ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ СИСТЕМЫ АВТОМАТИЗИРОВАННОЙ ГЕНЕРАЦИИ УЧЕБНЫХ ДОКУМЕНТОВ НА ОСНОВЕ БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ И RAG-АРХИТЕКТУРЫ
Ключевые слова:
большая языковая модель, RAG, генерация силлабусов, искусственный интеллект, Gemini API, цифровая трансформация, высшее образованиеАннотация
В данной статье рассматриваются проектирование, реализация и результаты экспериментального исследования системы автоматизации учебно-методической деятельности вуза на основе интеграции больших языковых моделей (БЯМ) и архитектуры расширенной генерации с извлечением (RAG). Исследование соответствует задачам цифровой трансформации высшего образования, определённым Концепцией развития искусственного интеллекта в Республике Казахстан на 2024-2029 годы. Предлагаемая система автоматизирует генерацию учебных документов – в частности, силлабусов – путём связывания структурированной базы метаданных дисциплин с генеративными возможностями языковой модели. Система реализована на языке Python и включает три модуля: базу знаний RAG, модуль инженерии промптов и модуль генерации на основе БЯМ с использованием Google Gemini 2.5 Flash API. Экспериментальная проверка на девяти дисциплинах подтвердила экономию времени 99,9 % по сравнению с ручной подготовкой. Все сгенерированные силлабусы охватили семь обязательных разделов университетского стандарта, в среднем 7 636 символов за документ – менее чем за 41 секунду. Компонент RAG обеспечил 100 % точность сопоставления кодов дисциплин, исключив появление ошибочных институциональных данных. Результаты подтверждают эффективность архитектуры БЯМ-RAG как инструмента стандартизации учебно-методической документации, снижения нагрузки на преподавателей и продвижения цифровой трансформации образовательного процесса.
Библиографические ссылки
Правительство Республики Казахстан. Концепция развития искусственного интеллекта на 2024–2029 годы, Постановление № 392 от 27 мая 2024 г. – Астана: Правительство РК, 2024. – 34 с.
Fink L.D. Creating Significant Learning Experiences: An Integrated Approach to Designing College Courses. – San Francisco: Jossey-Bass, 2013. – 368 p.
Brown T.B., Mann B., Ryder N. et al. Language Models are Few-Shot Learners // Advances in Neural Information Processing Systems. – 2020. – Vol. 33. – P. 1877–1901. – arXiv:2005.14165.
Lewis P., Perez E., Piktus A. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // Advances in Neural Information Processing Systems. – 2020. – Vol. 33. – P. 9459–9474. – arXiv:2005.11401.
Gao Y., Xiong Y., Gao X. et al. Retrieval-Augmented Generation for Large Language Models: A Survey // arXiv preprint. – 2023. – arXiv:2312.10997.
ISSAI. Sherkala-8B and Sherkala-Chat-8B: Multilingual LLMs for Kazakh, Russian and English. – Nazarbayev University, 2025. – URL: huggingface.co/issai
Министерство науки и высшего образования РК. Методические рекомендации по интеграции технологий искусственного интеллекта в образовательный процесс вузов. – Астана: МОН РК, 2023. – 28 с.
Kasneci E., Seßler K., Küchemann S. et al. ChatGPT for Good? On Opportunities and Challenges of Large Language Models for Education // Learning and Individual Differences. – 2023. – Vol. 103. – P. 102274.
Gemini Team, Google. Gemini: A Family of Highly Capable Multimodal Models // arXiv preprint. – 2023. – arXiv:2312.11805.
Vaswani A., Shazeer N., Parmar N. et al. Attention Is All You Need // Advances in Neural Information Processing Systems. – 2017. – Vol. 30.
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Алтынзер Байганова, Ақдәулет Жаксымбетов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
