Алетдинова Анна Александровна – доктор экономических наук, профессор кафедры информационных технологий и моделирования
630039, г. Новосибирск, ул. Никитина, 155
Anna A. Aletdinova – doctor of economical sciences, professor at the department of information technology and modeling
155 Nikitina Str., Novosibirsk, 630039
Антонянц Егор Николаевич – ассистент кафедры автоматизированных систем управления
630039, г. Новосибирск, ул. Никитина, 155
Egor N. Antonyants – assistant professor at the department of automated control systems
20 Karl Marks ave., Novosibirsk, 630073
Мишечкин Никита Евгеньевич – студент кафедры автоматизированных систем управления
630039, г. Новосибирск, ул. Никитина, 155
Nikita E. Mishechkin – student of the department of automated control systems
20 Karl Marks ave., Novosibirsk, 630073
Шаталов Максим Русланович – студент кафедры автоматизированных систем управления
630039, г. Новосибирск, ул. Никитина, 155
Maxim R. Shatalov – Student of the department of automated control systems
20 Karl Marks ave., Novosibirsk, 630073
Введение. Массовое внедрение генеративных нейросетевых сервисов в высшее образование создает разрыв между фактическим использованием технологий студентами гуманитарных направлений и отсутствием системной методической подготовки к их применению в профессиональной деятельности.
Постановка задачи. Цели исследования – разработка и эмпирическая валидация методологических принципов обучения студентов гуманитарных направлений технологиям искусственного интеллекта и машинного обучения на основе дифференциации сложности контента и модели «сервисного моста».
Методика и методология исследования. Обоснование методологических принципов: «сервисного моста», практической направленности, критического, системного подхода, коллаборативного подхода, выполнено на основе педагогического эксперимента, проведенного на базе Новосибирского государственного технического университета (НГТУ). Выборка сформирована из студентов пяти учебных групп. Реализован цикл из восьми тем с последовательным переходом от заданий по низкопороговым ИИ-сервисам (Gamma AI, Kandinsky, Stable Audio) к – модификации нейросетей в Google Colab. Методы сбора данных: балльно-рейтинговая оценка работ (шкала 0–5), контент-анализ отчетной документации. Обработка данных: дескриптивная статистика, сравнительный анализ показателей успеваемости.
Результаты. Средний балл по восьми практическим работам составил 4,72 из 5,00, доля незачетов – 4,23 % (21 случай на 496 человеко-работ). Максимальная успешность зафиксирована для работы 8 «Сервисы ИИ по мультимодальным материалам» (M = 4,92; n = 2), минимальная – для работы 3 «Системы компьютерного зрения» (M = 4,56; n = 3) и работы 6 «Сервисы ИИ по работе с изображениями» (M = 4,57; n = 3). Статистически значимых различий между заданиями без программирования (M = 4,73) и заданиями с элементами кода (M = 4,71) не выявлено. Контент-анализ отчетов показал преобладание методических ошибок (47 %) над техническими (31 %) и аналитическими (22 %). Наибольшее количество незачетов (n = 4) связано с работой 5, включавшей 12 подзадач. Модель «сервисного моста» обеспечила эффективное формирование цифровых компетенций в области ИИ у студентов-гуманитариев. Основные затруднения вызывают задания по компьютерному зрению и генерации изображений, что требует дополнительного методического сопровождения.
Выводы. Отсутствие барьера программирования при наличии шаблонов кода и командной формы работы подтверждает возможность включения элементов Colab в подготовку лингвистов.
Introduction. The widespread adoption of generative neural network services in higher education creates a gap between the actual use of technologies by humanities students and the lack of systematic methodological training for their application in professional activities.
Problem statement. The aim of the study is to develop and empirically validate methodological principles for teaching students of humanities majors artificial intelligence and machine learning technologies based on content difficulty differentiation and the «service bridge» model.
Methodology and research methods. The substantiation of the methodological principles: «service bridge», practical orientation, critical, systematic approach, collaborative approach, is based on a pedagogical experiment conducted on the basis of Novosibirsk State Technical University (NSTU). Sample contains a students from five academic groups. A cycle of eight practical classes was implemented with a sequential transition from low‑threshold AI services (Gamma AI, Kandinsky, Stable Audio) to neural network modification in Google Colab. Data collection methods: point‑rating assessment of works (scale 0–5), content analysis of reporting documentation. Data processing: descriptive statistics, comparative analysis of academic performance indicators.
Results. The average score for eight practical works was 4.72 out of 5.00, the share of failures was 4.23 % (21 cases out of 496 person‑works). Maximum success was recorded for work 8 «AI services for multimodal materials» (M = 4.92; n = 2), minimum – for work 3 «Computer vision systems» (M = 4.56; n = 3) and work 6 «AI services for image processing» (M = 4.57; n = 3). No statistically significant differences were found between non‑programming tasks (M = 4.73) and tasks with code elements (M=4.71). Content analysis of reports showed a predominance of methodological errors (47 %) over technical (31 %) and analytical (22 %) errors. The largest number of failures (n = 4) is associated with work 5, which included 12 subtasks. The «service bridge» model ensures effective formation of digital competencies in AI among humanities students. The main difficulties are caused by tasks in computer vision and image generation, which requires additional methodological support. The absence of a programming barrier in the presence of code templates and team‑based work confirms the possibility of including Colab elements in the training of linguists.
The authors declare that there are no conflicts of interest present.