ОНТОЛОГИЧЕСКИ ОБОСНОВАННАЯ НЕЙРОСИМВОЛИЧЕСКАЯ ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ОБУЧЕНИЯ И ОЦЕНКИ ЗНАНИЙ ДЛЯ ПОДДЕРЖКИ ЦИФРОВОГО SMART ОБРАЗОВАНИЯ

Аннотация

Интеллектуальные обучающие системы (Intelligent Tutoring Systems, ITS), предназначенные для обучения элементарной алгебре, сталкиваются с устойчивым противоречием между интерпретируемостью символических моделей, основанных на инженерии знаний, и высокой прогностической способностью исключительно нейросетевых моделей обучающихся. При этом современные помощники на базе больших языковых моделей (Large Language Models, LLM) обеспечивают более естественное взаимодействие, однако ценой снижения фактической точности и педагогической надежности. В данной работе предлагается единая архитектура, в которой формальная предметная онтология — база знаний на основе языка OWL и логики описаний, включающая алгебраические понятия, отношения предварительных требований (prerequisite relations) и аксиомы типичных заблуждений — служит основой для функционирования всех компонентов системы. Нейросимволический уровень вывода объединяет основанный на правилах решатель алгебраических задач с нейросетевой моделью отслеживания знаний обучающегося (knowledge tracing), регуляризуемой ограничениями, вытекающими из онтологии и отражающими зависимости между изучаемыми понятиями. Модель оценки знаний, основанная на теории отклика на задание (Item Response Theory, IRT) и взвешенная с учетом онтологии, обеспечивает интерпретируемые оценки уровня освоения каждого отдельного понятия. Педагогический помощник на базе большой языковой модели, использующий механизм генерации с дополнением извлечённой информацией (Retrieval-Augmented Generation, RAG) и ограниченный онтологией, формирует подсказки и объяснения, словарь и логические выводы которых строго соответствуют следствиям базы знаний, что существенно снижает вероятность возникновения «галлюцинаций» модели. В ходе восьминедельного исследования с участием 428 обучающихся предложенная модель отслеживания знаний достигла значения площади под ROC-кривой (AUC) 0,851 и среднеквадратической ошибки (RMSE) 0,369, превзойдя базовые байесовские модели и модели глубокого отслеживания знаний (Deep Knowledge Tracing). Полная система продемонстрировала нормализованный прирост обучения ⟨g⟩ = 0,58 по сравнению с 0,24 при обучении по традиционному учебнику и 0,41 при использовании универсального LLM-репетитора. Кроме того, эксперты значительно выше оценили достоверность и соответствие предметной области подсказок, сформированных на основе онтологии. Полученные результаты свидетельствуют о том, что онтологическое обоснование является эффективным механизмом интеграции прозрачности символических методов, адаптивности нейросетевых моделей и гибкости генеративного искусственного интеллекта в рамках единой, интерпретируемой и поддающейся аудиту интеллектуальной обучающей системы.