature review. In Proceedings of the 55th ACM technical symposium on computer science education (Vol. 1, pp. 172-178). New York: Association for Computing Machinery. doi: 10.1145/3626252.3630958.
  4. Denny, P., Kumar, V., & Giacaman, N. (2023). Conversing with Copilot: Exploring prompt engineering for solving CS1 problems using natural language. In Proceedings of the 54th ACM technical symposium on computer science education (Vol. 1, pp. 1136-1142). New York: Association for Computing Machinery. doi: 10.1145/3545945.3569823.
  5. Dolinsky, M.S. (2024). Directions of using generative artificial intelligence in initial teaching programming at universities. Computer Tools in Education, 2, 85-96. doi: 10.32603/2071-2340-2024-2-85-96.
  6. George, S.D., & Dewan, P. (2024). NotebookGPT – facilitating and monitoring explicit lightweight student GPT help requests during programming exercises. In Companion proceedings of the 29th international conference on intelligent user interfaces (pp. 62-65). New York: Association for Computing Machinery. doi: 10.1145/3640544.3645234.
  7. GitHub. (2023). The economic impact of the AI-powered developer lifecycle and lessons from GitHub Copilot. Retrieved from https://github.blog/news-insights/research/the-economic-impact-of-the-ai-powered-developer-lifecycle-and-lessons-from-github-copilot/?utm_source=chatgpt.com.
  8. Guidance Note of the European Commission on Ethics and Data Protection. (2021, July). Retrieved from https://ec.europa.eu/info/funding-tenders/opportunities/docs/2021-2027/horizon/guidance/ethics-and-data-protection_he_en.pdf.
  9. Herden, O. (2024). Integration of chatbots for generating code into introductory programming courses. Retrieved from https://conference.pixel-online.net/files/foe/ed0014/FP/9091-ICT6673-FP-FOE14.pdf.
  10. Humble, N. (2024). Risk management strategy for generative AI in computing education: How to handle the strengths, weaknesses, opportunities, and threats? International Journal of Educational Technology in Higher Education, 21, article number 61. doi: 10.1186/s41239-024-00494-x.
  11. Kaleem, M., Hassan, M.A., & Khurshid, S.K. (2024). A machine learning-based adaptive feedback system to enhance programming skill using computational thinking. IEEE Access, 12, 59431-59440. doi: 10.1109/ACCESS.2024.3391873.
  12. Kuramitsu, K., Obara, Y., Sato, M., & Obara, M. (2023). KOGI: A seamless integration of ChatGPT into Jupyter environments for programming education. In Proceedings of the 2023 ACM SIGPLAN international symposium on SPLASH-E (pp. 50-59). New York: Association for Computing Machinery. doi: 10.1145/3622780.3623648.
  13. Kurbanova, K. (2025). Application of artificial intelligence in the organisation of independent learning on the example of the subject “Fundamentals of Programming”. Current Research, 6(241).
  14. Lee, C., Myung, J., Han, J., Jin, J., & Oh, A. (2023). Learning from teaching assistants to program with subgoals: Exploring the potential for AI teaching assistants. arXiv:2309.10419. doi: 10.48550/arXiv.2309.10419.
  15. Liffiton, M., Sheese, B., Savelka, J., & Denny, P. (2023). CodeHelp: Using large language models with guardrails for scalable support in programming classes. arXiv:2308.06921. doi: 10.48550/arXiv.2308.06921.
  16. Menon, P. (2023). Exploring GitHub Copilot assistance for working with classes in a programming course. Issues in Information Systems, 24(4), 66-81. doi: 10.48009/4_iis_2023_106.
  17. Pangambam, S. (2025). Transcript: The future of U.S. AI leadership with Dario Amodei of Anthropic. Retrieved from https://singjupost.com/transcript-the-future-of-u-s-ai-leadership-with-dario-amodei-of-anthropic/.
  18. Prather, J., Reeves, B., Leinonen, J., MacNeil, S., Randrianasolo, A.S., Becker, B., Kimmel, B., Wright, J., & Briggs, B. (2024). The widening gap: The benefits and harms of generative AI for novice programmers. arXiv:2405.17739. doi: 10.48550/arXiv.2405.17739.
  19. Roest, L., Keuning, H., & Jeuring, J. (2024). Next-step hint generation for introductory programming using large language models. arXiv:2312.10055. doi: 10.48550/arXiv.2312.10055.
  20. Sarshartehrani, F., Mohammadrezaei, E., Behravan, M., & Gracanin, D. (2024). Enhancing E-learning experience through embodied AI tutors in immersive virtual environments: A multifaceted approach for personalized educational adaptation. In R.A. Sottilare & J. Schwarz (Eds.), Adaptive instructional systems. HCII 2024. Lecture notes in computer science (Vol. 14727, pp. 272-287). Cham: Springer. doi: 10.1007/978-3-031-60609-0_20.
  21. Sazonov, A.P. (2024). Use of AI in programming. Universum: Technical Sciences, 3(120), 46-52. doi: 10.32743/UniTech.2024.120.3.17010.
  22. Shevchuk, L., & Hunaza, L. (2025). Analysis of international experience in implementing artificial intelligence in the educational process. Scientia et Societus, 4(1), 76-85. doi: 10.69587/ss/1.2025.76.
  23. Tseplyaev, A.F. (2023). Using language models of artificial intelligence to study the basics of programming. Symbol of Science, 5(2), 58-60.
  24. Zhang, S., Yang, J., & Sang, X. (2023). Exploring the applications of EduCoder platform in blended teaching for computer major. Journal of Education and Educational Research, 4(2), 100-103. doi: 10.54097/jeer.v4i2.10819.