Для цитирования: Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Интеграция больших языковых моделей в образовательную экосистему МГТУ им. Н.Э. Баумана: кейс платформы «Korolev AI» // Science and technology research – 2026: сборник статей Международной научно-практической конференции (5 февраля 2026 г.). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — С. 34-41. DOI 10.46916/09022026-1-978-5-00276-001-5

***

Аннотация. В статье рассматриваются актуальные вызовы цифровой трансформации высшего технического образования на примере стратегических документов ведущего российского технологического университета – МГТУ им. Н.Э. Баумана. Проведен анализ ключевых направлений развития, требующих автоматизации и применение передовых технологий искусственного интеллекта в образовании. Обосновывается критическая необходимость интеграции больших языковых моделей (англ. Large Language Models, LLM) в качестве ядра универсальной сервисной платформы искусственного интеллекта «Korolev AI». Предлагается базовый архитектурный и функциональный подход к реализации такого ядра для решения задач адаптивного обучения, генерации образовательного контента, поддержки научно-исследовательской деятельности. Делается вывод о том, что LLM выступают ключевым катализатором для достижения целевых показателей программы развития университета в части персонализации образования и повышения эффективности научно-инновационного цикла.

Ключевые слова: большие языковые модели, искусственный интеллект в образовании, цифровая трансформация университета, адаптивные образовательные траектории, автоматизация научных исследований, интеллектуальные помощники, Korolev AI.

Введение

Современный этап технологического развития характеризуется переходом к экосистемным моделям организации научно-образовательной деятельности. Ведущие технические университеты, такие как МГТУ им. Н.Э. Баумана, формируют долгосрочные стратегии, направленные на удержание лидерства в условиях экономики данных. Анализ реальных потребностей внутренних заказчиков и Программы развития до 2036 года МГТУ позволяет выявить системный запрос на глубинную автоматизацию процессов, выходящую за рамки простой цифровизации и автоматизации образовательных процессов. Речь идет о создании интеллектуальной среды, способной к адаптации, прогнозированию и генерации новых решений. В этом контексте большие языковые модели, демонстрирующие способность к пониманию, синтезу и обработке сложных текстовых структур, становятся стратегическим и технологическим активом в процессах цифровой трансформации университета, на основе технологий искусственного интеллекта (ИИ) [[1]].

Актуальные вызовы и задачи автоматизации в МГТУ им. Н.Э. Баумана

Стратегические ориентиры развития МГТУ им. Н.Э. Баумана на период до 2036 года формируют комплекс задач, требующих внедрения ИИ-решений:

• Персонализация и адаптивность образования определяет необходимость построения индивидуальных образовательных траекторий для тысяч студентов, учет их компетенций, темпа обучения и профессиональных интересов.
• Генерация и актуализация образовательного контента основывается на быстром обновлении материалов в условиях ускоренного старения инженерных знаний, появляется потребность в создании вариативных учебных заданий, симуляторов и сценариев.
• Поддержка научно-исследовательской и инновационной деятельности характеризуется анализом гигантских массивов научной литературы, помощи в формировании гипотез, предварительном анализе данных, генерации прототипов программного кода и технической документации.
• Автоматизация административно – управленческих процессов связана с обработкой естественно-языковых запросов (студентов, сотрудников), аналитической поддержке – принятия решений на основе данных, интеллектуальном анализе документооборота.
• Развитие цифровых двойников и моделирующих комплексов базируется на создании интеллектуальных интерфейсов для взаимодействия с комплексными симуляторами, способными давать текстовые пояснения и рекомендации.

Традиционные подходы к автоматизации, основанные на жестких алгоритмах, в полной мере, неспособны эффективно решать данные задачи в силу их креативной, неструктурированной и многофакторной природы.

Научно-образовательная платформа искусственного интеллекта «Korolev AI» может быть позиционирована, как центральный «нервный узел» цифрового университета 4.0. Интеграция в ее архитектуру специализированных LLM (дообученных на библиотеках научно-технической литературы, патентов, образовательных стандартов и внутренней документации МГТУ им. Н.Э. Баумана) позволяет создать следующие сервисы:

• Интеллектуальный наставник и консультант. LLM, интегрированная с системой управления обучением (англ. Learning Management System) и электронным портфолио, способна в диалоговом режиме анализировать успехи студента, рекомендовать курсы, разъяснять сложные концепции несколькими способами, генерировать персональные практические задачи. Это напрямую соответствует задаче формирования «образовательного ассистента» [[2], [3]].
• Генеративный модуль образовательных ресурсов. На основе формализованных требований к компетенциям LLM может создавать типовые и творческие задания, варианты лабораторных работ, сценарии деловых игр, фрагменты методических указаний, эмулируя стиль различных кафедр. Это ускорит обновление контента и снизит нагрузку на преподавателей [[4], [5]].
• Научно-исследовательский ассистент. Специализированная LLM может выполнять функции: семантического поиска в научных базах с группировкой статей по заданной теме; предварительного обзора литературы; генерации шаблонов для заявок на гранты и технических отчетов; объяснения фрагментов сложного кода; предложения идей для экспериментов. Это усилит продуктивность научных коллективов.
• Универсальный интерфейс взаимодействия с университетскими сервисами. Через чат-интерфейс, дополненным LLM, пользователи (абитуриенты, студенты, сотрудники) смогут получать структурированные ответы на сложные запросы, например: «Какие кафедры занимаются космической робототехникой и есть ли у них открытые вакансии для магистров?» или «Сформируй выжимку из всех внутренних приказов за последний квартал, касающихся командировок» [[6]].
• Ядро для цифровых двойников. LLM может выступать интеллектуальным слоем, интерпретирующим результаты моделирования в технических системах, предлагающим инженерные решения и формулирующим выводы на естественном языке.

Вопросы этики

Внедрение больших языковых моделей в образовательную среду МГТУ им. Н.Э. Баумана, помимо технологических вызовов, порождает комплекс этических вопросов, требующих проактивного регулирования в рамках архитектуры платформы «Korolev AI». Недооценка этического аспекта может привести к системным рискам, подрывающим доверие к системе и нивелирующим ее преимущества. Ключевые вопросы этики можно структурировать следующим образом [[7], [8], [9]]:

• Академическая добросовестность и аутентичность результата. Как обеспечить прозрачность использования LLM студентами, преподавателями и исследователями? Где проходит грань между разрешенной интеллектуальной поддержкой (например, помощь в формулировке гипотезы, разборе сложной темы) и недопустимым заимствованием сгенерированных текстов или решений? Платформа должна включать технические и методологические средства верификации авторского вклада, явного указания на использование ИИ-ассистента и формировать культуру ответственного применения этих инструментов.
• Смещение (предвзятость). LLM обучаются на массивах данных, содержащих субъективные оценки и культурные особенности. Критически важно минимизировать риск трансляции этих смещений в образовательный контент, научные рекомендации или управленческие аналитические отчеты. Для платформы «Korolev AI» необходим постоянный мониторинг и корректировка выводов моделей, особенно в гуманитарных и социальных аспектах инженерного образования, с опорой на экспертизу профессорско-преподавательского состава.
• Прозрачность и объяснимость. Модель, рекомендующая студенту определенную образовательную траекторию или отклоняющая административный запрос, должна предоставлять данные, доступные для человеческого понимания. «Черный ящик» в принятии решений, влияющих на судьбы и карьеру, неприемлем. Архитектура платформы должна предусматривать элементы объяснимого ИИ (англ. Explainable AI, XAI) для критически важных сервисов.
• Конфиденциальность и безопасность данных. Обрабатывая персональные данные, учебные и научные результаты, платформа «Korolev AI» становится хранилищем сверхчувствительной информации. Этично ли использовать эти данные для дообучения моделей? Каковы механизмы информированного согласия пользователей? В ИИ-системе необходимо реализовать принципы анонимности данных для тренировки и гарантии неиспользования персональных контекстов за пределами конкретной сессии пользователя.
• Ответственность за решение. Существует риск чрезмерного делегирования интеллектуальных функций ИИ, ведущего к деградации критического мышления и самостоятельности преподавателей и обучающихся. Платформа «Korolev AI» должна быть спроектирована не как замещающий, а как дополняющий инструмент, который оставляет финальное решение и оценку за человеком (преподавателем, ученым, управленцем). Это требует разработки соответствующих педагогических методик и регламентов.

Таким образом, этическая составляющая является не внешним ограничителем, а интегральным элементом проектирования платформы «Korolev AI». Успешная реализация проекта зависит от создания параллельного этико-правового каркаса, включающего [[10], [11], [12], [13]]:

• Внутренние политики и регламенты использования ИИ.
• Комитет по этике ИИ при университете для надзора и разрешения спорных случаев.
• Образовательные модули по цифровой и ИИ-этике для всех пользователей.
• Технические реализации (водяные знаки ИИ-генерируемого контента, системы аудита, интерфейсы объяснений).

Только комплексный подход, сочетающий технологические инновации с продуманной этической архитектурой, позволит МГТУ им. Н.Э. Баумана не только достичь стратегических целей программы развития, но и стать флагманом в области ответственного и человеко-ориентированного внедрения искусственного интеллекта в сфере высшего технического образования. Это создаст устойчивое конкурентное преимущество и сформирует новый стандарт для инженерных вузов.

Заключение

Внедрение больших языковых моделей не является сиюминутной ИТ-инициативой или данью модного тренда, а представляет собой обдуманное стратегическое направление модернизации образовательной и научной инфраструктуры исследовательского университета. Для МГТУ им. Н.Э. Баумана — это путь к достижению качественно нового уровня:

• Масштабируемой персонализации образования, что заявлено в Программе развития до 2036 года, как один из приоритетов развития.
• Повышения эффективности научного цикла «идея – исследование – внедрение», за счет автоматизации рутинных интеллектуальных операций.
• Формирования уникальной цифровой экосистемы, привлекательной для талантливых абитуриентов и ученых.
• Оптимизации управленческих процессов через интеллектуальную аналитику.

Ключевыми рисками при реализации при использовании больших языковых моделей являются: необходимость тщательного обучения и дообучения моделей на верифицированных датасетах, обеспечение их идеологической и фактологической адекватности, а также построение устойчивых архитектур, гарантирующей безопасность и конфиденциальность данных. Однако системная интеграция LLM в платформу «Korolev AI» позволит не просто автоматизировать отдельные задачи, но и создать синергетический эффект, превратив данные университета в актив, генерирующий новые образовательные и научные продукты. Таким образом, инвестиции в развитие данного направления являются обязательным условием для выполнения амбициозных задач, поставленных в программе развития МГТУ им. Н.Э. Баумана на долгосрочную перспективу.

Литература

---

[1] . Чесалов А.Ю. Анализ возможности применения модели OpenThinker2-32B в автоматизированных системах прогнозируемого обслуживания для малых и средних промышленных предприятий // Нейрокомпьютеры: разработка, применение. – 2025. Т. 27. № 5. С. 56–70. DOI: https://doi.org/10.18127/j19998554-202505-07

[2] . Tärning, Betty & Tjøstheim, Trond & Wallin, Annika. (2025). More polished, not necessarily more learned: LLMs and perceived text quality in higher education. Frontiers in Artificial Intelligence. 10.3389/frai.2025.1653992.

[3] . Cui, Jun. (2026). LLM-Assisted Learning of Complex Differentiation: Evidence for Enhancing New-Quality Productive Forces in Higher Education. 10.13140/RG.2.2.35954.98247.

[4] . Alif, Hasan & Mashrafi, Md. Jisan & Islam, Syeda & Fahim, Abrar & Nath, Anik & Ahmed, Jawad. (2025). Evaluating LLMs in Higher Education: A SEM Based Comparison of ChatGPT and DeepSeek Using the IS Success Model. 1-6. 10.1109/ASIANCON66527.2025.11281210.

[5] . Zhang, Min. (2025). Optimizing academic engagement and mental health through AI: an experimental study on LLM integration in higher education. Frontiers in Psychology. 16. 10.3389/fpsyg.2025.1641212.

[6] . Guessoum, Ahmed & Berkani, Lamia & Ameur, Mohamed & Aouichat, Asma. (2026). Artificial Intelligence and Large Language Models for a New Education and Higher Education Paradigm in the Arab World. 10.1007/978-3-031-99068-7_15.

[7] . Чесалов А.Ю. Актуальные вопросы этики применения искусственного интеллекта в промышленности. Научный поиск: фундаментальные и прикладные аспекты: сборник статей III Международной научно-практической конференции (29 января 2026 г.). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — С.11-17. DOI 10.46916/02022026-6-978-5-00215-995-6

[8] . Чесалов А.Ю. Этические аспекты использования искусственного интеллекта в промышленности // Автоматизация в промышленности. – 2025. – №10. – С. 33 – 39.

[9] . Чесалов А.Ю. Этика и искусственный интеллект // Современные информационные системы – 2022. – № 1 (19). – С. 52 – 59.

[10] . Рекомендация по этике искусственного интеллекта. [Электронный ресурс] // en.unesco.org. URL: https://en.unesco.org/artificial-intelligence/ethics#recommendation (дата обращения: 03.02.2026)

[11] . Предварительное исследование возможности подготовки нормативного акта по вопросам этики применения искусственного интеллекта. [Электронный ресурс] 2019 URL: https://unesdoc.unesco.org/ark:/48223/pf0000369455_rus (дата обращения: 03.02.2026)

[12] . Доклад комиссии по социальным и гуманитарным наукам (SHS). [Электронный ресурс] 2021 URL: https://unesdoc.unesco.org/ark:/48223/pf0000379920_rus.page=16 (дата обращения: 03.02.2026)

[13] . Кодекс этики в сфере ИИ. [Электронный ресурс] 2021 URL: https://a-ai.ru/code-of-ethics/ (дата обращения: 04.02.2026)