Методика використання генеративних моделей штучного інтелекту для створення адаптивного навчального контенту з інформатики

Abstract

Кваліфікаційна робота присвячена розробленню методики автоматизованої генерації адаптивних тестів з інформатики із використанням генеративних мовних моделей (ГММ) та її практичній реалізації на базі хмарної інфраструктури Google. На основі систематичного огляду 26 наукових публікацій (2023–2025 рр.) із бази Scopus за процедурою PRISMA проаналізовано сучасні архітектурні патерни та педагогічні стратегії застосування ГММ в освіті інформатики. Виявлено дослідницький розрив: попри наявність численних окремих рішень (тьюторські системи, генератори тестів, RAG-архітектури), бракує цілісних методик інтеграції ГММ у доступну для вчителя інфраструктуру. Розроблено та реалізовано методику, що охоплює повний цикл роботи з адаптивним тестовим контентом: генерація діагностичних тестів через платформу OpenRouter у форматі JSON з автоматичним перетворенням у Google Forms; збір результатів та обчислення індивідуальних профілів учнів із виділенням слабких тем; генерація персоналізованих адаптивних тестів на основі профілю кожного учня; автоматична розсилка посилань електронною поштою. Практична реалізація виконана у вигляді сценарію Google Apps Script, що не потребує додаткової інфраструктури та може бути розгорнута безпосередньо в робочому середовищі вчителя. Обґрунтовано вибір JSON як внутрішнього формату подання тестового контенту, що забезпечує кращу структурованість даних порівняно з CSV. Результати дослідження можуть бути використані вчителями інформатики для автоматизації створення тестового контенту та забезпечення індивідуалізації навчання.

The thesis is devoted to developing a methodology for automated generation of adaptive computer science tests using generative language models (GLMs) and its practical implementation based on Google cloud infrastructure. Based on a systematic review of 26 scientific publications (2023–2025) from the Scopus database following the PRISMA procedure, current architectural patterns and pedagogical strategies for applying GLMs in computer science education were analyzed. A research gap was identified: despite numerous individual solutions (tutoring systems, test generators, RAG architectures), there is a lack of comprehensive methodologies for integrating GLMs into teacher-accessible infrastructure. A methodology covering the complete cycle of working with adaptive test content was developed and implemented: diagnostic test generation via the OpenRouter platform in JSON format with automatic conversion to Google Forms; collecting results and calculating individual student profiles with weak topic identification; generating personalized adaptive tests based on each student's profile; automatic email distribution of links. The practical implementation is executed as a Google Apps Script that requires no additional infrastructure and can be deployed directly in the teacher's working environment.