Особенности

преподавания

образовательных

курсов

по

техническим

специальностям

в

высших

учебных

заведениях

с

применением технологий искусственного интеллекта.

Яровой Александр Владимирович,

аспирант кафедры САПР им В.М. Курейчика,

ФГАОУВО "ЮЖНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ",

г. Ростов-на-Дону

Аннотация

В статье рассматриваются особенности интеграции инструментов

искусственного интеллекта (ИИ) в образовательный процесс по техническим

специальностям

в

высших

учебных

заведениях.

На

основе

анализа

международного опыта и эмпирических исследований выделены ключевые

направления применения ИИ: персонализация обучения, автоматизация

учебно-методической работы, развитие междисциплинарных компетенций и

формирование

этической

грамотности.

Особое

внимание

уделяется

трансформации педагогических стратегий, включая переход к активным

методам обучения, развитие навыков критического взаимодействия с ИИ-

инструментами и переосмысление оценочных процедур. Показано, что

эффективное внедрение ИИ требует системного подхода, сочетающего

технологическую

модернизацию

с

пересмотром

целей

и

содержания

инженерного образования.

Ключевые слова: искусственный интеллект, техническое образование,

инженерная педагогика, персонализированное обучение, ИИ-грамотность,

цифровая трансформация образования, активные методы обучения.

1. Введение

Стремительное

развитие

генеративных

нейросетей

и

появление

доступных

ИИ-инструментов,

таких

как

ChatGPT,

Gemini

и

другие,

кардинально меняют ландшафт высшего образования, и технические

специальности оказываются в эпицентре этих изменений . В отличие от

гуманитарных дисциплин, где влияние ИИ часто рассматривается через

призму академической честности и авторского права, в инженерном

образовании открываются качественно иные перспективы: ИИ становится не

просто объектом изучения, но и рабочим инструментом, встроенным в

профессиональную деятельность будущего специалиста .

Вместе с тем, интеграция ИИ в преподавание технических дисциплин

сопряжена с рядом вызовов. Эмпирические исследования показывают, что

студенты нередко используют ИИ поверхностно — как «поисковую систему»

или средство для автоматического выполнения заданий, не развивая

критического мышления и глубокого понимания предмета . Это приводит к

парадоксальной ситуации: технология, способная усиливать когнитивные

способности

учащихся,

при

отсутствии

продуманной

педагогической

стратегии может, напротив, тормозить их интеллектуальное развитие.

Цель

настоящей

статьи —

систематизировать

особенности

преподавания

технических

дисциплин

с

применением

ИИ,

выявить

эффективные

педагогические

подходы

и

обозначить

перспективные

направления трансформации инженерного образования в условиях цифровой

эпохи.

Задачи исследования:

1.

Проанализировать

потенциальные

возможности

и

риски

использования ИИ в техническом образовании.

2.

Выделить ключевые педагогические стратегии интеграции ИИ,

подтверждённые эмпирическими данными.

3.

Охарактеризовать

изменения

в

содержании

и

методах

преподавания, обусловленные внедрением ИИ.

4.

Определить требования к формированию новых компетенций

студентов и преподавателей.

2. Методы

В основу работы положен систематический обзор и критический анализ

научной

литературы

и

педагогической

практики,

отражённой

в

рецензируемых публикациях за период 2024–2026 годов. Информационной

базой послужили исследования, посвящённые:



интеграции ИИ в инженерные образовательные программы (в том

числе работы по направлениям химической технологии, материаловедения,

телекоммуникаций) ;



разработке и апробации педагогических моделей с применением

ИИ (5E-модель, SAMR-модель) ;



формированию междисциплинарных и «сквозных» компетенций

в области ИИ для студентов технических специальностей ;



внедрению

ИИ

в

учебно-методическую

деятельность

преподавателей .

Анализ проводился с позиций сравнительно-сопоставительного метода,

позволяющего выделить общие тенденции и специфические особенности

применения ИИ в различных инженерных дисциплинах. Особое внимание

уделялось

исследованиям

с

квази-экспериментальным

дизайном,

предоставляющим эмпирические данные об эффективности тех или иных

педагогических решений.

3. Результаты

3.1. Направления интеграции ИИ в техническое образование

Анализ показывает, что применение ИИ в преподавании технических

дисциплин реализуется по нескольким взаимосвязанным направлениям:

Персонализация обучения. Интеллектуальные системы позволяют

адаптировать содержание и темп обучения под индивидуальные особенности

студента, обеспечивая обратную связь и рекомендации по устранению

пробелов в знаниях . В исследовании, проведённом на курсе «Принципы и

методы

дистанционного

зондирования»,

внедрение

интеллектуальной

смешанной модели обучения, основанной на 5E-подходе (Engagement–

Exploration–Explanation–Elaboration–Evaluation),

привело

к

значимому

улучшению академических результатов: доля студентов с оценкой «отлично»

выросла с 5,1 до 11,25%, а доля неуспевающих снизилась с 8,1 до 1,44% .

Автоматизация

и

усиление

преподавания. ИИ-инструменты

используются для генерации учебных материалов, подготовки заданий,

автоматизации проверки типовых работ и анализа успеваемости . Это

высвобождает

время

преподавателя

для

более

содержательного

взаимодействия со студентами и развития их творческого потенциала.

Развитие

практических

навыков. В

лабораторных

работах

по

техническим дисциплинам ИИ применяется для моделирования процессов,

виртуального экспериментирования и обработки больших массивов данных.

Так, в курсе по термической обработке металлов внедрение ИИ-модулей

(машинное обучение для прогнозирования свойств, цифровые двойники,

компьютерное зрение) позволило преодолеть ограничения традиционных

лабораторных практикумов, связанных с безопасностью, ограниченностью

ресурсов и сложностью визуализации микроструктурных превращений .

Формирование

ИИ-грамотности. Во

многих

университетах

появляются отдельные курсы или модули, направленные на развитие у

студентов

технических

специальностей

компетенций

в

области

ИИ:

понимание принципов работы, критическая оценка результатов, этические

аспекты использования. В Университете Порту предлагается введение

сквозной дисциплины по ИИ для всех инженерных программ, включающей

методологию выявления и смягчения алгоритмических предвзятостей .

3.2. Трансформация педагогических стратегий

Внедрение ИИ требует перехода от традиционной, трансляционной

модели обучения к активным, исследовательским подходам.

Модель SAMR (Substitution, Augmentation, Modification, Redefinition)

предлагает уровни интеграции технологий — от простой замены (например,

использование ChatGPT вместо поисковика) до переопределения учебной

деятельности, когда ИИ позволяет решать задачи, ранее недоступные в

учебном

процессе .

Исследование

на

первокурсниках

показало,

что

применение SAMR в сочетании с активными методами обучения повышает

качество взаимодействия студентов с ИИ: они задают более глубокие

вопросы, критически оценивают ответы и используют ИИ для решения

комплексных, творческих задач, а не только для поиска фактов .

Активное обучение становится императивом. ИИ-инструменты не

должны

подменять

мыслительные

процессы

студента.

Эффективные

практики строятся на принципах «человеко-машинного сотрудничества», где

ИИ выступает в роли ассистента, а не автора решения. Например, в

лабораторных работах по химической технологии студенты сочетают

использование чат-ботов с традиционными методами расчёта и симуляцией,

при этом качество работы оценивается не по финальному ответу, а по

процессу — обоснованности допущений, корректности описания процесса и

грамотности промптов .

Переосмысление

оценки

знаний. Традиционные

методы

оценки

(контрольные работы, типовые расчёты) утрачивают валидность, поскольку

студенты могут выполнять их с помощью ИИ. Возникает необходимость

перехода

к

аутентичному

оцениванию:

защита

проектов,

устные

коллоквиумы, оценка процесса решения, использование кейсов, требующих

применения ИИ как инструмента, а не заменителя мышления . В некоторых

вузах внедряется подход APC-EPE (Assumptions, Process description, and

Calculations — Effective Prompt Engineering), позволяющий оценивать

способность студента формулировать задачу для ИИ и интерпретировать

результаты .

3.3. Трансформация содержания образования

Интеграция

ИИ

меняет

не

только

методы,

но

и

содержание

технического образования. Возникают новые акценты:

Развитие «сквозных» и метапредметных компетенций. Помимо

технических знаний, будущие инженеры должны владеть навыками работы с

данными, понимать принципы машинного обучения, уметь формулировать

задачи для ИИ-систем и критически оценивать их решения .

Усиление

этического

компонента. Вопросы

алгоритмической

справедливости, прозрачности ИИ-решений, ответственности за результаты

автоматизированного

проектирования

становятся

неотъемлемой

частью

профессиональной подготовки инженеров. В программах появляются модули,

посвящённые выявлению и смягчению предвзятостей в ИИ-приложениях,

этике использования данных и социальным последствиям автоматизации .

Интеграция ИИ в профессиональный инструментарий. Студентов

учат использовать ИИ не как «чёрный ящик», а как инструмент для решения

конкретных

инженерных

задач:

прогнозирование

свойств

материалов,

оптимизация технологических параметров, анализ данных с сенсоров,

автоматизация проектирования .

3.4. Требования к преподавателю

Внедрение ИИ предъявляет новые требования к профессорско-

преподавательскому составу. Преподаватель должен не только владеть ИИ-

инструментами, но и уметь проектировать учебные ситуации, в которых ИИ

способствует развитию мышления студентов, а не подменяет его. Это требует

дополнительного профессионального развития и пересмотра методических

подходов .

4. Обсуждение

Полученные

результаты

позволяют

сформулировать

ряд

принципиальных

положений,

определяющих

специфику

преподавания

технических дисциплин в эпоху ИИ.

ИИ как катализатор изменений, а не просто инструмент. Наиболее

значимый

эффект

от

внедрения

ИИ

достигается

не

при

простой

автоматизации существующих процессов (замена учебников на чат-ботов), а

при переосмыслении целей и задач образования. ИИ позволяет сместить

акцент с запоминания и воспроизведения информации на развитие высших

когнитивных навыков: анализ, синтез, оценка, творчество.

Парадокс доступности. Повсеместная доступность ИИ-инструментов

требует от преподавателя ещё более тщательной работы по формированию у

студентов критического отношения к получаемой информации. Исследования

показывают, что без педагогического сопровождения студенты склонны

воспринимать результаты ИИ как истину в последней инстанции, что

нивелирует развитие критического мышления .

Необходимость системного подхода. Эпизодическое использование

ИИ в отдельных курсах не даёт устойчивого эффекта. Необходима системная

трансформация образовательной среды, включающая: пересмотр учебных

планов,

разработку

методических

материалов,

переподготовку

преподавателей, создание инфраструктуры (доступ к ИИ-инструментам,

платформам для анализа данных), а также формирование этических норм и

правил использования ИИ в учебном процессе .

Различие в подходах к разным типам дисциплин. Эффективность

применения ИИ варьируется в зависимости от содержания курса. Для

фундаментальных дисциплин (математика, физика) ИИ может выступать в

роли интеллектуального тьютора, помогая осваивать базовые концепции. Для

прикладных

инженерных

дисциплин

ИИ

становится

частью

профессиональной деятельности, инструментом для решения комплексных

задач .

Риски и ограничения. Среди ключевых рисков выделяются: усиление

цифрового неравенства (студенты с разным уровнем доступа и навыков),

эрозия фундаментальных знаний при чрезмерной опоре на ИИ, этические

проблемы, включая вопросы конфиденциальности данных и академической

честности .

5.Заключение

Интеграция искусственного интеллекта в преподавание технических

дисциплин представляет собой не просто технологическое обновление, а

фундаментальную трансформацию образовательной парадигмы. Ключевыми

особенностями этого процесса являются:

1.

Переход

от

трансляционной

модели

к

активно-

исследовательской. ИИ становится инструментом познания, а не средством

получения готовых ответов.

2.

Формирование

ИИ-грамотности

как

обязательной

компоненты инженерной подготовки. Будущий инженер должен не только

уметь пользоваться ИИ, но и понимать его принципы, ограничения и

этические аспекты.

3.

Изменение роли преподавателя. От транслятора знаний он

превращается в наставника, проектировщика образовательного опыта и

эксперта в области критического анализа.

4.

Необходимость нового подхода к оценке. Стандартные форматы

контроля уступают место аутентичному оцениванию, направленному на

проверку

мышления

и

умения

работать

с

информацией,

а

не

на

воспроизведение фактов.

Дальнейшие исследования должны быть направлены на разработку

валидных инструментов оценки эффективности ИИ-интеграции, изучение

долгосрочного влияния на формирование профессиональных компетенций, а

также на поиск оптимального баланса между использованием технологий и

развитием фундаментальных знаний. Особую значимость приобретает также

международное сотрудничество и обмен лучшими практиками в этой быстро

развивающейся области.

Литература

1.

Hanson, K. (2026). Session C: Integrating AI Literacy into First-Year

Writing for Engineers. Learning Together at the Forefront of Change: GenAI

Summit 2026 .

2.

Zhan, L., Yang, F., Zhu, H., et al. (2025). Design and implementation

of an intelligent teaching model based on artificial intelligence and data-driven

approaches. Frontiers in Education, 10 .

3.

Artificial Intelligence in Higher Education: Proposal for a Transversal

Curricular Unit. (2025). Journal of Formative Design in Learning, 9, 1–24 .

4.

Strategies to Map Education 5.0 and Industry 5.0 in the Context of a

Modernized Undergraduate Program in Chemical Engineering.

(2025). IEEE

Global Engineering Education Conference (EDUCON) .

5.

Wu, J., Pan, J., Zhou, Y., et al. (2025). An active instructional

approach based on the SAMR framework: Integrating AIGC into undergraduate

freshmen learning. Education and Information Technologies .

6.

Xie, Y., Zhou, P., Wen, X., Leng, M. (2026). An exploration of AI-

empowered experimental teaching reform in "Metallic Materials and Heat

Treatment" under background of emerging engineering education. Heat Treatment

of Metals, 51(2), 340–346 .