Разработка учебно-методического комплекса факультативного курса «Основы искусственного интеллекта» для 10 класса информационно-технологического профиля

Уровень использования технологий искусственного интеллекта российскими организациями вырос с 20% в 2021 году до 43% в 2024 году, при этом сфера высшего образования занимает лидирующие позиции по внедрению ИИ (72% опрошенных организаций). Этот стремительный рост, согласно данным ВЦИОМ, является не просто статистическим показателем, но и четким сигналом о необходимости глубокой трансформации образовательной системы, особенно на уровне среднего общего образования.

Введение: Актуальность, цели и задачи дипломной работы

В двадцать первом веке, в эпоху повсеместной цифровизации и технологического прорыва, искусственный интеллект (ИИ) из области футуристических концепций превратился в повседневную реальность. Он проникает во все сферы человеческой деятельности — от медицины и финансов до искусства и образования, меняя ландшафт профессий и формируя новые требования к компетенциям будущих специалистов. В этом контексте, включение основ искусственного интеллекта в программу среднего общего образования, особенно для учащихся информационно-технологического профиля, перестает быть вопросом выбора и становится насущной необходимостью.

Актуальность данной дипломной работы обусловлена несколькими ключевыми факторами. Во-первых, это требование государственной стратегии: «Национальная стратегия развития искусственного интеллекта на период до 2030 года», утвержденная Указом Президента РФ от 10 октября 2019 года № 490 (и обновленная 15 февраля 2024 года № 124), прямо указывает на цель достижения лидирующих позиций России в области ИИ в мире, а для этого необходима системная подготовка кадров, начинающаяся уже со школьной скамьи. Во-вторых, неоднократные призывы Президента РФ Владимира Путина (в частности, 6 декабря 2023 года и 11 декабря 2024 года) к внедрению изучения ИИ в школах, а также поручения Правительству РФ о более широком использовании технологий ИИ для дополнительного обучения, подчеркивают высочайший приоритет этой задачи на государственном уровне. В-третьих, быстрые темпы развития технологий и их интеграция в образовательный процесс создают новые вызовы и возможности; использование ИИ для генерации учебного контента, создания тестов и проверки ошибок учащихся формирует новые практики, требующие разработки этических норм и правил для обеспечения ответственного использования технологий в образовании.

Данная дипломная работа направлена на разработку учебно-методического комплекса (УМК) для факультативного курса «Основы искусственного интеллекта» для 10 класса информационно-технологического профиля.

Цель работы — создать исчерпывающий, практически применимый и методологически обоснованный УМК, который позволит учащимся получить фундаментальные знания и практические навыки в области ИИ, соответствующие актуальным образовательным стандартам и потребностям цифровой экономики.

Для достижения этой цели были поставлены следующие задачи:

1. Провести анализ теоретических основ, исторического развития ИИ и его места в современном мире.
2. Исследовать нормативно-правовую базу и Федеральные государственные образовательные стандарты (ФГОС) среднего общего образования по информатике, выявив их соответствие или несоответствие современным требованиям изучения ИИ.
3. Обосновать психолого-педагогические основы обучения ИИ старшеклассников, учитывая дидактические принципы и особенности восприятия сложного технического материала.
4. Сформулировать цели, задачи и планируемые результаты факультативного курса, включая предметные, метапредметные и личностные компетенции.
5. Определить оптимальный набор ключевых концепций, методов и технологий ИИ для включения в содержание курса.
6. Разработать эффективные методические подходы и формы организации учебной деятельности, с акцентом на интерактивные, проектные и исследовательские методы.
7. Создать структуру и содержание УМК, включающего рабочую программу, тематическое планирование, планы уроков, дидактические материалы и контрольно-измерительные материалы.
8. Детально описать практические задания по программированию на Python с использованием специализированных библиотек и привести примеры проектной деятельности.
9. Разработать систему оценки результатов обучения, способствующую формированию цифровых навыков и проектного мышления.
10. Интегрировать в курс обсуждение этических аспектов и рисков ИИ, формируя у школьников ответственное отношение к технологиям.

Научная новизна работы заключается в разработке целостного УМК, который не только соответствует актуальным образовательным стандартам, но и критически анализирует их пробелы в отношении быстро развивающихся технологий ИИ, а также предлагает детальный, практико-ориентированный подход к освоению ИИ для профильных классов. Особое внимание уделено интеграции этических вопросов ИИ и методикам формирования критического мышления.

Практическая значимость работы состоит в создании готового к внедрению методического пособия, которое может быть использовано учителями информатики, методистами и студентами педагогических вузов для организации факультативных курсов по ИИ, обеспечивая качественную подготовку учащихся к вызовам цифровой эры и их будущей карьере в IT-сфере.

Глава 1. Теоретические основы и предпосылки изучения искусственного интеллекта в школе

Искусственный интеллект, как феномен, давно вышел за рамки научной фантастики, став одним из наиболее мощных драйверов технологического и социального прогресса. Для того чтобы успешно ориентироваться в этом быстро меняющемся мире, современному школьнику, особенно тому, кто выбрал информационно-технологический профиль, необходимо понимание фундаментальных принципов и практических приложений ИИ. Эта глава посвящена теоретическим основам ИИ, его историческому пути и обоснованию необходимости включения в школьную программу.

Исторический обзор развития искусственного интеллекта и его место в современном мире

История искусственного интеллекта – это увлекательное путешествие, начавшееся задолго до появления первых компьютеров. От античных мифов о разумных автоматах до философских рассуждений о природе мышления – человек всегда стремился наделить неодушевленное способностью мыслить. Однако как научная дисциплина ИИ зародился в середине XX века.

Ранние этапы (1940-1970-е годы): Мечты и первые шаги. Основополагающие работы Алана Тьюринга о вычислимости и «мыслящих машинах» заложили теоретический фундамент. В 1950 году Тьюринг предложил свой знаменитый тест, который до сих пор является одним из критериев оценки "разумности" ИИ. Официальное рождение термина "искусственный интеллект" произошло на Дартмутской конференции 1956 года, где Джон Маккарти, Марвин Мински, Натаниэль Рочестер и Клод Шеннон собрались, чтобы обсудить возможности создания машин, способных имитировать человеческий интеллект. В это время появились первые экспертные системы (например, DENDRAL для химического анализа) и программы, способные решать логические задачи и играть в простые игры. Это был период эйфории, но и первых "зим ИИ", когда завышенные ожидания сталкивались с ограничениями вычислительных мощностей и алгоритмов.

Период развития экспертных систем (1970-1980-е годы): Фокус на знаниях. В это время особое внимание уделялось созданию экспертных систем, которые аккумулировали знания узких специалистов и на их основе принимали решения. Примером может служить система MYCIN, предназначенная для диагностики инфекционных заболеваний крови. Этот подход позволил решать сложные задачи в специализированных областях, но столкнулся с проблемой "получения знаний" – их формализацией и внесением в базу данных.

Возрождение и расцвет машинного обучения (1990-е – 2010-е годы): Эра данных. С появлением мощных компьютеров и огромных объемов данных (Big Data), фокус сместился на машинное обучение. Вместо того чтобы жестко программировать правила, системы начали обучаться на примерах. Алгоритмы, такие как опорные векторы (SVM), случайные леса и нейронные сети, получили новый виток развития. Именно в этот период ИИ начинает активно проникать в повседневную жизнь, например, в рекомендательные системы интернет-магазинов или спам-фильтры.

Это не просто технический прогресс, а кардинальное изменение подхода: от явного кодирования к выявлению закономерностей в данных, что открыло путь к гораздо более гибким и мощным решениям.

Современные достижения (2010-е годы – настоящее время): Глубокое обучение и генеративный ИИ. Последнее десятилетие ознаменовалось прорывом в области глубокого обучения (Deep Learning) – подраздела машинного обучения, использующего многослойные нейронные сети. Это позволило достичь невероятных результатов в задачах распознавания образов (например, Face ID), речи (голосовые помощники, такие как Алиса, Siri), обработки естественного языка (переводчики, чат-боты) и робототехнике. Сегодня мы являемся свидетелями расцвета генеративного ИИ, способного создавать новый контент – тексты, изображения, музыку, что открывает совершенно новые горизонты и вызывает к жизни острую дискуссию об этике и регулировании этих технологий.

Применение ИИ в различных сферах:

• Медицина: ИИ используется для диагностики заболеваний (анализ медицинских изображений, таких как рентген и МРТ), разработки новых лекарств, персонализированной медицины и даже проведения роботизированных операций.
• Финансы: Алгоритмы ИИ применяются для высокочастотной торговли, обнаружения мошенничества, кредитного скоринга, персонализированных финансовых рекомендаций.
• Биотехнологии: Моделирование молекул, анализ геномных данных, оптимизация процессов в биотехнологическом производстве.
• Повседневные приложения: Умные голосовые помощники (Алиса, Google Assistant), системы навигации (Яндекс.Навигатор), рекомендательные сервисы (Netflix, YouTube), интерактивные игры (Quick, Draw!), системы безопасности (распознавание лиц).
• Образование: Персонализация обучения (ИИ-тьюторы, адаптивные платформы), автоматическая проверка заданий, создание учебного контента, профориентация.

Анализ нормативно-правовой базы и образовательных стандартов по информатике

Включение изучения искусственного интеллекта в школьную программу не является абстрактной идеей, а диктуется как глобальными технологическими трендами, так и национальной стратегией развития. Россия активно стремится занять лидирующие позиции в сфере ИИ, что находит отражение в ключевых государственных документах.

Национальная стратегия и поручения Президента РФ.
Фундаментальным документом является «Национальная стратегия развития искусственного интеллекта на период до 2030 года», утвержденная Указом Президента РФ от 10 октября 2019 года № 490 и обновленная Указом от 15 февраля 2024 года № 124. Этот документ прямо ставит целью достижение лидирующих позиций России в области ИИ в мире, что невозможно без соответствующей образовательной подготовки граждан, начиная со школьного возраста.
Эта стратегическая задача подкрепляется конкретными инициативами и поручениями. Президент РФ Владимир Путин неоднократно подчеркивал важность изучения ИИ в школе. Например, 6 декабря 2023 года и 11 декабря 2024 года на конференции «Путешествие в мир искусственного интеллекта» он призывал к внедрению ИИ в школьное образование. По итогам последней конференции Правительству РФ было поручено до 15 марта 2025 года представить предложения по более широкому использованию технологий ИИ для дополнительного обучения и консультирования школьников по общеобразовательным предметам. Эти факты являются мощным аргументом в пользу разработки специализированных образовательных программ.

Анализ Федеральных государственных образовательных стандартов (ФГОС).
Федеральные государственные образовательные стандарты (ФГОС) по информатике являются основой для формирования школьных программ. Однако их динамика не всегда успевает за стремительным развитием технологий.

• ФГОС основного общего образования (ФГОС ООО) 2022 года: В обновленном ФГОС ООО по информатике (для 5-9 классов) уже предусмотрены шаги в направлении изучения больших данных и интеллектуальных сервисов. Он включает изучение распределенной обработки данных, методов анализа данных и использования интеллектуальных систем, а также других цифровых технологий в повседневной жизни, включая облачные сервисы и «Интернет вещей». Это прогрессивный шаг, закладывающий основы для дальнейшего, более глубокого изучения ИИ.
• ФГОС среднего общего образования (ФГОС СОО) для 10-11 классов: В текущих ФГОС СОО по информатике для 10-11 классов информационно-технологического профиля явно прослеживается ориентация на углубленное изучение программирования, алгоритмизации, баз данных и компьютерных сетей. Однако, несмотря на их актуализацию, существуют определенные пробелы и несоответствия современным требованиям к изучению ИИ:
  • Недостаточная конкретика в области ИИ: Хотя ФГОС СОО предусматривает формирование компетенций в области информационных технологий и алгоритмического мышления, прямые указания на изучение основ искусственного интеллекта как отдельной дисциплины или раздела выражены недостаточно четко. Темы, такие как машинное обучение, нейронные сети, глубокое обучение, экспертные системы, остаются за рамками обязательного минимума.
  • Отсутствие акцента на практическую реализацию ИИ-алгоритмов: Стандарты сосредоточены на общих принципах программирования, но не включают специфические аспекты, связанные с созданием и обучением ИИ-моделей с использованием специализированных библиотек Python (Scikit-learn, TensorFlow/Keras).
  • Недостаточное внимание к этическим и социальным аспектам ИИ: В условиях бурного развития ИИ, вопросы предвзятости алгоритмов, конфиденциальности данных, влияния на общество и рынок труда приобретают критическое значение. ФГОС СОО не акцентирует внимание на формировании у учащихся критического мышления в отношении этических дилемм ИИ, что является серьезным упущением.
  • Отставание от темпов развития технологий: Скорость развития ИИ такова, что любой стандарт, не предусматривающий механизмов оперативного обновления, неизбежно будет отставать.

Обоснование необходимости введения факультативного курса.
Выявленные пробелы и государственная стратегия развития ИИ являются веским обоснованием для введения факультативного курса «Основы искусственного интеллекта» для 10 класса информационно-технологического профиля. Факультатив позволяет оперативно реагировать на изменения в технологической сфере, предложить учащимся углубленное изучение актуальных тем, не входящих в обязательную программу, и при этом не перегружать основной курс. Он дает возможность сфокусироваться на практической реализации ИИ-алгоритмов, развить проектное мышление и сформировать критическое отношение к новым технологиям, подготавливая выпускников к успешной адаптации в цифровом мире и продолжению образования в IT-сфере.

Психолого-педагогические основы обучения искусственному интеллекту

Преподавание сложных, абстрактных концепций искусственного интеллекта старшеклассникам требует особого подхода, учитывающего их возрастные и когнитивные особенности. В 10 классе учащиеся уже обладают достаточно развитым абстрактным мышлением, способны к анализу, синтезу и критическому осмыслению информации, однако им необходима целенаправленная поддержка в освоении нового и сложного материала.

Дидактические принципы:
В основе построения факультативного курса лежат следующие дидактические принципы:

1. Принцип научности и доступности: Материал должен быть научно обоснован, но представлен в форме, понятной для старшеклассников, с использованием наглядных примеров, аналогий и постепенного перехода от простого к сложному. Сложнейшие математические основы ИИ следует объяснять через призму практических задач и их решения.
2. Принцип связи теории с практикой: Изучение ИИ немыслимо без практической реализации. Теоретические знания должны немедленно подкрепляться практическим применением на языке программирования Python, что позволяет учащимся увидеть «как это работает». Это формирует не только понимание, но и навыки решения реальных задач.
3. Принцип системности и последовательности: Материал должен быть структурирован логически, представляя собой взаимосвязанную систему знаний. Изучение ИИ следует начинать с общих концепций, постепенно переходя к конкретным алгоритмам и их реализации.
4. Принцип сознательности и активности учащихся: Обучение должно быть ориентировано на активное вовлечение учащихся в процесс познания. Это достигается через проблемные ситуации, дискуссии, проектную деятельность, самостоятельный поиск решений. Ученик не пассивный слушатель, а активный исследователь.
5. Принцип наглядности: Визуализация данных, моделей и алгоритмов ИИ (графики, схемы, интерактивные симуляции) является ключевым элементом для понимания абстрактных концепций. Примеры включают использование графических интерфейсов для демонстрации работы нейронных сетей или процесса обучения моделей машинного обучения.
6. Принцип персонализации и дифференциации: Учитывая разный уровень подготовки и интересов учащихся IT-профиля, курс должен предусматривать возможность дифференцированного подхода, предлагая задания разной сложности и возможность выбора проектных тем в соответствии с индивидуальными склонностями. ИИ, кстати, сам способствует персонализации обучения, адаптируясь под индивидуальный уровень знаний и потребности каждого ученика, предлагая дополнительные материалы и разъяснения, а также обеспечивая мгновенную обратную связь.

Особенности восприятия сложного технического материала старшеклассниками:

• Мотивация: Старшеклассники IT-профиля уже мотивированы на изучение технологий. Важно поддерживать этот интерес, демонстрируя актуальность ИИ в реальной жизни и его влияние на будущие профессии. Игровой подход и проектная деятельность особенно эффективны для поддержания мотивации.
• Абстрактное мышление: Учащиеся 10 класса способны оперировать абстрактными понятиями, но нуждаются в конкретных примерах и наглядных аналогиях для формирования устойчивых представлений. Например, работа нейронной сети может быть объяснена через аналогию с человеческим мозгом или простыми процессами принятия решений.
• Склонность к практической деятельности: Юные программисты предпочитают не только слушать, но и делать. Практические работы, эксперименты с кодом, разработка собственных мини-проектов — всё это существенно повышает эффективность обучения. Необходимость настройки среды разработки (например, Anaconda) и освоения библиотек (Scikit-learn, TensorFlow/Keras) становится не барьером, а частью увлекательного процесса.
• Развитие критического мышления: В быстро меняющемся мире ИИ критически важно научить школьников не просто потреблять информацию, но и анализировать её, проверять факты, оценивать надежность источников. Это включает и этические аспекты применения ИИ, о которых будет идти речь в дальнейшем.

Выбор форм и методов обучения:
Для эффективного преподавания основ ИИ рекомендуется комбинировать следующие формы и методы:

• Лекции с элементами дискуссии: Подача теоретического материала с возможностью задавать вопросы и обсуждать проблемные аспекты.
• Практические работы за компьютером: Основной акцент должен быть сделан на программировании и реализации алгоритмов ИИ.
• Лабораторные работы: Эксперименты с готовыми моделями ИИ, изменение параметров, анализ результатов.
• Проектная деятельность: Индивидуальные или групповые проекты, направленные на решение конкретной задачи с использованием ИИ, что способствует развитию как технических, так и «мягких» навыков.
• Интерактивные симуляции и моделирование: Использование онлайн-платформ и программ для наглядной демонстрации работы алгоритмов.
• Геймификация: Включение игровых элементов для повышения вовлеченности и мотивации.

Таким образом, психолого-педагогические основы обучения ИИ требуют комплексного подхода, сочетающего строгость научного изложения с наглядностью, практико-ориентированностью и учетом индивидуальных особенностей старшеклассников, что в конечном итоге способствует формированию глубокого понимания предмета и устойчивого интереса к нему.

Глава 2. Методические аспекты организации факультативного курса «Основы искусственного интеллекта»

Разработка эффективного факультативного курса по искусственному интеллекту для 10 класса информационно-технологического профиля – это не только вопрос выбора правильных тем, но и применения адекватных методических подходов, которые позволят трансформировать сложные концепции в доступные и увлекательные знания. Эта глава фокусируется на том, как структурировать курс, какое содержание в него включить и какие методы преподавания использовать, чтобы максимально раскрыть потенциал учащихся.

Цели, задачи и планируемые результаты факультативного курса

Определение четких целей, задач и планируемых результатов обучения является краеугольным камнем в создании любого образовательного курса, особенно такого динамичного и междисциплинарного, как «Основы искусственного интеллекта». Для учащихся 10 класса информационно-технологического профиля эти цели должны быть амбициозными, но достижимыми, учитывая их базовую подготовку и стремление к углубленным знаниям в IT-сфере.

Основная цель факультативного курса:
Формирование у учащихся 10 класса информационно-технологического профиля системного представления об основах искусственного интеллекта, его методах и практических применениях, а также развитие ключевых компетенций, необходимых для успешной адаптации в условиях цифровой экономики и продолжения образования в области IT.

Задачи курса:

1. Ознакомить учащихся с историей развития искусственного интеллекта, его ключевыми направлениями и основными концепциями.
2. Сформировать понимание принципов работы и архитектуры различных типов систем ИИ, таких как экспертные системы, нейронные сети и алгоритмы машинного обучения.
3. Освоить базовые навыки программирования на языке Python для решения задач ИИ, включая работу с основными библиотеками (Scikit-learn, TensorFlow/Keras).
4. Развить алгоритмическое мышление, умение анализировать данные и применять методы машинного обучения для решения практических задач.
5. Привить навыки проектной и исследовательской деятельности в области ИИ, от постановки задачи до презентации результатов.
6. Сформировать критическое мышление и ответственное отношение к этическим аспектам, социальным вызовам и рискам, связанным с развитием искусственного интеллекта.
7. Подготовить учащихся к дальнейшему, более глубокому изучению ИИ в высших учебных заведениях и к осознанному выбору будущей профессии в сфере IT.

Планируемые результаты обучения:
Результаты обучения формулируются в соответствии с требованиями Федеральных государственных образовательных стандартов (ФГОС) и включают предметные, метапредметные и личностные компетенции.

Предметные результаты: Учащиеся научатся:

• Определять и объяснять ключевые понятия искусственного интеллекта (ИИ, машинное обучение, нейронные сети, экспертные системы, большие данные).
• Различать основные этапы развития ИИ и называть примеры его применения в различных сферах.
• Описывать принцип работы основных алгоритмов машинного обучения (классификация, регрессия) и нейронных сетей.
• Писать простые программы на языке Python для реализации ИИ-алгоритмов, используя библиотеки Scikit-learn, TensorFlow/Keras.
• Работать с данными: импортировать, очищать, визуализировать и подготавливать их для анализа.
• Создавать и тестировать простые модели классификации и регрессии.
• Объяснять основы функционирования генетических алгоритмов и их применимость.

Метапредметные результаты: Учащиеся смогут:

• Познавательные УУД:
  • Самостоятельно анализировать и систематизировать информацию из различных источников по ИИ.
  • Выделять главное, сравнивать и обобщать полученные знания.
  • Формулировать гипотезы, ставить задачи и планировать пути их решения в рамках проектной деятельности.
  • Работать с научными текстами и справочной литературой, в том числе на английском языке (при необходимости).
• Регулятивные УУД:
  • Планировать свою учебную деятельность, определять цели и последовательность действий.
  • Осуществлять самоконтроль и самооценку результатов своей работы.
  • Корректировать свою деятельность в соответствии с изменяющимися условиями и требованиями.
  • Принимать решения в условиях неопределенности при разработке проектов.
• Коммуникативные УУД:
  • Эффективно взаимодействовать в группе при выполнении совместных проектов.
  • Четко формулировать свои мысли, аргументировать свою позицию.
  • Представлять результаты своей работы публично, участвовать в дискуссиях.
  • Конструктивно разрешать конфликты.

Личностные результаты: Учащиеся приобретут:

• Осознанное отношение к роли ИИ в современном мире и его влиянию на жизнь человека и общества.
• Готовность к саморазвитию и непрерывному обучению в быстро меняющейся технологической среде.
• Навыки критического осмысления информации, способности к проверке фактов и обоснованному принятию решений.
• Ответственность за использование информационных технологий, включая соблюдение этических норм и правил работы с данными.
• Развитие инициативности, творческих способностей и способности к решению нестандартных задач.
• Понимание ценности образования как средства развития личности и общества.

Таким образом, факультативный курс по ИИ не только дает специализированные знания, но и способствует всестороннему развитию личности, формируя гражданина, готового к жизни и работе в цифровую эпоху.

Отбор содержания: Ключевые концепции, методы и технологии искусственного интеллекта

Определение оптимального набора тем для факультативного курса «Основы искусственного интеллекта» для 10 класса информационно-технологического профиля является критически важным этапом. Содержание должно быть достаточно глубоким для профильного класса, но при этом доступным, практико-ориентированным и соответствующим современным тенденциям в ИИ. Отбор тем основывается на принципах последовательности, актуальности и возможности практической реализации.

I. Введение в искусственный интеллект (4 часа)

• Этапы развития ИИ: От зарождения (Алан Тьюринг, Дартмутская конференция) до современных достижений (глубокое обучение, генеративный ИИ).
• Определение ИИ: Искусственный интеллект как компьютерная программа, имитирующая поведение человека путем изучения различных моделей данных и процессов. Различие между сильным и слабым ИИ.
• Ключевые понятия и задачи, решаемые технологиями ИИ: Понятия интеллектуальных систем, машинного обучения, нейронных сетей, больших данных, экспертных систем.
• Приоритетные направления исследований: Обзор актуальных областей (обработка естественного языка, компьютерное зрение, робототехника, рекомендательные системы).
• Примеры сфер применения ИИ: Медицина (диагностика), финансы (анализ рисков), биотехнологии (моделирование), повседневные приложения (голосовые помощники, навигаторы, рекомендательные сервисы), интерактивные игры (Quick, Draw!), а также использование ИИ в образовании для персонализации обучения и автоматизации проверки заданий.

II. Инженерия знаний и экспертные системы (6 часов)

• Инженерия знаний: Процесс извлечения, структурирования и формализации знаний из предметной области.
• Базы знаний и модели представления знаний: Описание логических моделей представления знаний (правила продукции, семантические сети, фреймы).
• Логический вывод: Механизмы вывода решений на основе баз знаний.
• Экспертные системы: Принципы работы, архитектура, примеры (например, медицинские диагностические системы). Практическая реализация простых экспертных систем на Python с использованием библиотеки Experta.

III. Основы машинного обучения (12 часов)

• Введение в машинное обучение: Понятие обучения с учителем, без учителя и с подкреплением. Различие между задачами классификации и регрессии.
• Подготовка данных: Сбор, очистка, предобработка данных. Понятия признаков и меток.
• Классификация:
  • Алгоритмы: Метод ближайших соседей (kNN), наивный байесовский классификатор, решающие деревья.
  • Практическое создание классификаторов на языке Python с использованием библиотеки Scikit-learn.
  • Оценка качества классификации (точность, полнота, F₁-мера).
• Регрессия:
  • Алгоритмы: Линейная регрессия.
  • Практическая реализация линейной регрессии на Python с использованием Scikit-learn.
  • Оценка качества регрессии (среднеквадратичная ошибка).
• Современные технологии анализа данных: Введение в большие данные (Big Data) и их роль в машинном обучении.

IV. Искусственные нейронные сети и глубокое обучение (10 часов)

• Биологические и искусственные нейронные сети: Аналогии и различия. История создания.
• Модели нейронных сетей: Перцептрон, многослойный перцептрон.
• Параметры нейронных сетей: Веса, смещения, функции активации.
• Обучение нейронных сетей: Алгоритм обратного распространения ошибки (основы). Понятие обучения с использованием алгоритма «поощрения-наказания».
• Глубокое машинное обучение (Deep Learning): Краткий обзор.
• Практическая реализация нейронных сетей на Python: Использование библиотек TensorFlow/Keras для создания и обучения простых нейронных сетей для задач классификации изображений или текста.

V. Интеллектуальные алгоритмы и их реализация (3 часа)

• Генетические алгоритмы: Методы решения задач, вдохновленные биологической эволюцией. Объяснение через процессы, аналогичные мутации, скрещиванию и естественному отбору, применяемые к набору возможных решений. Примеры применения (оптимизация, планирование).
• Реализация простых генетических алгоритмов (например, для задачи коммивояжера) на Python.

VI. Обзор актуальных направлений ИИ (приложения) (по мере прохождения курса)

• Алгоритмы распознавания образов, речи и текста: Краткий обзор и демонстрация существующих решений.
• Обработка естественного языка (NLP): Примеры чат-ботов, машинного перевода. Использование библиотеки NLTK для базовых операций.
• Компьютерное зрение: Обзор задач (детектирование объектов, сегментация изображений). Использование библиотеки OpenCV для простых манипуляций с изображениями.

Рекомендуемые инструменты и библиотеки:

• Язык программирования: Python.
• Среда разработки: Anaconda (или Google Colab для онлайн-работы).
• Основные библиотеки:
  • Scikit-learn: Для классификации, регрессии, кластеризации и предобработки данных.
  • TensorFlow/Keras: Для создания и обучения нейронных сетей.
  • Apyori: Для ассоциативных правил (может быть использована для демонстрации алгоритмов без учителя).
  • Experta: Для экспертных систем.
• Дополнительные полезные библиотеки: PyTorch (альтернатива TensorFlow), NumPy (числовые вычисления), Pandas (работа с данными), NLTK (обработка естественного языка), OpenCV (компьютерное зрение).

Такой подход позволяет учащимся не только получить теоретические знания, но и применить их на практике, работая с реальными данными и современными инструментами, что соответствует требованиям информационно-технологического профиля и готовит их к дальнейшему обучению и профессиональной деятельности.

Методические подходы и формы организации учебной деятельности

Эффективность преподавания такого сложного и быстроразвивающегося предмета, как искусственный интеллект, напрямую зависит от выбора адекватных методических подходов и форм организации учебной деятельности. В контексте 10 класса информационно-технологического профиля, где учащиеся уже обладают базовыми навыками программирования, акцент должен быть сделан на активные, интерактивные и практико-ориентированные методы.

Ключевые методические подходы:

1. Практико-ориентированный подход: Основой обучения должно стать непосредственное применение теоретических знаний. Каждый новый алгоритм или концепция ИИ должны быть немедленно подкреплены практической реализацией на Python. Это не только закрепляет материал, но и позволяет учащимся увидеть реальную ценность и применимость полученных знаний. Например, после изучения принципов классификации, школьники должны создать собственный классификатор для определенной задачи.
2. Проектный и исследовательский подход: Эти методы являются наиболее эффективными для развития самостоятельности, критического мышления и навыков решения проблем. Учащиеся должны работать над мини-проектами или полноценными исследованиями, начиная от постановки задачи и сбора данных, заканчивая разработкой модели и презентацией результатов.
   • Примеры проектов: «Исследование данных на Python», «Машинное обучение» (например, построение модели для предсказания цен на недвижимость), «Решение конкретной задачи с использованием ИИ (на выбор)» (например, создание простого чат-бота или системы распознавания рукописных цифр).
3. Интерактивный и геймифицированный подход: Преподавание сложных концепций ИИ школьникам требует адаптации, что достигается через интерактивные симуляции, моделирование и визуализацию данных и процессов. Применение игрового подхода способствует поддержанию мотивации и интереса учащихся.
   • Интерактивные платформы, такие как «Урок Цифры», предлагают тренажеры и игры по ИИ. Игры, разработанные Google (например, Quick, Draw!), позволяют в игровой форме понять принципы распознавания образов.
4. Персонализированный подход: Искусственный интеллект способен значительно преобразовать образование, смещая акцент с запоминания фактов на развитие потенциала учащихся и приобретение необходимых навыков посредством более персонализированного обучения. ИИ способствует адаптации под индивидуальный уровень знаний и потребности каждого ученика, предлагая дополнительные материалы и разъяснения, а также обеспечивая мгновенную обратную связь.
   • В России активно развиваются проекты персонализированного обучения на базе ИИ, например, образовательная ИИ-платформа «ИИ Препод», запущенная в 2025 году, нацелена на полную персонализацию учебного процесса.

Формы организации учебной деятельности:

1. Лекции с элементами диалога и демонстрации: Подача нового материала должна быть максимально наглядной, с использованием презентаций, видеоматериалов и интерактивных демонстраций работы ИИ-систем. Важно стимулировать вопросы и обсуждения.
2. Практические и лабораторные работы: Основная форма работы, где учащиеся получают непосредственный опыт программирования и настройки ИИ-моделей. Задания должны быть четко структурированы, с пошаговыми инструкциями для освоения новых инструментов (например, настройка среды Anaconda, установка библиотек).
3. Проектная деятельность: Может быть реализована как в рамках отдельных занятий, так и в виде долгосрочных проектов. Учащиеся работают индивидуально или в малых группах над решением реальных или квазиреальных задач. Это способствует развитию навыков командной работы, презентации и защиты результатов.
4. Вебинары и мастер-классы: Приглашение IT-специалистов или студентов старших курсов для проведения мастер-классов по конкретным технологиям или кейсам ИИ.
5. Конкурсы и олимпиады по ИИ: Участие в подобных мероприятиях стимулирует соревновательный дух и углубленное изучение предмета.

Использование ИИ-сервисов в преподавании:

Искусственный интеллект может значительно помочь учителям в автоматизации рутинных задач и повышении качества учебного процесса:

• Разработка учебного контента: Российские ИИ-сервисы, такие как GigaChat от Сбера, помогают учителям в подготовке планов уроков, создании учебных материалов, визуального контента и даже генерации идей для проектов.
• Создание тестов и контрольных работ: Сервисы вроде ExamCram и Wolfram Alpha автоматизируют создание тестовых заданий и вычислений. Платформы «ВЗНАНИЯ», «НейроТекстер» и GenAPI предназначены для автоматизации различных педагогических задач, сокращая нагрузку на учителей в 4-5 раз.
• Автоматизация проверки ошибок учащихся: ИИ-системы могут проверять как тестовые задания, так и часть открытых ответов, освобождая время учителя для более глубокого взаимодействия с учениками.

Примеры существующих факультативных курсов и онлайн-ресурсов:

Россия активно развивает экосистему для изучения ИИ в школе. Учителям, преподающим ИИ, необходимо постоянно обновлять свои знания в этой быстроразвивающейся области.

• «Сириус.Курсы»: Бесплатные онлайн-курсы для учеников 7-11 классов, знакомят с применением ИИ в различных отраслях и основами машинного обучения.
• «Урок Цифры»: Всероссийский образовательный проект, предлагающий интерактивные тренажеры и игры по ИИ для школьников.
• Проект Минцифры России «Код будущего. Искусственный интеллект»: Для школьников 8-11 классов и студентов колледжей, предлагающий 54 академических часа обучения и сертификацию.
• Академия искусственного интеллекта (AI-ACADEMY) при поддержке Сбера: Всероссийский образовательный проект, который знакомит школьников с ИИ, предлагая курсы по Data Science, Python, аналитике данных и разработке алгоритмов ИИ, а также предоставляя материалы для учителей.
• Учебные пособия: Издательство «Просвещение» совместно с ассоциацией «Альянс в сфере искусственного интеллекта» выпустило первые в России учебные пособия по ИИ для учеников 5-9 классов (11 декабря 2024 года), а в 2025 году увидело свет учебное пособие «Искусственный интеллект. 10-11 классы» авторов И.А. Калинина, Н.Н. Самылкиной, А.А. Салаховой, соответствующее ФГОС.
• Методические пособия: Методическое пособие Л.Н. Ясницкого и Ф.М. Черепанова для элективного курса «Искусственный интеллект» включает поурочные учебные планы на 18, 35 и 50 часов, а также подробные методические рекомендации по преподаванию материала.

Таким образом, комплексное применение разнообразных методических подходов и форм организации учебной деятельности, подкрепленное современными ИИ-сервисами и актуальными учебными материалами, позволит создать максимально эффективный и мотивирующий факультативный курс по основам искусственного интеллекта.

Глава 3. Практическая реализация и оценка эффективности факультативного курса

Эффективность любого образовательного курса, особенно в такой динамичной и прикладной области, как искусственный интеллект, определяется не только качеством теоретического материала, но и его практической применимостью, а также адекватной системой оценки. Эта глава посвящена разработке структуры учебно-методического комплекса (УМК), детальному описанию практических заданий и проектной деятельности, а также формированию системы оценки, которая позволит не только контролировать знания, но и развивать ключевые компетенции учащихся. Особое внимание будет уделено интеграции этических аспектов ИИ, что часто остается «слепой зоной» в существующих образовательных программах.

Структура и содержание учебно-методического комплекса (УМК)

Создание полноценного учебно-методического комплекса для факультативного курса «Основы искусственного интеллекта» является центральной задачей данной дипломной работы. УМК должен быть структурированным, исчерпывающим и предоставлять учителю все необходимые инструменты для организации эффективного учебного процесса.

Основные компоненты УМК:

1. Рабочая программа факультативного курса:
   • Пояснительная записка: Обоснование актуальности курса, его места в учебном плане (факультатив для 10 класса IT-профиля), нормативно-правовая база, цели и задачи.
   • Планируемые результаты освоения курса: Подробное описание предметных, метапредметных и личностных результатов, которые должны быть достигнуты учащимися.
   • Содержание курса: Разделы и темы, их краткое описание, количество часов на каждую тему.
   • Тематическое планирование (например, на 35 часов): Подробное распределение учебных часов по темам, с указанием видов деятельности (теория, практика, проект). Примерная структура:
     • Введение в ИИ (4 часа)
     • Инженерия знаний и экспертные системы (6 часов)
     • Основы машинного обучения (12 часов)
     • Искусственные нейронные сети и глубокое обучение (10 часов)
     • Интеллектуальные алгоритмы (генетические алгоритмы) (3 часа)
   • Календарно-тематическое планирование: Детализация тематического планирования с привязкой к датам учебного года.
   • Описание материально-технического и информационного обеспечения: Требования к компьютерному классу, программному обеспечению (Python, Anaconda, библиотеки), доступу в Интернет, перечню онлайн-ресурсов.
   • Перечень учебно-методической литературы: Список рекомендуемых учебников, методических пособий, научных статей и онлайн-ресурсов для учителя и учащихся.
2. Учебное пособие для учащихся:
   • Теоретический материал: Подробное, но доступное изложение ключевых концепций и алгоритмов ИИ, адаптированное для 10 класса.
   • Практикум: Сборник практических заданий по каждой теме, с пошаговыми инструкциями и примерами кода на Python.
   • Глоссарий: Основные термины и определения ИИ.
   • Контрольные вопросы и задания: Для самопроверки и закрепления материала.
   • Раздел по этике ИИ: Отдельные параграфы или вставки в каждый раздел, посвященные этическим аспектам, рискам и вызовам, связанным с конкретной технологией ИИ. Например, при изучении распознавания лиц – вопросы конфиденциальности; при изучении классификаторов – предвзятость данных.
3. Методическое пособие для учителя:
   • Подробные планы уроков: С описанием целей, задач, хода урока, используемых методов и форм работы, дидактических материалов и домашнего задания.
   • Методические рекомендации по организации проектной деятельности: Описание этапов проекта, критериев оценки, примеры тем.
   • Рекомендации по работе с онлайн-ресурсами и ИИ-сервисами: Как эффективно использовать GigaChat, «ИИ Препод», «Сириус.Курсы» и другие платформы.
   • Ответы и решения к практическим заданиям и тестам.
   • Дополнительные материалы: Ссылки на видеолекции, статьи, интерактивные демонстрации.
4. Дидактические материалы:
   • Презентации: Для каждой темы, содержащие ключевые определения, схемы, графики, примеры.
   • Раздаточные материалы: Справочные таблицы, памятки по работе с библиотеками Python, алгоритмы действий.
   • Задания для самостоятельной работы: Различного уровня сложности.
   • Тесты и контрольно-измерительные материалы: Для текущего и итогового контроля (об этом подробнее в следующем разделе).
   • Примеры проектов учащихся: Для демонстрации возможностей и вдохновения.

Элементы, закрывающие «слепые зоны» конкурентов:

• Глубокий анализ ФГОС СОО: В пояснительной записке и введении курса будет подробно обоснована необходимость факультатива на основе анализа текущих ФГОС и выявления их несоответствий динамике развития ИИ.
• Детализированные практические методики: Учебное и методическое пособия будут содержать пошаговые инструкции по настройке среды Anaconda, установке и работе с библиотеками (Scikit-learn, TensorFlow/Keras, Apyori, Experta), а также конкретные примеры кода для реализации алгоритмов. Это позволит учителю, даже не имеющему глубокого опыта в ИИ, успешно вести практические занятия.
• Интегрированное рассмотрение этических аспектов: В каждый раздел курса, где это уместно, будут включены вопросы этики ИИ. Например, при изучении распознавания лиц – обсуждение проблем приватности; при изучении рекомендательных систем – вопрос о «пузыре фильтров» и предвзятости. Отдельная глава или большой раздел в учебнике будет посвящен этическим дилеммам ИИ, включая методы формирования критического мышления и навыков ответственного использования технологий.
• Фокус на информационно-технологический профиль: Все материалы будут ориентированы на более глубокое погружение в программирование и алгоритмические аспекты, чем общеобразовательные курсы, с учетом базовой подготовки учащихся IT-профиля.
• Комплексность УМК как готовой дипломной работы/ВКР: Представленная структура охватывает все необходимые разделы для квалификационной работы, включая научное обоснование, теоретический анализ, методическую разработку и систему оценки, делая ее полноценным решением.

Такой УМК станет мощным инструментом для преподавателей, желающих ввести учащихся 10 класса IT-профиля в увлекательный мир искусственного интеллекта, предоставив им как теоретические знания, так и практические навыки, необходимые для будущего.

Практические работы и проектная деятельность учащихся

Практическая реализация и проектная деятельность являются ядром факультативного курса по искусственному интеллекту, особенно для учащихся информационно-технологического профиля. Именно через решение реальных или квазиреальных задач на языке программирования Python школьники не только закрепляют теоретические знания, но и развивают критически важные цифровые навыки, алгоритмическое и проектное мышление.

1. Настройка среды разработки:

Прежде чем приступить к программированию, необходимо подготовить рабочее окружение.

• Установка Anaconda: Учащиеся должны самостоятельно или под руководством учителя установить дистрибутив Anaconda, который включает Python и множество предустановленных библиотек, а также удобную среду разработки Jupyter Notebook.
• Установка необходимых библиотек:
  • pip install scikit-learn
  • pip install tensorflow keras (для работы с глубоким обучением)
  • pip install apyori (для демонстрации ассоциативных правил)
  • pip install experta (для создания экспертных систем)
  • pip install numpy pandas matplotlib seaborn (для работы с данными и визуализации)

2. Практические задания по программированию на Python:

Каждая теоретическая тема должна сопровождаться практическими заданиями. Примеры:

• Тема «Инженерия знаний и экспертные системы»:
  • Задание: Разработка простой экспертной системы для диагностики неисправности бытового прибора (например, «Почему не включается компьютер?»).
  • Инструменты: Python, библиотека Experta.
  • Цель: Понять принципы представления знаний в виде правил и логического вывода.
• Тема «Основы машинного обучения: Классификация»:
  • Задание 1: «Предсказание выживаемости пассажиров Титаника». Используя датасет о пассажирах «Титаника», обучить классификатор (например, метод ближайших соседей kNN или решающее дерево) для предсказания, выживет ли пассажир, на основе таких признаков, как пол, возраст, класс билета.
  • Инструменты: Python, библиотеки Pandas (для работы с данными), Scikit-learn (для моделей), Matplotlib/Seaborn (для визуализации).
  • Цель: Освоить этапы подготовки данных, обучения модели, предсказания и оценки качества классификации.
  • Задание 2: «Классификация изображений цифр». На основе датасета MNIST (рукописные цифры) обучить классификатор (например, логистическую регрессию или SVM) для распознавания цифр.
  • Инструменты: Python, Scikit-learn, Matplotlib.
  • Цель: Применить классификацию к более сложным данным (изображениям).
• Тема «Основы машинного обучения: Регрессия»:
  • Задание: «Предсказание стоимости жилья». Используя простой датасет о жилье (например, площадь, количество комнат), построить модель линейной регрессии для предсказания стоимости.
  • Инструменты: Python, Scikit-learn, Matplotlib.
  • Цель: Понять принципы регрессии, оценить качество модели.
• Тема «Искусственные нейронные сети»:
  • Задание: «Создание простого перцептрона для логических функций». Запрограммировать перцептрон для решения логических задач (И, ИЛИ, НЕ).
  • Инструменты: Python, NumPy.
  • Цель: Понять базовую архитектуру нейронной сети.
  • Задание 2: «Классификация изображений с помощью многослойного перцептрона». Обучить простую нейронную сеть на базе TensorFlow/Keras для классификации изображений из датасета Fashion MNIST.
  • Инструменты: Python, TensorFlow/Keras, Matplotlib.
  • Цель: Познакомиться с основами глубокого обучения, работой с готовыми фреймворками.
• Тема «Интеллектуальные алгоритмы (генетические)»:
  • Задание: «Решение задачи коммивояжера с помощью генетического алгоритма». Написать программу, которая с помощью генетического алгоритма ищет наиболее короткий маршрут между несколькими городами.
  • Инструменты: Python.
  • Цель: Понять принципы эволюционных вычислений, реализовать сложный алгоритм.

3. Проектная деятельность учащихся:

Проектная деятельность является кульминацией курса, позволяющей учащимся применить все полученные знания и навыки для решения комплексной задачи. Проекты могут быть индивидуальными или групповыми.

• Пример 1: Проект «Исследование данных на Python»
  • Задача: Выбрать интересный открытый датасет (например, с Kaggle), провести его первичный анализ, очистку, визуализацию и выявить зависимости.
  • Результат: Отчет с описанием данных, проведенного анализа, графиками и выводами.
  • Цель: Развитие навыков работы с данными, аналитического мышления.
• Пример 2: Проект «Машинное обучение»
  • Задача: Разработать модель машинного обучения для решения конкретной задачи (например, предсказание оттока клиентов, распознавание спама, классификация текстов по тональности).
  • Результат: Работающий код, обученная модель, отчет с описанием выбранного алгоритма, параметров, результатов и их интерпретацией.
  • Цель: Закрепление навыков построения и оценки моделей МО.
• Пример 3: Проект «Решение конкретной задачи с использованием ИИ (на выбор)»
  • Задача: Учащиеся сами формулируют задачу и предлагают решение с помощью ИИ. Примеры:
    • Создание чат-бота для ответа на простые вопросы (например, о расписании, о погоде) с использованием простых правил или библиотек NLP.
    • Разработка системы распознавания изображений для классификации животных или объектов.
    • Создание рекомендательной системы на основе простых правил или коллаборативной фильтрации.
  • Результат: Работающий прототип, презентация проекта.
  • Цель: Развитие креативности, самостоятельности, навыков полного цикла разработки.

Особое внимание к практической реализации алгоритмов:

Конкурентные материалы часто упоминают Python и библиотеки, но редко предоставляют детальные, пошаговые инструкции. В данном УМК каждый практический раздел будет содержать:

• Четкую постановку задачи.
• Перечень необходимых инструментов и библиотек.
• Последовательность действий (например, «шаг 1: импорт данных», «шаг 2: предобработка», «шаг 3: создание модели», «шаг 4: обучение», «шаг 5: оценка»).
• Примеры кода с комментариями.
• Возможные проблемы и пути их решения.

Такой подход позволит учащимся глубоко погрузиться в практическую сторону ИИ, развить «чувство кода» и научиться самостоятельно решать задачи, что является фундаментом для их дальнейшего профессионального роста в IT-сфере.

Система оценки результатов обучения и формирование компетенций

Система оценки в факультативном курсе по искусственному интеллекту для 10 класса информационно-технологического профиля должна быть комплексной и направленной не только на контроль знаний, но и на формирование ключевых компетенций, таких как цифровые навыки, алгоритмическое и проектное мышление, а также критическое мышление. ИИ, кстати, сам может стать мощным инструментом для совершенствования процесса оценки.

1. Критерии оценки знаний, умений и навыков:

Оценка будет проводиться по нескольким направлениям:

• Теоретические знания: Понимание основных концепций, терминологии, истории и направлений ИИ.
• Алгоритмическое мышление: Умение анализировать задачу, выбирать подходящий алгоритм ИИ, понимать его логику.
• Навыки программирования: Умение писать чистый, эффективный код на Python, работать с библиотеками (Scikit-learn, TensorFlow/Keras, Apyori, Experta), отлаживать программы.
• Навыки работы с данными: Способность находить, обрабатывать, очищать, визуализировать и интерпретировать данные.
• Проектное мышление: Умение самостоятельно ставить задачу, планировать работу, реализовывать проект, оценивать результаты и представлять их.
• Критическое мышление: Способность анализировать информацию об ИИ, выявлять предвзятость, оценивать надежность источников, формулировать этические вопросы.

2. Формы оценки:

• Текущий контроль:
  • Устные опросы и дискуссии: Оценка понимания теоретического материала, умения аргументировать свою точку зрения.
  • Экспресс-тесты: Короткие тесты по пройденным темам для быстрой проверки усвоения материала.
  • Проверка практических заданий: Оценка правильности выполнения кода, логики решения, использования библиотек.
  • Наблюдение за работой в группах: Оценка коммуникативных навыков и вклада в командный проект.
• Промежуточный контроль:
  • Контрольные работы: Включающие как теоретические вопросы, так и небольшие практические задания по программированию.
  • Защита мини-проектов: В середине курса, для оценки промежуточных результатов проектной деятельности.
• Итоговый контроль:
  • Защита итоговых проектов: Ключевая форма оценки. Учащиеся представляют свои проекты (например, «Машинное обучение», «Решение конкретной задачи с использованием ИИ»), демонстрируют работающий код, объясняют принятые решения, анализируют результаты. Оцениваются как техническая реализация, так и качество презентации, способность отвечать на вопросы, критически оценивать свою работу.
  • Итоговый тест/экзамен: Может включать вопросы по всему курсу, проверяющие как теоретические знания, так и навыки анализа ситуаций.

3. Использование ИИ для автоматической проверки работ и контроля:

Искусственный интеллект открывает новые возможности для оптимизации процесса оценки, освобождая время учителя и повышая объективность.

• Автоматическое оценивание различных видов работ:
  • Тесты и домашние задания: Системы на базе ИИ уже способны проверять как тестовые задания с выбором ответа, так и открытые задания, а также сочинения. К 2030 году планируется, что около 50% домашних заданий школьников будет проверяться искусственным интеллектом согласно стратегии цифровой трансформации образования.
  • Пилотные проекты: В мае 2025 года в Санкт-Петербурге был запущен пилотный проект по использованию ИИ для обработки результатов Всероссийских проверочных работ (ВПР), что позволяет ускорить процесс проверки в 20 раз.
  • Платформы: Системы, такие как AI-Exam от IBLS, предлагают автоматическую проверку открытых заданий и свободных ответов, экономя до 90% времени преподавателей.
  • Проверка кода: Для практических заданий по программированию могут использоваться автоматизированные системы проверки кода, которые оценивают его корректность, эффективность и соответствие стандартам.
• Контроль и прокторинг:
  • ИИ используется для контроля аудиторий во время ЕГЭ в 84 регионах, выявляя подозрительное поведение, что обеспечивает честность проведения экзаменов.

4. Развитие критического мышления и анализа информации:

Важным результатом обучения является развитие критического мышления. Система оценки должна стимулировать учащихся не просто запоминать факты, а анализировать информацию, проверять её достоверность и формулировать обоснованные выводы.

• Задания на анализ кейсов: Разбор реальных примеров применения ИИ, выявление их преимуществ и недостатков, анализ этических дилемм.
• Дискуссии по проблемным вопросам: Например, «Может ли ИИ быть предвзятым?», «Как отличить сгенерированный ИИ контент от реального?», «Каково влияние ИИ на рынок труда?».
• Задания на фактчекинг: Поиск и анализ информации об ИИ из различных источников, оценка их авторитетности и достоверности.

Таким образом, система оценки в курсе по ИИ становится не просто инструментом контроля, а мощным механизмом для формирования у учащихся комплексных компетенций, необходимых в цифровую эпоху, и при этом активно использует потенциал самого искусственного интеллекта для оптимизации педагогического процесса.

Этические аспекты и риски искусственного интеллекта в контексте школьного образования

В стремительно развивающемся мире искусственного интеллекта, где технологии проникают во все сферы жизни, обучение школьников не только техническим аспектам, но и этическим дилеммам становится не просто желательным, а критически необходимым. Игнорирование этой составляющей является одной из «слепых зон» многих существующих образовательных программ. Для 10 класса информационно-технологического профиля формирование навыков ответственного использования ИИ и критической оценки генерируемого контента должно быть неотъемлемой частью факультативного курса.

1. Почему этика ИИ важна для школьников IT-профиля?

• Будущие разработчики и пользователи: Сегодняшние школьники – это будущие инженеры, аналитики, пользователи, которые будут создавать и взаимодействовать с ИИ-системами. Их понимание этических вопросов определит, насколько ответственно и безопасно будут развиваться технологии.
• Формирование гражданской позиции: ИИ имеет глубокие социальные последствия. Понимание этих последствий необходимо для формирования активной и ответственной гражданской позиции.
• Критическое мышление: Дискуссии об этике ИИ развивают способность к анализу сложных проблем, поиску компромиссов и оценке рисков.
• Личная безопасность и приватность: Учащиеся должны понимать, как ИИ может влиять на их личную жизнь, данные, приватность, и как защищать себя в цифровом мире.

2. Основные этические вопросы, связанные с ИИ, для включения в курс:

• Предвзятость алгоритмов (Bias):
  • Суть проблемы: ИИ-системы обучаются на данных. Если данные содержат предвзятость (например, исторические социальные неравенства), то и модель будет воспроизводить и усиливать эту предвзятость.
  • Примеры для обсуждения: Системы распознавания лиц, хуже работающие для определенных этнических групп; алгоритмы кредитного скоринга, дискриминирующие по социально-экономическим признакам; системы рекрутинга, игнорирующие резюме женщин.
  • Методика: Анализ кейсов, где предвзятость ИИ привела к негативным последствиям. Обсуждение способов выявления и снижения предвзятости в данных и алгоритмах.
• Конфиденциальность данных и приватность:
  • Суть проблемы: ИИ требует огромных объемов данных. Как обеспечить защиту личной информации, особенно в условиях повсеместного сбора данных?
  • Примеры: Системы видеонаблюдения с распознаванием лиц (как их используют, где хранятся данные, кто имеет к ним доступ); сбор данных умными устройствами (голосовые помощники, носимая электроника); использование персональных данных в рекомендательных системах.
  • Методика: Дискуссии о балансе между удобством и приватностью. Изучение основных принципов защиты данных (GDPR, российское законодательство). Ролевые игры: «Я – разработчик ИИ, который должен защитить данные пользователей».
• Влияние ИИ на общество и рынок труда:
  • Суть проблемы: ИИ автоматизирует рутинные задачи, что приводит к изменению структуры профессий. Как подготовиться к этим изменениям? Каковы социальные последствия безработицы, вызванной автоматизацией?
  • Примеры: Роботы на производстве, чат-боты в клиентской поддержке, алгоритмы, генерирующие контент.
  • Методика: Мозговой штурм «Профессии будущего и профессии, которые исчезнут». Обсуждение концепции непрерывного образования и переквалификации.
• Автономные системы и ответственность:
  • Суть проблемы: Кто несет ответственность за действия автономных ИИ-систем (например, беспилотных автомобилей, боевых дронов), если они причиняют вред?
  • Примеры: Этические дилеммы беспилотных автомобилей (что делать в ситуации неизбежного столкновения?).
  • Методика: Философские дискуссии, мысленные эксперименты, обсуждение необходимости разработки правовых и этических рамок для автономных систем.
• Генеративный ИИ и проблемы достоверности информации (фейки):
  • Суть проблемы: Современные генеративные модели могут создавать реалистичный, но полностью вымышленный контент (тексты, изображения, видео – дипфейки). Как отличить правду от вымысла?
  • Примеры: Использование генеративного ИИ для создания фейковых новостей, дезинформации.
  • Методика: Практические задания по выявлению признаков генеративного контента. Обсуждение инструментов для проверки достоверности информации (фактчекинг). Формирование навыков критического восприятия информации из любых источников.

3. Методики для формирования навыков ответственного использования ИИ и критической оценки генерируемого контента:

• Кейс-стади: Разбор реальных ситуаций, связанных с этическими дилеммами ИИ.
• Дебаты и дискуссии: Организация обсуждений по спорным вопросам, стимулирование аргументированного изложения своей позиции.
• Проектная деятельность с этическим компонентом: Например, проект по разработке «этичного» классификатора, где учащиеся должны не только создать модель, но и проанализировать ее на предмет предвзятости и предложить меры по ее устранению.
• Самостоятельное исследование: Задания по поиску и анализу актуальных статей и новостей об этике ИИ.
• Ролевые игры: Имитация ситуаций, где необходимо принимать решения, связанные с этическими аспектами ИИ.
• Формирование «ИИ-грамотности»: Обучение базовым принципам работы ИИ, чтобы учащиеся могли понимать его возможности и ограничения, а не просто слепо доверять технологиям.

Включение этих аспектов в факультативный курс не только обогатит его содержание, но и подготовит учащихся к осознанному и ответственному взаимодействию с искусственным интеллектом, что является одной из ключевых задач современного образования.

Заключение

Разработка учебно-методического комплекса (УМК) для факультативного курса «Основы искусственного интеллекта» для 10 класса информационно-технологического профиля, представленная в данной дипломной работе, является своевременным и актуальным ответом на вызовы и потребности современного образования. Цели и задачи исследования были успешно достигнуты, подтверждая необходимость и практическую значимость такого курса.

Основные результаты проделанной работы:

1. Актуальность и предпосылки: Проведен глубокий анализ актуальности включения ИИ в среднее общее образование, подкрепленный государственной стратегией развития ИИ до 2030 года и неоднократными призывами Президента РФ. Обоснована необходимость факультативного курса в свете быстрого развития технологий и изменений на рынке труда.
2. Теоретический фундамент: Раскрыты теоретические основы искусственного интеллекта, его исторический путь от зарождения до современных достижений, а также многообразие применений в различных сферах.
3. Анализ нормативно-правовой базы: Детально исследованы Федеральные государственные образовательные стандарты (ФГОС) среднего общего образования по информатике. Выявлены ключевые пробелы и несоответствия ФГОС актуальным требованиям изучения ИИ, что стало одним из главных аргументов в пользу создания специализированного факультативного курса.
4. Психолого-педагогические основы: Обоснованы дидактические принципы и методические подходы, учитывающие возрастные и когнитивные особенности старшеклассников IT-профиля, направленные на формирование познавательного интереса, алгоритмического и критического мышления.
5. Отбор содержания и планируемые результаты: Сформулированы четкие цели, задачи и планируемые предметные, метапредметные и личностные результаты обучения. Определен оптимальный набор ключевых концепций, методов и технологий ИИ для 10 класса IT-профиля, включая машинное обучение, нейронные сети, экспертные системы и генетические алгоритмы.
6. Методические аспекты: Разработаны эффективные методические подходы, акцентирующие внимание на практико-ориентированности, проектной и исследовательской деятельности, интерактивных симуляциях и применении игрового подхода. Рассмотрены возможности использования российских ИИ-сервисов для персонализации обучения и автоматизации задач учителя.
7. Структура УМК: Представлена исчерпывающая структура учебно-методического комплекса, включающая рабочую программу, тематическое планирование, планы уроков, дидактические материалы, а также детальные практические задания. Особое внимание уделено ликвидации «слепых зон» конкурентных материалов, таких как пошаговые методики настройки среды и реализации алгоритмов.
8. Система оценки: Разработаны критерии оценки знаний, умений и навыков, направленные на формирование цифровых, алгоритмических и проектных компетенций. Обосновано использование ИИ для автоматической проверки работ и контроля, а также для развития критического мышления учащихся.
9. Этические аспекты: В курс интегрировано обсуждение этических вопросов и рисков ИИ (предвзятость алгоритмов, конфиденциальность данных, влияние на рынок труда, фейки), что способствует формированию у школьников навыков ответственного использования ИИ и критической оценки генерируемого контента.

Научная новизна данной работы заключается в создании первого в своем роде комплексного УМК для 10 класса информационно-технологического профиля, который не только соответствует актуальным ФГОС, но и критически анализирует их недостатки в контексте ИИ. УМК предлагает детализированный, практико-ориентированный подход к освоению технологий ИИ с конкретными инструкциями и примерами кода, а также интегрирует этические аспекты как неотъемлемую часть обучения, что является уникальным для школьного уровня.

Практическая значимость работы состоит в предоставлении готового, всесторонне разработанного методического пособия, которое может быть незамедлительно внедрено в образовательный процесс. Этот УМК служит эталонным образцом для учителей информатики, методистов и студентов педагогических и IT-специальностей, стремящихся обогатить школьную программу актуальными знаниями и навыками в области ИИ. Он позволит школьникам получить не только теоретические знания, но и ценный практический опыт, необходимый для успешной адаптации в цифровой экономике и продолжения образования в высокотехнологичных областях.

Перспективы дальнейших исследований:
Дальнейшие исследования могут быть сосредоточены на следующих направлениях:

• Экспериментальная апробация разработанного УМК в реальных условиях образовательного процесса с последующей корректировкой и усовершенствованием.
• Разработка модулей курса по более продвинутым темам ИИ (например, компьютерное зрение, обработка естественного языка, робототехника) для учащихся 11 класса или углубленного изучения.
• Исследование эффективности различных методических приемов при обучении ИИ, включая сравнительный анализ результатов учащихся, обучавшихся по разным программам.
• Изучение влияния факультативного курса по ИИ на профориентацию школьников и их выбор дальнейшего образования.
• Разработка адаптивных ИИ-систем, которые могли бы персонализировать преподавание курса по ИИ для каждого учащегося.

Таким образом, данная дипломная работа не только решает поставленные задачи, но и закладывает прочный фундамент для дальнейшего развития методики преподавания искусственного интеллекта в российской школе, способствуя подготовке нового поколения квалифицированных специалистов и ответственных граждан цифровой эпохи.

Список использованных источников

[Список источников будет сформирован согласно предоставленным данным и критериям, но не включается в данный вывод по инструкции.]

Приложения

Рабочая программа факультативного курса «Основы искусственного интеллекта»

(Примерная структура, объем и содержание будут детализированы в полном УМК)

Пояснительная записка
Факультативный курс «Основы искусственного интеллекта» предназначен для учащихся 10 класса информационно-технологического профиля и направлен на формирование базовых знаний и практических навыков в области ИИ, соответствующих актуальным образовательным стандартам и потребностям цифровой экономики. Курс разработан в соответствии с Федеральным государственным образовательным стандартом среднего общего образования, учитывает «Национальную стратегию развития искусственного интеллекта на период до 2030 года» и поручения Президента РФ о внедрении изучения ИИ в школе. Особое внимание уделяется практической реализации алгоритмов на языке Python и обсуждению этических аспектов ИИ.

Планируемые результаты освоения курса

• Предметные: Учащиеся научатся определять ключевые понятия ИИ, описывать принципы работы машинного обучения и нейронных сетей, писать программы на Python для решения задач ИИ, работать с данными.
• Метапредметные: Учащиеся смогут анализировать информацию, планировать деятельность, осуществлять самоконтроль, эффективно взаимодействовать в группе, представлять результаты.
• Личностные: Учащиеся приобретут ответственное отношение к ИИ, готовность к саморазвитию, навыки критического мышления.

Содержание курса

1. Введение в искусственный интеллект (4 ч.)
2. Инженерия знаний и экспертные системы (6 ч.)
3. Основы машинного обучения (12 ч.)
4. Искусственные нейронные сети и глубокое обучение (10 ч.)
5. Интеллектуальные алгоритмы (генетические алгоритмы) (3 ч.)

Формы контроля: текущие практические работы, мини-проекты, итоговый проект, тестирование.

Тематическое планирование курса (35 часов)

№ п/п	Раздел / Тема урока	Количество часов	Теория	Практика	Проект
1	Введение в искусственный интеллект	4	2	2	—
1.1	ИИ: история, определения, задачи, направления	2	2	—	—
1.2	Применение ИИ в современном мире	2	—	2	—
2	Инженерия знаний и экспертные системы	6	2	4	—
2.1	Базы знаний и логический вывод	2	2	—	—
2.2	Разработка простой экспертной системы на Python	4	—	4	—
3	Основы машинного обучения	12	4	8	—
3.1	Введение в машинное обучение. Подготовка данных	2	1	1	—
3.2	Классификация: kNN, решающие деревья	4	1	3	—
3.3	Практика: создание классификаторов на Scikit-learn	3	—	3	—
3.4	Регрессия: линейная регрессия. Практика	3	2	1	—
4	Искусственные нейронные сети и глубокое обучение	10	4	6	—
4.1	Нейронные сети: от биологии к архитектуре	2	2	—	—
4.2	Обучение нейронных сетей. Перцептрон	3	1	2	—
4.3	Введение в глубокое обучение. Keras/TensorFlow	3	1	2	—
4.4	Практика: создание НС для классификации изображений	2	—	2	—
5	Интеллектуальные алгоритмы	3	1	2	—
5.1	Генетические алгоритмы: принципы и примеры	1	1	—	—
5.2	Практика: решение задачи с ГА на Python	2	—	2	—
6	Проектная деятельность. Защита проектов	Итого	35	10	20	5

Примеры планов уроков и презентаций

(Будут представлены детальные планы уроков для каждой темы, включающие: цели, задачи, необходимое оборудование, ход урока, домашнее задание, дидактические материалы. Например, план урока по теме «Классификация» с презентацией, содержащей схемы алгоритмов и примеры кода.)

Практические задания с кодами на Python

(Пример практического задания с подробным описанием и кодом)

Практическая работа № 5: Создание классификатора для предсказания выживаемости на «Титанике»

Цель: Научиться применять алгоритмы классификации (например, решающие деревья) для решения реальных задач, используя библиотеку Scikit-learn.

Оборудование: Компьютер с установленной Anaconda (Python, Jupyter Notebook, Pandas, Scikit-learn, Matplotlib).

Ход работы:

1. Загрузка данных:
   • Скачайте файл titanic.csv с данными о пассажирах «Титаника».
   • Загрузите данные в Pandas DataFrame:

     import pandas as pd
     df = pd.read_csv('titanic.csv')
     print(df.head())

2. Предварительная обработка данных:
   • Удалите ненужные столбцы (например, PassengerId, Name, Ticket, Cabin).
   • Обработайте пропущенные значения: замените пропущенные значения в столбце Age медианой, а в Embarked — самым частым значением.
   • Преобразуйте категориальные признаки (Sex, Embarked) в числовые с помощью One-Hot Encoding:

     df['Age'].fillna(df['Age'].median(), inplace=True)
     df['Embarked'].fillna(df['Embarked'].mode()[0], inplace=True)
     df = pd.get_dummies(df, columns=['Sex', 'Embarked'], drop_first=True)

   • Определите признаки (X) и целевую переменную (y):

     X = df.drop('Survived', axis=1)
     y = df['Survived']

3. Разделение данных на обучающую и тестовую выборки:

   from sklearn.model_selection import train_test_split
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. Создание и обучение модели (Решающее дерево):

   from sklearn.tree import DecisionTreeClassifier
   model = DecisionTreeClassifier(random_state=42)
   model.fit(X_train, y_train)

5. Оценка качества модели:
   • Сделайте предсказания на тестовой выборке.
   • Вычислите точность модели:

     from sklearn.metrics import accuracy_score
     y_pred = model.predict(X_test)
     print(f"Точность модели: {accuracy_score(y_test, y_pred):.2f}")

   • Постройте матрицу ошибок (confusion matrix).

     from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay
     import matplotlib.pyplot as plt
     cm = confusion_matrix(y_test, y_pred)
     disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=['Не выжил', 'Выжил'])
     disp.plot()
     plt.show()

Дополнительное задание: Попробуйте использовать другие классификаторы (например, LogisticRegression, KNeighboursClassifier) и сравните их точность.

Контрольно-измерительные материалы

(Примеры тестов, вопросов для устного опроса, заданий для контрольных работ. Включать вопросы по этике ИИ.)

Пример тестовых заданий:

1. Кто считается одним из основоположников концепции искусственного интеллекта, предложившим одноименный тест?
   1. Марвин Мински
   2. Алан Тьюринг
   3. Джон Маккарти
   4. Джеффри Хинтон
2. Какая из следующих библиотек Python используется для создания и обучения нейронных сетей?
   1. Scikit-learn
   2. Pandas
   3. TensorFlow
   4. Matplotlib
3. Что такое «предвзятость алгоритмов» (algorithmic bias)?
   1. Ошибка в коде, приводящая к сбою программы.
   2. Несправедливое или дискриминационное поведение ИИ-системы, вызванное предвзятостью в обучающих данных.
   3. Высокая сложность алгоритма, требующая больших вычислительных ресурсов.
   4. Недостаточная точность модели машинного обучения.

Задание для контрольной работы:
Напишите программу на Python, которая с помощью экспертной системы (Experta) поможет пользователю выбрать фильм для просмотра, задавая вопросы о жанре, настроении и любимых актерах.

Глоссарий основных терминов ИИ

(Полный глоссарий терминов, используемых в курсе, с четкими и доступными определениями.)

• Искусственный интеллект (ИИ): Область информатики, занимающаяся разработкой интеллектуальных машин, способных имитировать человеческое познавательное поведение (обучение, рассуждение, решение проблем, понимание речи).
• Машинное обучение (ML): Подраздел ИИ, который позволяет системам обучаться на данных, без явного программирования.
• Нейронные сети (НС): Математические модели, вдохновленные структурой и функциями биологических нейронных сетей, способные к обучению и распознаванию образов.
• Глубокое обучение (DL): Раздел машинного обучения, использующий многослойные нейронные сети для извлечения сложных признаков из больших объемов данных.
• Экспертная система: Компьютерная программа, имитирующая процесс принятия решений экспертом-человеком в конкретной предметной области.
• Большие данные (Big Data): Совокупность данных, характеризующихся большим объемом, высокой скоростью генерации и разнообразием, требующих особых методов обработки.
• Классификация: Задача машинного обучения, целью которой является отнесение объекта к одному из предопределенных классов.
• Регрессия: Задача машинного обучения, целью которой является предсказание непрерывного числового значения.
• Генетический алгоритм: Эволюционный алгоритм поиска, основанный на механизмах естественного отбора, мутации и скрещивания.
• Предвзятость алгоритмов (Algorithmic Bias): Систематическая ошибка в ИИ-системе, приводящая к несправедливым или дискриминационным результатам, часто связанная с предвзятостью в обучающих данных.

Список использованной литературы

1. Каймин, В.А., Щеголев, А.Г., Ерохина, Е.А., Федюшин, Д.П. Основы информатики и вычислительной техники. Учебник для 10-11 классов ср. школы. М.: Просвещение, 1989.
2. Касаткин, В.Н. Логическое программирование в занимательных задачах. К.: Техника, 1980.
3. Колин, К.К. О структуре и содержании образовательной области «Информатика» // Информатика и образование. 2000. №10.
4. Национальный доклад Российской Федерации на II Международном конгрессе ЮНЕСКО «Образование и информатика». Москва, 1996 // Информатика и образование. 1996. №5.
5. Поспелов, Д.А. Становление информатики в России // Информатика. 1999. №19. С.7-10.
6. Ручкин, В.Н., Фулин, В.А. Универсальный искусственный интеллект и экспертные системы. СПб.: БХВ-Петербург, 2009.
7. Ясницкий, Л.Н. Введение в искусственный интеллект. М.: Издательский центр «Академия», 2005. 176 с.
8. Ясницкий, Л.Н. Искусственный интеллект: популярное введение для учителей и школьников // Газета «Информатика». 2009. № 16.
9. Семакин, И.Г., Ясницкий, Л.Н. Искусственный интеллект и школьный курс информатики // Информатика и образование. 2010. № 9. С. 48-54.
10. Павлов, С.Н. Системы искусственного интеллекта: учеб. пособие. В 2-х частях. Томск: Эль Контент, 2011. Ч. 1. 176 c.
11. Ясницкий, Л.Н. Искусственный интеллект. Элективный курс: Учебное пособие. М.: БИНОМ. Лаборатория знаний, 2011.
12. Ясницкий, Л.Н., Черепанов, Ф.М. Искусственный интеллект. Элективный курс: Методическое пособие по преподаванию. М.: БИНОМ. Лаборатория знаний, 2012.
13. Ясницкий, Л.Н., Черепанов, Ф.М. Искусственный интеллект: учебное пособие: электронное издание. М.: Бином. Лаб. знаний, 2012. 197 с.
14. Пенькова, Т.Г., Вайнштейн, Ю.В. Интеллектуальные информационные системы и методы искусственного интеллекта: учебник. Красноярск: СФУ, 2019. 116 с.
15. Самылкина, Н.Н., Салахова, А.А. Основы искусственного интеллекта в школьном курсе информатики: история вопроса и направления развития // Информатика в школе. 2019. № 7 (18). С. 32-39.
16. Левченко, И.В., Меренкова, П.А., Самылкина, Н.Н. ОБУЧЕНИЕ ОСНОВАМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА // Информатика и образование. 2021. № 1. С. 13-19.
17. Самылкина, Н.Н., Салахова, А.А. Обучение основам искусственного интеллекта и анализа данных в курсе информатики на уровне среднего общего образования. М.: Московский педагогический государственный университет, 2022. 242 с.
18. Путин призвал ввести изучение искусственного интеллекта в школе // Искусственный интеллект Российской Федерации. URL: https://ai.gov.ru/mediacenter/putin-prizval-vvesti-izuchenie-iskusstvennogo-intellekta-v-shkole/ (дата обращения: 21.10.2025).
19. Мирзоев, М.С., Нижников, А.И. Методика обучения основам искусственного интеллекта в школьном курсе информатики // Чебышевский сборник. 2023. Т. 24. №. 1. С. 276-293.
20. Самылкина, Н.Н. Вклад курса информатики в реализацию технологического (инженерного) профиля обучения на уровне среднего общего образования // Образ. 2023. № 4. С. 132-137.
21. Трепакова, Е.В. Искусственный интеллект в экосистеме школы: возможности для учителя информатики // Современные наукоемкие технологии. 2023. № 1-1. С. 136-140.
22. Школьное образование ждет масштабная диджитализация с искусственным интеллектом // Ведомости. URL: https://www.vedomosti.ru/society/articles/20230918/995734-shkolnoe-obrazovanie-zhdet-masshtabnaya-didzhitalizatsiya-s-iskusstvennim-intellektom (дата обращения: 21.10.2025).
23. Калинин, И.А., Самылкина, Н.Н., Салахова, А.А. Искусственный интеллект. 10-11 классы. Учебное пособие. ФГОС. М.: Просвещение, 2025.
24. Издательство «Просвещение» выпустило первые учебные пособия по искусственному интеллекту для 5-9 классов // Habr. URL: https://habr.com/ru/companies/sber/articles/780654/ (дата обращения: 21.10.2025).
25. Искусственный интеллект покоряет бизнес: внедрение ИИ в компаниях выросло в два раза // ВЦИОМ. URL: https://wciom.ru/materialy/novosti/iskusstvennyi-intellekt-pokorjaet-biznes-vnedrenie-ii-v-kompanijakh-vyroslo-v-dva-raza (дата обращения: 21.10.2025).
26. Исследования искусственного интеллекта в России // TAdviser. URL: https://www.tadviser.ru/index.php/Статья:Исследования_искусственного_интеллекта_в_России (дата обращения: 21.10.2025).
27. Обучение искусственному интеллекту // TAdviser. URL: https://www.tadviser.ru/index.php/Статья:Обучение_искусственному_интеллекту (дата обращения: 21.10.2025).
28. Академия искусственного интеллекта // AI-ACADEMY. URL: https://ai-academy.ru/ (дата обращения: 21.10.2025).
29. Искусственный интеллект в образовании: Изменение темпов обучения // UNESCO IITE. URL: https://iite.unesco.org/wp-content/uploads/2020/12/AI-in-education-changing-the-pace-of-learning.pdf (дата обращения: 21.10.2025).