«Цифровой ассистент преподавателя» в массовом профессиональном обучении для цифровой экономики

Цели. Активная цифровизация российской экономики вызывает дефицит ИТ-кадров и, в первую очередь, дефицит разработчиков программного обеспечения. Для российского университетского образования актуальной является задача массовой профессиональной подготовки таких специалистов. Цель работы – повышение качества массовой профессиональной подготовки программистов путем создания, внедрения и развития функциональности компьютерной системы «Цифровой ассистент преподавателя» (ЦАП). Эта система позволяет преподавателю в условиях массового обучения сконцентрироваться на функциях, требующих творческого подхода – составлении и обсуждении нетривиальных задач по программированию.

Методы. Использованы педагогические методы персонификации учебного процесса. Общий подход основан на удовлетворении ограничениям для создания генераторов задач по программированию. При генерации задач применены методы порождения случайных программ и данных на основе вероятностных контекстно-зависимых грамматик, а также методы трансляции с использованием дерева абстрактного синтаксиса. Для декларативного представления генератора задач применены методы функционального программирования, позволяющие создать предметно-ориентированный язык с помощью комбинаторов. Для проверки решений использованы методы автоматического тестирования.

Результаты. Разработана структура системы ЦАП. Рассмотрена автоматическая генерация задач по программированию, выделены классы практических задач, отражающие современную специфику разработки программного обеспечения, приведены примеры их генерации. Приведена схема генератора задач по программированию. Описана процедура автоматической проверки решения задач, осуществляемая с помощью набора программных тестов, сформированного генератором задач. Приведена процедура комплексной оценки решения обучающегося, включающая проверку корректности результата и проверку на плагиат решений в случае задач, созданных преподавателем вручную; соответствие стандарту стиля написания программы, метрикам оценки сложности программы и т.д. Рассмотрены ведение статистики успеваемости обучающихся и интерфейс взаимодействия обучающихся и преподавателей.

Выводы. Опыт внедрения ЦАП в учебный процесс курса «Программирование на языке Python» подтвердил возможность обеспечения персонификации учебного процесса для обучающихся в виде индивидуальных образовательных траекторий.

1. Гудов М.М., Ермакова Э.Р. Структурные преобразования российской экономики в условиях форсированной цифровизации производственных отношений. Теоретическая и прикладная экономика. 2020;2:1–8. https://doi.org/10.25136/2409-8647.2020.2.32625

2. Новикова Е.С. Риски и перспективы трансформации высшей школы для российской экономики в условиях глобализации и цифровизации. Международная торговля и торговая политика. 2021;7(4):147–162. https://doi.org/10.21686/2410-7395-2021-3-147-162

3. Ярославцева Е.И. Гуманитарные аспекты цифровых технологий. Вестник Российского философского общества. 2020;1–2(91–92):248–251. URL: https://rfo1971.ru/wp-content/uploads/2020/03/09-03_248-251.pdf

4. Ярославцева Е.И. Потенциал цифровых технологий и проблемы творчества человека. Вопросы философии. 2020;11:58–66. https://doi.org/10.21146/0042-87442020-11-58-66

5. Строков А.А. Цифровизация образования: проблемы и перспективы. Вестник Мининского университета. 2020;8(2):15. https://doi.org/10.26795/2307-1281-20208-2-15

6. Хуторской А.В. Педагогические предпосылки самореализации ученика в эвристическом обучении. Вестник Института образования человека. 2020;1:1. URL: http://eidos-institute.ru/journal/2020/100/EidosVestnik2020-101-Khutorskoy.pdf

7. Хуторской А.В. Интериоризация и экстериоризация – два подхода к образованию человека. Народное образование. 2021;1(1484):37–49.

8. Khalyapina L., Kuznetsova O. Multimedia professional content foreign language competency formation in a digital educational system exemplified by STEPIK framework. Lecture Notes in Networks and Systems. 2020;131:357–366. https://doi.org/10.1007/978-3-03047415-7_38

9. Панова И.В., Коливнык А.А. Обзор содержания онлайн курсов по обучению основам программирования на языке Python. В: Современные образовательные Web-технологии в реализации личностного потенциала обучающихся. сборник статей участников Международной научно-практической конференции. Арзамас; 2020. С. 523–528.

10. Воробьева Н.А., Обоева С.В., Бернадинер М.И. Использование технологий педагогического дизайна в условиях цифровизации образования. Вестник Московского городского педагогического университета. Серия: Информатика и информатизация образования. 2020;1(51):34–37.

11. Guo P.J., Kim J., Rubin R. How video production affects student engagement: An empirical study of MOOC videos. In: Proceedings of the First ACM Conference on Learning @ Scale Conference. 2014. P. 41–50. https://doi.org/10.1145/2556325.2566239

12. Lau S., Guo P.J. Data theater: a live programming environment for prototyping data-driven explorable explanations. Workshop on Live Programming (LIVE). 2020. 6 p. URL: https://www.samlau.me/pubs/DataTheater-prototyping-explorable-explanations_LIVE2020.pdf

13. Guo P.J. Online python tutor: embeddable web-based program visualization for cs education. In: Proceeding of the 44th ACM Technical Symposium on Computer Science Education. 2013. P. 579–584. https://doi.org/10.1145/2445196.2445368

14. Miller H., Willcox K., Huang L. Crosslinks: Improving course connectivity using online open educational resources. The Bridge. 2016;43(3):38–45. URL: http://hdl.handle.net/1721.1/117022

15. Utterberg M.M., et al. Intelligent tutoring systems: Why teachers abandoned a technology aimed at automating teaching processes. In: Proceedings of the 54th Hawaii International Conference on System Sciences. 2021. P. 1538. URL: http://hdl.handle.net/10125/70798

16. Sherman M., et al. Impact of auto-grading on an introductory computing course. J. Comput. Sci. Coll. 2013;28(6):69–75.

17. Rivers K., Koedinger K.R. Data-driven hint generation in vast solution spaces: a self-improving python programming tutor. Int. J. Artif. Intell. Educ. 2017;27(1):37–64. https://doi.org/10.1007/s40593-015-0070-z

18. Sovietov P. Automatic generation of programming exercises. In: 2021 1st International Conference on Technology Enhanced Learning in Higher Education (TELE). IEEE. 2021. P. 111–114. https://doi.org/10.1109/TELE52840.2021.9482762

19. Schleimer S., Wilkerson D.S., Aiken A. Winnowing: local algorithms for document fingerprinting. In: Proceedings of the 2003 ACM SIGMOD International Conference on Management of Data (SIGMOD’03). 2003. P. 76–85. https://doi.org/10.1145/872757.872770

20. Rogers M., et al. Exploring personalization of gamification in an introductory programming course. In: Proceedings of the 52nd ACM Technical Symposium on Computer Science Education (SIGCSE’21). 2021. P. 1121–1127. https://doi.org/10.1145/3408877.3432402

21. Putnam V., Conati C. Exploring the need for explainable artificial intelligence (XAI) in intelligent tutoring systems (ITS). IUI Workshops. 2019. V. 19. URL: https://explainablesystems.comp.nus.edu.sg/2019/wp-content/uploads/2019/02/IUI19WS-ExSS2019-19.pdf

22. Щербина О.А. Удовлетворение ограничений и программирование в ограничениях. Интеллектуальные системы. 2011;15(1–4):53–170.

23. Wang J., Chen B., Wei L., Liu Y. Skyfire: Data-driven seed generation for fuzzing. In: 2017 IEEE Symposium on Security and Privacy (SP). IEEE. 2017. P. 579–594. https://doi.org/10.1109/SP.2017.23

24. Papadakis M., et al. Mutation testing advances: an analysis and survey. Adv. Comput. 2019;112:275–378. https://doi.org/10.1016/bs.adcom.2018.03.015

25. Hutton G., Meijer E. Monadic Parser Combinators. Technical Report NOTTCS-TR-96-4. Department of Computer Science, University of Nottingham. 1996. 38 p. URL: https://www.cs.nott.ac.uk/~pszgmh/monparsing.pdf

26. Phothilimthana P.M., Sridhara S. High-coverage hint generation for massive courses: Do automated hints help CS1 students? In: Proceedings of the 2017 ACM Conference on Innovation and Technology in Computer Science Education (ITiCSE’17). 2017. Р. 182–187. https://doi.org/10.1145/3059009.3059058