КОРНИЛОВ Юрий Вячеславович – к. пед. н., доцент кафедры цифрового и технологического образования
г. Якутск
KORNILOV Iurii Viacheslavovich – Cand. Sci. (Pedagogics(, Associate Professor, Department of Digital and Technological Education
Yakutsk
Статья посвящена исследованию возможностей генеративного искусственного интеллекта для автоматизированного формирования банков тестовых заданий по материалам вузовских лекций и их последующего преобразования в формат Moodle XML. Цель работы – оценить пригодность DeepSeek и гибридной платформы Perplexity для создания содержательно корректных, педагогически обоснованных и технически импортируемых в LMS Moodle тестовых материалов. Исследование проведено на материале одиннадцати лекций дисциплины «Инфографика и визуализация в обучении». DeepSeek использовался для обработки семи лекций и генерации 70 заданий, Perplexity – четырёх лекций и генерации 40 заданий. Анализировались разнообразие типов вопросов, когнитивный уровень заданий, зависимость формулировок от контекста отдельной лекции, корректность XML- синтаксиса, настройка весовых коэффициентов ответов и особенности заданий типа Cloze. Установлено, что обе системы способны существенно ускорить создание банка вопросов, однако результаты требуют обязательной экспертной проверки. В выборке DeepSeek доля заданий, проверяющих преимущественно фактологические знания, составила 70%, тогда как в выборке Perplexity – 90%; общий показатель достиг 77,3%. При генерации DeepSeek выявлены ошибки в значениях fraction, использовании десятичного разделителя, структуре тегов answer и text, а также в содержании тега name. Файлы Perplexity импортировались без синтаксических ошибок, но отличались большей ориентацией на воспроизведение информации, наличием контекстно зависимых формулировок и ограниченной вариативностью допустимых ответов в заданиях Cloze. Сделан вывод, что техническое разнообразие форматов вопросов не обеспечивает разнообразия когнитивных действий. Эффективное применение генеративного ИИ требует детализированных промптов, автоматической валидации XML, распределения заданий по уровням таксономии Блума и последующей педагогической и психометрической экспертизы.
The article examines the use of generative artificial intelligence to automatically create test-item banks from university lecture materials and convert them into Moodle XML. The study aims to assess the suitability of DeepSeek and the Perplexity hybrid platform for producing pedagogically meaningful and technically valid test materials importable into Moodle. The empirical material comprised eleven lectures from the course Infographics and Visualization in Education. DeepSeek processed seven lectures and generated 70 items, whereas Perplexity processed four lectures and generated 40 items. The analysis addressed item-type diversity, cognitive level, wording dependent on the context of a particular lecture, XML syntax, answer-weight settings, and the implementation of Cloze items. The findings show that both systems can substantially reduce the time needed to create a question bank, although their outputs require expert review. Fact-oriented items accounted for 70% of the DeepSeek sample and 90% of the Perplexity sample, producing an overall proportion of 77.3%. The DeepSeek-generated files contained errors involving fraction values, decimal separators, the structure of answer and text tags, and the content of the name tag. The Perplexity files were imported without detected syntax errors; however, they emphasized factual recall, included context-dependent references to lecture materials, and offered limited acceptance of alternative correct answers in Cloze tasks. The study concludes that technical diversity in item formats does not automatically ensure cognitive diversity. Effective use of generative AI therefore requires detailed prompts, automated XML validation, deliberate distribution of tasks across Bloom’s taxonomy levels, and subsequent pedagogical and psychometric evaluation.
The authors declare that there are no conflicts of interest present.