Для цитирования: Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Роль моделей искусственного интеллекта в создании образовательных программ в условиях интенсивного изменения инженерных знаний // «Актуальные проблемы науки и образования в условиях современных вызовов», (2026, Москва) / Сборник материалов LV Международной научно-практической конференции – ООО «Издательство Академическая среда», 2026 – С. 306 – 315. DOI: 10.62994/6417.2026.29.76.021

***

Аннотация. В статье исследуется проблема адаптации образовательных программ высшего технического образования к условиям ускоренного обновления инженерных знаний в контексте реализации Программы и Стратегии развития МГТУ им. Н.Э. Баумана, как «Университета 4.0». На основе анализа современных подходов и современных информационных технологий, к актуализации образовательного контента и применения генеративных нейросетевых моделей, в статье обосновывается необходимость интеграции больших языковых моделей в процессы проектирования и модификации образовательных программ. Рассматриваются методы автоматизированного мониторинга требований работодателей и профессиональных стандартов, извлечения семантических связей между компетенциями, генерации структуры курсов и учебно-методических материалов с использованием технологии Retrieval-Augmented Generation (RAG) и специализированных промпт-инжиниринговых техник. Предлагается концептуальное архитектурное решение для научно-образовательной платформы «Королев ИИ», реализующей функции интеллектуального ассистента разработчика образовательных программ. Делается вывод о трансформации роли преподавателя от транслятора знаний к архитектору образовательного процесса, управляющему генеративными моделями.

Ключевые слова: большие языковые модели, образовательные программы, актуализация контента, инженерное образование, адаптивное обучение, цифровая трансформация образования.

Abstract. This article examines the problem of adapting higher technical education programs to the conditions of accelerated renewal of engineering knowledge in the context of the implementation of the Program and Development Strategy of Bauman Moscow State Technical University. Bauman Moscow State Technical University as “University 4.0.” Based on an analysis of contemporary approaches and modern information technologies for updating educational content and the use of generative neural network models, this article substantiates the need to integrate large language models into the design and modification of educational programs. Methods for automated monitoring of employer requirements and professional standards, extracting semantic links between competencies, and generating course structures and teaching materials using Retrieval-Augmented Generation (RAG) technology and specialized industrial engineering techniques are considered. A conceptual architectural solution for the “Королев ИИ” scientific and educational platform, which functions as an intelligent assistant for educational program developers, is proposed. A conclusion is reached regarding the transformation of the teacher’s role from knowledge translator to educational process architect managing generative models.

Keywords: large language models, educational programs, content updating, engineering education, adaptive learning, digital transformation of education.

Введение

Современный этап технологического развития характеризуется феноменом ускоренного устаревания профессиональных знаний в инженерных областях. Согласно исследованиям, период полураспада компетенций в сфере информационных технологий и смежных дисциплин сократился до 2,5–3 лет, что создает беспрецедентный вызов для системы высшего образования, традиционно ориентированной на относительно стабильные циклы обновления образовательных программ. В этих условиях классическая модель «обучение на всю жизнь» трансформируется в парадигму «обучение через всю жизнь», требующую принципиально новых подходов к проектированию и оперативной актуализации содержания подготовки специалистов.

Анализ Программы развития МГТУ им. Н.Э. Баумана до 2030 года, свидетельствует о формировании системного запроса на создание интеллектуальных сред, способных обеспечивать динамическую настройку образовательных траекторий и контента под меняющиеся требования экономики, промышленности и технологий. Однако существующие методологии проектирования образовательных программ, базирующиеся преимущественно на экспертных оценках и периодическом рецензировании, не обладают необходимой оперативностью и масштабируемостью, что отмечено в работах [[1], [2], [3], [4], [5]].

Целью настоящей работы является исследование потенциала больших языковых моделей, как инструментальной основы для автоматизации процессов создания и актуализации образовательных программ в условиях интенсивного изменения инженерных знаний.

Теоретическую базу исследования составляют современные подходы к применению больших языковых моделей (англ. Large Language Model, LLM) в образовании. Эмпирическую основу – анализ открытых источников вакансий в инженерной сфере, публикаций по проблематике актуализации образовательного контента, а также экспериментальная апробация методов генерации учебных материалов с использованием LLM [[6]].

Актуальность проблемы

Исследование процессов устаревания образовательного контента показывает наличие существенного временного разрыва между появлением новых технологических требований в различных отраслях экономики и их отражением в учебных программах. Данный разрыв обусловлен несколькими факторами: необходимостью мониторинга большого числа разнородных источников информации (профессиональные стандарты, требования работодателей, научные публикации), длительностью процедур согласования изменений, а также трудоемкостью создании нового учебно-методического обеспечения.

В работе [[7]] предложены модели жизненных циклов образовательных программ и электронных образовательных ресурсов, включающие этапы актуализации на основе обратных связей. Однако реализация этих моделей в полном объеме требует автоматизации ключевых операций: сбора и консолидации требований, семантического анализа компетенций, генерации учебных материалов.

Анализ платформ, представленных на рынке онлайн-образования демонстрирует перспективность использования LLM для создания персонализированных курсов. В то же время существующие решения ориентированы преимущественно на индивидуальных пользователей и не учитывают требования образовательных стандартов и специфику институционального образовательного процесса.

ИИ-модели инструмент трансформации образования

Современные большие русскоязычные языковые модели, такие как YandexGPT, GigaChat, Saiga демонстрируют способность к решению широкого спектра задач обработки естественного языка, включая генерацию связных текстов, перевод, классификацию и семантический анализ. Ключевой особенностью, делающей LLM перспективным инструментом для создания образовательных программ, является их способность к обучению в контексте – адаптации к конкретной задаче на основе запроса (промпта) без необходимости дорогостоящего дообучения модели [[8], [9]].

В работе [[10]] продемонстрировано применение метода генерации, дополненной поиском (англ. Retrieval-Augmented Generation, RAG) для дополнения знаний LLM актуальными данными из внешних источников. Архитектура RAG включает следующие компоненты: векторное представление запросов и документов с использованием эмбеддинг-моделей, хранение векторов в специализированных базах данных, поиск релевантного контекста и его интеграцию в запрос (промпт) LLM. Данный подход позволяет преодолеть ограничение LLM, связанное со сроками до обучения модели, и обеспечить актуальность генерируемых материалов.

Экспериментальная разработка «TeachTool», основанная на модели GPT-4o, описанная в работе [[11]], демонстрирует возможность настройки языковой модели на создание персонализированного образовательного контента с учетом возрастных и психологических особенностей обучающихся, а также требований федеральных государственных образовательных стандартов. Важным выводом является то, что качество генерируемых материалов существенно зависит от полноты и структурированности инструкций, загружаемых в базу знаний модели [[12], [13], [14]].

ИИ-модели и требования к новым знаниям

Одной из ключевых задач при актуализации образовательных программ является оперативное выявление изменений в требованиях работодателей и профессиональных стандартов. Традиционные подходы, основанные на ручном анализе ограниченного числа источников, не обеспечивают необходимой полноты и скорости.

Использование LLM в сочетании со специализированными ботами (так называемыми, веб-краулерами) позволяет автоматизировать процесс сбора и анализа информации о вакансиях в инженерной сфере. В работе [6] предложена методика построения графов компетенций на основе данных с порталов поиска работы [[15]]. Развитием данного подхода является применение LLM для семантической нормализации компетенций – приведения различных формулировок, используемых работодателями, к единой таксономии, сопоставимой с образовательными стандартами. Исследования показали, что LLM способны выделять из текстов вакансий не только явные требования (ключевые слова), но и компетенции, выявляемые на основе семантического контекста. Точность выделения компетенций при использовании модели GPT-4 с промптом, содержащим примеры и инструкцию по нормализации, составила 87,3% (по оценке экспертов).

Генерация структуры образовательных программ и учебного контента

На основе консолидированных требований к компетенциям, LLM могут создавать структуру образовательных программ, включая перечень дисциплин, их содержание и последовательность изучения. В работе [[16]] представлена LLM-платформа «АкадемИИя», реализующая данные функциональные возможности. Особенностью платформы является интеграция с API видео-сервисов для поиска релевантных видеоуроков на основе поисковых запросов, сформированных LLM, и последующего перевода в текст видеоматериалов, для создания кратких сводок и тестовых заданий.

Принципиально важным является вопрос модерации создаваемого контента на предмет соответствия образовательным стандартам и политикам безопасности. В цитируемой работе предлагается использовать структурированный вывод на основе библиотеки LangChain, обеспечивающий проверку содержания по заданным критериям с возвратом булева значения о возможности публикации.

Анализ возможностей современных LLM по созданию учебных материалов позволяет выделить следующие основные направления применения:

• – Генерация заданий. Создание множества вариантов задач, лабораторных работ, кейсов на основе единого шаблона с варьированием исходных данных и контекста.
• – Адаптация сложности. Переработка учебных материалов для различных уровней подготовки обучающихся с сохранением сути изучаемого понятия.
• – Интеграция междисциплинарных связей. Выявление и генерация материалов, демонстрирующих применение знаний из одной области в другой, что соответствует концепции конвергентного образования.
• – Создание поясняющих материалов – генерация альтернативных объяснений сложных концепций, примеров из практики, аналогий.

Концепция архитектурного решения

На основе анализа существующих подходов и экспериментальных разработок, которые представлены в работах [[17], [18], [19], [20]], предлагается концептуальная архитектура модуля разработки образовательных программ платформы «Королев ИИ», ориентированная на поддержку процессов создания и актуализации образовательных программ в МГТУ им. Н.Э. Баумана. Архитектура включает следующие компоненты:

• Модуль мониторинга требований. Система сбора данных из открытых источников (порталы вакансий, сайты компаний-партнеров, реестры профессиональных стандартов) с последующим семантическим анализом на основе LLM.
• Векторное хранилище знаний. База данных для хранения эмбеддингов образовательных стандартов, учебных материалов, научных публикаций и требований работодателей.
• Генератор структур программ. LLM-компонент, формирующий на основе консолидированных требований перечень дисциплин и их содержание с учетом логики освоения компетенций.
• Генератор учебного контента. Подмодуль создания текстов лекций, практических заданий, тестов, а также поиска и адаптации внешних образовательных ресурсов (видео, статьи, интерактивные симуляторы и другие).
• Проверка соответствия. Подмодуль проверки сгенерированных материалов на соответствие федеральным государственным образовательным стандартам и внутренним нормативным документам.
• Интерфейс разработчика. Веб-приложение, обеспечивающее взаимодействие разработчика образовательных программ (преподавателя, методиста) с интеллектуальными сервисами платформы.

Ключевым принципом архитектуры является человеко-машинное взаимодействие, при котором LLM выступает в роли ассистента, предлагающего варианты решений, а финальные решения принимает человек-разработчик. Это соответствует этическим требованиям к применению ИИ в образовании и позволяет сохранить академическую свободу и ответственность преподавателя.

Этические аспекты и ограничения применения LLM

Применение больших языковых моделей в образовательном процессе сопряжено с рядом этических проблем, требующих проактивного регулирования. В работах [[21], [22]] выделены такие аспекты, как предвзятость моделей, обусловленная составом обучающих данных, непрозрачность принятия решений – «черный ящик», риски нарушения конфиденциальности. Применительно к созданию образовательных программ добавляются специфические риски: генерация фактически неверной или устаревшей информации, воспроизведение стереотипов, недостаточный учет педагогических принципов.

Для минимизации указанных рисков предлагается следующий комплекс мер:

• Использование метода RAG с верифицированными источниками знаний (учебники, стандарты, рецензируемые публикации) вместо опоры исключительно на внутренние знания используемых LLM.
• Реализация механизмов объяснимого и доверенного искусственного интеллекта (ИИ), для критически важных решений, позволяющих разработчику понять логику работы модели.
• Создание комитета по этике ИИ при университете для надзора за применением генеративных моделей и разрешения спорных ситуаций.
• Разработка методических рекомендаций для преподавателей по эффективному и ответственному использованию LLM в образовательном процессе.

Заключение

Проведенное исследование позволяет сделать вывод о том, что большие языковые модели являются технологической основой для решения ключевой проблемы современного инженерного образования – обеспечения оперативной актуализации образовательных программ в условиях интенсивного изменения знаний. Интеграция LLM в процессы мониторинга требований, проектирования структуры образовательных программ и генерации учебного контента позволяет существенно сократить временной разрыв между появлением новых технологий и их отражением в подготовке специалистов.

Предложенная архитектура модуля разработки образовательных программ платформы «Королев ИИ» реализует принципы человеко-машинного взаимодействия, при котором LLM выступает в роли интеллектуального ассистента разработчика, который расширяет его возможности, не отменяет его ответственность. Это соответствует современным представлениям о цифровой трансформации образования как процессе, расширяющем человеческий потенциал, а не замещающем его.

Дальнейшие исследования в данной области целесообразно направить на разработку методов выбора и оценки качества работы LLM, применяемых для генерации образовательных материалов, создания специализированных дата-сетов, используемых для дообучения моделей в предметных областях, а также на изучение влияния применения генеративных моделей на результаты обучения.

Литература

---

[1] . 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

[2] . Литвинова Е.Е., Витер Д.А., Чесалов А.Ю. Цифровая платформа «Путь Инженера» как системообразующий элемент стратегии развития МГТУ им. Н.Э. Баумана: аспект применения больших языковых моделей // Достижения в образовательной деятельности – 2026: сборник статей Международного научно-исследовательского конкурса (16 марта 2026 г.). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — С.53-62. DOI: 10.46916/18032026-1-978-5-00276-032-9

[3] . Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Искусственный интеллект и большие языковые модели как сквозная технология реализации стратегии развития МГТУ им. Н.Э. Баумана // New science award 2026: сборник статей Международного научно-исследовательского конкурса (30 марта 2026 г.). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — C. 51-60. DOI: 10.46916/01042026-3-978-5-00276-044-2

[4] . Литвинова Е.Е., Беляев П.В., Чесалов А.Ю. Большие языковые модели как инструмент реализации инициативы «Центр продвижения российского программного обеспечения» МГТУ им. Н.Э. Баумана // «Актуальные проблемы науки и образования в условиях современных вызовов», (2026, Москва) / Сборник материалов XLX Международной научно-практической конференции – ООО «Издательство Академическая среда», 2026 – С. 145 -153. DOI: 10.62994/6048.2026.11.53.012

[5] . Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Технологии искусственного интеллекта как архитектурный базис форсированного научно-технологического развития // «Современные тенденции развития науки, общества и образования», (2026, Москва) / Сборник материалов XXVI Международной научнопрактической конференции – ООО «Издательство Академическая среда», 2026 – С. 249 – 260. DOI: 10.62994/2290.2026.24.17.009

[6] . Chen, Eason & Lee, Jia-En & Lin, Jionghao & Koedinger, Kenneth. (2024). GPTutor: Great Personalized Tutor with Large Language Models for Personalized Learning Content Generation. 539-541. 10.1145/3657604.3664718.

[7] . Деев Михаил Викторович, Финогеев Алексей Германович, Финогеев Антон Алексеевич, Гамидуллаева Лейла Айваровна. Модели и методики актуализации образовательных программ и контента в рамках построения интеллектуальных образовательных систем // Прикаспийский журнал: управление и высокие технологии. 2020. №4 (52). – С. 9-20. DOI 10.21672/2074-1707.2020.52.4.009-020

[8] . 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

[9] . Чесалов А.Ю. Применение больших языковых моделей в автоматизированных системах прогнозируемого обслуживания промышленного оборудования // Society, science, practice»: материалы XI Международной научно-практической конференции (15 декабря 2025г., г. Москва). М.: АНО ДПО «Университет ИТБО», КРСУ им. первого Президента Российской Федерации Б.Н. Ельцина, 2025. – С. 84-92. DOI: 10.26118/y2517-2117-6897-r

[10] . Оболенский Денис Михайлович, Шевченко Виктория Игоревна Использование метода RAG и больших языковых моделей в интеллектуальных образовательных экосистемах // Экономика. Информатика. 2024. №3. – С. 699-709. DOI 10.52575/2687-0932-2024-51-3-699-709

[11] . Алешин Валентин Александрович, Мастерских Светлана Валерьевна, Бояркина Юлия Анатольевна. Особенности создания образовательного контента на основе искусственного интеллекта в условиях массового обучения английскому языку // Primo aspectu. 2025. №3 (63). С. 64-70. DOI: 10.35211/2500-2635-2025-3-63-64-70

[12] . Чесалов А.Ю. Невероятный искусственный интеллект Easy Diffusion. Учебное пособие для школьников средних и старших классов / А.Ю. Чесалов. – 1-е изд. – Москва: Ridero, 2023. – 286 с. ISBN: 978-5-0060-5851-4

[13] . Чесалов А.Ю. Невероятный искусственный интеллект Easy Diffusion 3.0. Учебное пособие для школьников средних и старших классов / А.Ю. Чесалов. – 1-е изд. – Москва: Ridero, 2023. – URL: 304 с. ISBN: 978-5-0060-9899-2

[14] . Чесалов А.Ю. Генеративный искусственный интеллект #Forge&flux. Учебное пособие для школьников старших классов и студентов первых курсов вузов / А.Ю. Чесалов. – 1-е изд. – Москва: Ridero, 2024. – 338 с. ISBN: 978-5-0064-9836-5

[15] . Оболенский Денис Михайлович, Шевченко Виктория Игоревна. Построение и анализ графа компетенций на основе данных вакансий с порталов поиска работы // Экономика. Информатика. 2023. №1. – C/ 191 – 202. DOI 10.52575/2687-0932-2023-50-1-191-202 обращения: 24.02.2026).

[16] . Кожевникова П. В., Ясеновец А. В. LLM-платформа генерации образовательных курсов // Информационные технологии в управлении и экономике. 2024. №3. – С. 64-81.

[17] . Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Большие языковые модели как драйвер научно-исследовательской и инновационной деятельности в цифровой экосистеме МГТУ им. Н.Э. Баумана // Journal of Monetary Economics and Management. 2026. № 6. С. 139–147. DOI: 10.26118/2782-4586-2026-139-147

[18] . Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Роль цифровой трансформации и больших языковых моделей в автоматизации административно-управленческих процессов технического университета // Journal of Monetary Economics and Management. 2026. № 6. С. 130–138. DOI: 10.26118/2782-4586-2026-130-138

[19] . Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Большие языковые модели как инструмент персонализации и адаптации образования в стратегии развития технического университета // Journal of Monetary Economics and Management. 2026. № 6. С. 96–102. DOI: 10.26118/2782-4586-2026-96-102

[20] . Литвинова Е.Е., Французов М.С., Чесалов А.Ю. Большие языковые модели как инструмент цифровой трансформации и развития кадрового потенциала МГТУ им. Н.Э. Баумана // Journal of Monetary Economics and Management. 2026. № 7. С. 455–463. DOI: 10.26118/2782-4586-2026-7-455-463

[21] . 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., г. Петрозаводск). — Петрозаводск: МЦНП «НОВАЯ НАУКА», 2026. — С. 11-17. DOI 10.46916/02022026-6-978-5-00215-995-6

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