Применение генеративного ИИ для разработки оценочных средств в LMS Moodle

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.

1. Вихман В. В., Миндигулова А. А., Ромм М. В. Искусственный интеллект в образовании: обзор возможностей и ограничений. Идеи и идеалы. 2024;16(4):167–188. DOI 10.17212/2075-0862-2024-16.4.1-167-188.

2. Кошкина Е. А., Бордовская Д. С., Гнедых Д. С. Генеративный искусственный интеллект в высшем образовании: обзор теоретических подходов и практик применения. Высшее образование в России. 2025;34(6):36–57. DOI 10.31992/0869-3617-2025-34-6-36-57.

3. Кузьминов Я. И., Кручинская Е. В., Груздев И. А., Наумов А. А. Отстающие и опережающие: как студенты используют генеративный искусственный интеллект в образовательных целях. Высшее образование в России. 2025;34(6):9–35. DOI 10.31992/0869-3617-2025-34-6-9-35.

4. Zawacki-Richter O., Marín V.I., Bond M. et al. Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education. 2019;16(39). DOI 10.1186/s41239-019-0171-0.

5. Mustafa M. Y., Tlili A., Lampropoulos G. et al. A systematic review of literature reviews on artificial intelligence in education (AIED): a roadmap to a future research agenda. Smart Learning Environments. 2024;11(59). DOI 10.1186/s40561-024-00350-5.

6. Oliveira R., Hernández A., Garbin M., Dos Reis J., Azevedo R. Automatic Question Generation with Large Language Models: A Survey. ACM Computing Surveys. 2026;58(15), Article 383:34 p. DOI 10.1145/3832773.

7. Alamoudi S., Al Khuzayem L. A., Jamal A. Optimizing Automated Question Generation for Educational Assessments: A Semantic Analysis of LLMs with Structured and Unstructured Ontologies. Engineering, Technology & Applied Science Research. 2025;15(3):23664–23671. DOI 10.48084/etasr.10662.

8. Курочка К. С., Башаримов Ю. С. Нейросетевая модель автогенерации тестов для студентов в системе Moodle на основе анализа методических материалов. Цифровая трансформация. 2025;31(3):66–75. DOI 10.35596/1729-7648-2025-31-3-66-75.

9. Malec W. A comparative study of AI-generated and teacher-constructed language tests. Roczniki Humanistyczne. 2025;73(11):149–163. DOI 10.18290/rh257311.8s.

10. Султанаев Я. Т., Абзалилов Р.Р., Вильданова В. Ф. Верификационная тестология: формализованная система оценки тестовых заданий для образовательных систем с искусственным интеллектом. Human Progress. 2025;11(9):16. DOI 10.46320/2073-4506-2025-9a-16.

11. Смык А. Ф., Ткачева Т. М. Внедрение ИИ в образование: условия и тенденции. Балтийский гуманитарный журнал. 2025;4:177–189. DOI 10.46845/2071-5331-2025-4-74-177-189.

12. Al Faraby S., Adiwijaya A., Romadhony A. Review on Neural Question Generation for Education Purposes. International Journal of Artificial Intelligence in Education. 2024;34:1008–1045. DOI 10.1007/s40593-023-00374-x.

13. Du X., Shao J., Cardie C. Learning to ask: Neural question generation for reading comprehension. In: Barzilay R., Kan M.-Y. (Eds.). Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics. 2017;1(Long Papers):1342–1352. DOI 10.18653/v1/P17-1123.

14. Maity S., Deroy A. The future of learning in the age of generative AI: Automated question generation and assessment with large language models. Computation and Language. 2024. DOI 10.48550/arXiv.2410.09576

15. Карданова Е. Ю. и др. Новые подходы к оцениванию: искусственный интеллект как драйвер изменений в образовании. Современная аналитика образования. 2025; 5 : 88.