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
Использованные источники
- 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.
- Bevzenko, S.A. (2024). Research of methods of automatic programming using artificial intelligence. Young Scientist, 11(510), 13-15.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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).
- 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.
- 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.
- 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.
- 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/.
- 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.
- 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.
- 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.
- Sazonov, A.P. (2024). Use of AI in programming. Universum: Technical Sciences, 3(120), 46-52. doi: 10.32743/UniTech.2024.120.3.17010.
- 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.
- Tseplyaev, A.F. (2023). Using language models of artificial intelligence to study the basics of programming. Symbol of Science, 5(2), 58-60.
- 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.