Использование генеративных инструментов искусственного интеллекта в обучении студентов программированию

   Введение. Генеративные нейросетевые инструменты используются в настоящее время для обработки текстов, написания тезисов, решения задач и т. д. Их возможности позволяют еще и генерировать, интерпретировать, и исправлять код. Неконтролируемое использование студентами таких сервисов приводит к более низкому усвоению основ программирования, невозможности формирования умений по оптимизации кода. В условиях, когда нет возможности ограничить использование генеративных нейросетевых инструментов, необходимо менять методики преподавания, добавляя в них изучение основ промпт-инжиниринга.

   Постановка задачи. В статье рассматриваются ИИ-сервисы: ChatGPT, DeepSeek, Cursor, OpenAI Codex, Qwen, Gemini, Claude и Perplexity для обучения программированию.

   Цель данного исследования – в обосновании необходимости введния промпт-инжиниринга в учебные программы подготовки бакалавров ИТ-специальностей.

   На основе анализа научной литературы и собственного опыта преподавания выделены особенности применения генеративных нейросетевых сервисов в области программирования. Проведено статистическое исследование предпочтений и опыта студентов в их использовании.

   Методика и методология исследования. В исследовании применялись методы системного и сравнительного анализа, анкетирования, а также обобщения и статистической обработки данных. Рассмотрены наиболее распространённые генеративные нейросетевые сервисы, которые используются студентами в процессе изучения программирования. Обоснованы их достоинства и недостатки. Кроме того, проведён опрос студентов направления «Прикладная информатика» для выявления частоты и специфики использования генеративных нейросетевых ассистентов в образовательной деятельности. Эмпирические данные получены путём сводки, группировки и вычисления относительных показателей.

   Результаты. В работе выделены ключевые функции генеративных нейросетевых ассистентов, которые чаще всего применяются студентами в образовательной деятельности. К ним относятся создание программного кода с нуля, дополнение и исправление уже существующих программ, поиск и устранение ошибок, пояснение алгоритмической логики, осваивание новых технологий и библиотек, а также подготовка отчётов. Анализ показал, что наибольшей популярностью пользуются сервисы ChatGPT и DeepSeek, в то время как Cursor и OpenAI Codex, как правило, используются в качестве вспомогательных средств разработки, а Claude и Perplexity – преимущественно для поиска информации и разъяснения сложных концепций. Кроме того, выделены основные педагогические риски, связанные с использованием генеративных нейросетевых ассистентов, среди которых отмечены снижение уровня самостоятельности студентов,
поверхностное выполнение учебных задач и повышенная вероятность академического плагиата.

   Выводы. Признается необходимость включения промпт-инжиниринга в учебные программы бакалавров ИТ-специальностей.

1. Баженова И. В. Особенности методики обучения программированию на основе проективно-рекурсивной стратегии и когнитивных технологий // Педагогическое образование в России. 2015. № 3. С. 52–57.

2. Алферьева-Термсикос В. Б. Промпт-инжиниринг как стратегия формирования информационной культуры обучающихся // Международный журнал гуманитарных и естественных наук. 2024. № 9–1 (96). С. 10–15.

3. Vukojicic M., Krstic J. ChatGPT in programming education: ChatGPT as a programming assistant // Inspired Teachers’ Voice. 2023. Vol. 2023. № 1. Р. 7–13.

4. Chen E. et al. GPTutor: a ChatGPT-powered programming tool for code explanation // International conference on artificial intelligence in education. Cham: Springer Nature Switzerland. 2023. Р. 321–327.

5. Allal L. B., Li R., Kocetkov D., Mou C., Akiki C., Ferrandis C. M., Muennighoff N., Mishra M., Gu A., Dey M. et al. Don’t Reach for the Stars // Proceedings of the 17^th International Conference on Software Engineering for Adaptive and Self-Managing Systems. 2023. P. 1–12.

6. Barke S., James M. B., Polikarpova N. Grounded copilot: How programmers interact with code-generating models // Proceedings of the ACM on Programming Languages. 2023. Vol. 7. №. OOPSLA1. Р. 85–111.

7. Ziegler, A., Kalliamvakou, E., Li, X., Rice, A., Rifkin, D., Simister, S., Sittampalam, G., Nenadic, A. Productivity, Efficiency, and Safety in AI-Assisted Software Development: An Empirical Study of GitHub Copilot // arXiv preprint arXiv:2206.15075. 2022. P. 1–32.

8. Dakhel A. M. et al. Github copilot ai pair programmer: Asset or liability? // Journal of Systems and Software. 2023. Vol. 203. Р. 111–734.

9. Ye X. W. et al. Copyright Protection and Risk Mitigation for AI-Generated Content (AIGC) Creations // Journal of Computers. 2025. Vol. 36. №. 5. Р. 167–181.

10. Shi Y. Study on security risks and legal regulations of generative artificial intelligence // Science of law journal. 2023. Vol. 2. №. 11. Р. 17–23.

11. Atkinson D., Morrison J. A legal risk taxonomy for generative artificial intelligence // arXiv preprint arXiv:2404.09479. 2024. P. 1–25.

12. George A. S. Preparing students for an AI-driven world: Rethinking curriculum and pedagogy in the age of artificial intelligence // Partners Universal Innovative Research Publication. 2023. Vol. 1. №. 2. P. 112–136.

13. Baidoo-Anu D., Ansah L. O. Education in the era of generative artificial intelligence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learning // Journal of AI. 2023. Vol. 7. №. 1. Р. 52–62.

14. Hellas A. et al. Exploring the responses of large language models to beginner programmers’ help requests // Proceedings of the 2023 ACM Conference on International Computing Education Research. 2023. Vol 1. Р. 93–105.

15. Uppalapati V. K., Nag D. S. A comparative analysis of AI models in complex medical decision-making scenarios: evaluating ChatGPT, Claude AI, Bard, and Perplexity // Cureus. 2024. Vol. 16. №. 1.

16. Aydin O. et al. Generative ai in academic writing: A comparison of deepseek, qwen, chatgpt, gemini, llama, mistral, and gemma // arXiv preprint arXiv:2503.04765. 2025. P. 1–21.

17. Singh A. et al. Openai gpt-5 system card // arXiv preprint arXiv:2601.03267. 2025. P. 1–19.

18. Martins S. Artificial intelligence-assisted classification of library resources: The case of Claude AI // Artificial Intelligence. 2024. Vol. 2. P. 27.

19. Baninemeh E. et al. A security risk assessment method for Distributed Ledger Technology (DLT) based applications: three industry case studies // arXiv preprint arXiv:2401.12358. 2024. P. 1–39.

20. Xu Z., Sheng V. S. Detecting AI-generated code assignments using perplexity of large language models // Proceedings of the aaai conference on artificial intelligence. 2024. Vol. 38. №. 21. P. 23155–23162.