Персонализированные задания по программированию на основе искусственного интеллекта и анализа цифровых следов: пилотное исследование с будущими учителями информатики в контейнеризированной лабораторной среде

Аннотация

Подготовка будущих учителей информатики должна одновременно развивать навыки программирования и предметные педагогические знания, однако до сих пор не было проведено ни одного эмпирического исследования, в котором бы оценивалось, может ли персонализация заданий с помощью ИИ на основе анализа цифровых следов способствовать достижению этой двойной цели в контейнерной лабораторной среде. В данной статье представлено квазиэкспериментальное пилотное исследование с использованием смешанных методов, в котором приняли участие 32 будущих учителя информатики из двух университетских групп в Казахстане. Участники экспериментальной группы (n = 17) получали персонализированные с помощью ИИ задачи по программированию, сгенерированные на основе анализа их цифровых следов в реальном времени в виртуальных лабораториях на базе Docker; участники контрольной группы (n = 15) выполняли те же задачи в той же среде без индивидуальной настройки. За восемь недель экспериментальная группа достигла статистически значимо более высоких результатов как по оценке навыков программирования (d = 0,71, p = 0,012), так и по валидированным инструментам опроса TPACK (d = 0,58, p = 0,031), причем особенно сильный эффект наблюдался в подшкалах знаний по предмету преподавания (d = 0,84). Качественный анализ интервью, проведенных после завершения исследования, показал, что участники высоко оценили прозрачность рекомендаций по заданиям, но выразили озабоченность по поводу алгоритмической справедливости и точности оценки системой их педагогических знаний. Эти результаты предоставляют первые эмпирические данные, свидетельствующие о том, что персонализация на основе ИИ с учетом модели TPACK, основанная на анализе цифровых следов, является осуществимой и эффективной для подготовки будущих учителей информатики, а также позволяют определить конкретные направления совершенствования методики для последующих итераций.