Проектирование. Опыт. Результат

✉ kniga.nauchnaya@yandex.ru

Logo-mag-white

рецензируемый научный журнал

ISSN 2658-5545

Меню

< К архиву издания

Метаданные статьи:

УДК 378.147: 004.853

Авторы:

Орлов Артемий Владимирович

Научный сотрудник, Государственный научный центр Российской Федерации Институт медико-биологических проблем РАН, Москва

 

Название статьи:

КРИТЕРИИ ОЦЕНКИ ВЫПУСКНЫХ КВАЛИФИКАЦИОННЫХ РАБОТ, СОЗДАННЫХ С ПОМОЩЬЮ НЕЙРОСЕТЕЙ: СИСТЕМАТИЧЕСКИЙ ОБЗОР И МЕТОДИКА ДЛЯ ВУЗОВ

Страницы в номере:

156–163

Аннотация:

Повсеместное распространение генеративных нейросетей поставило высшую школу перед задачей обновления подходов к оцениванию выпускных квалификационных работ (ВКР). В статье рассмотрена проблема оценивания студенческих работ, частично выполненных с помощью ИИ, с позиций обеспечения академической честности и качества образования. Проанализировав современные (2023–2025 гг.) практики и рекомендации университетов России и мира, автор установил, что традиционные критерии и процедуры проверок требуют пересмотра: фокус смещается с оценки только текста работы на оценку компетенций студента, включая умение ответственно использовать инструменты искусственного интеллекта. В работе сформулирована типология подходов к оценке выпускных квалификационных работ в эпоху искусственного интеллекта (запретительный, ограничительный с раскрытием, интеграционный) и показаны их особенности, преимущества и рисунки. Предложены практические рекомендации вузам по адаптации критериев, обеспечению прозрачности и сохранению справедливости аттестации при активном использовании нейросетей.

Целью работы является конкретизация критериев оценки выпускных квалификационных работ, которые созданы при помощи нейросетей. Объектом исследования определены выпускные квалификационные работы, предметом ̶ разработка критериев их оценки.

Ключевые слова:

искусственный интеллект, генеративные нейросети, выпускная квалификационная работа, оценивание, академическая честность, критерии оценки, цифровая грамотность.

Список использованных источников:

  1. Alsharefeen R., Al Sayari N. Examining Academic Integrity Policy and Practice in the Era of AI: A Case Study of Faculty Perspectives // Frontiers in Education. – 2025. – Vol. 10. – DOI: 10.3389/feduc.2025.1621743.
  2. UNESCO survey: Two-thirds of higher education institutions have or are developing guidance on AI use // UNESCO News. – 02.09.2025. – URL: https://www.unesco.org/en/articles/unesco-survey-two-thirds-higher-education-institutions-have-or-are-developing-guidance-ai-use (дата обращения: 10.09.2025).
  3. УралБизнесКонсалтинг. Интеграция ИИ в академическую практику: итоги пилотного проекта GPT ВКР // Статьи URBC.RU. – 04.08.2025. – URL: https://urbc.ru/1068138236-integraciya-ii-v-akademicheskuyu-praktiku-itogi-pilotnogo-proekta-gpt-vkr.html (дата обращения: 09.09.2025).
  4. Антиплагиат (пресс-релиз). Антиплагиат: каждая пятая работа российских студентов имеет следы ИИ // antiplagiat.ru. – 23.07.2024. – URL: https://antiplagiat.ru/news/ai_in_papers2024/ (дата обращения: 09.09.2025).
  5. Skillbox Media. Лапина А. Разработаны принципы для оценки студенческих работ в эпоху ИИ // Skillbox EdTech. – 28.11.2023. – URL: https://skillbox.ru/media/edtech/razrabotany-printsipy-dlya-otsenki-studencheskikh-rabot-v-epokhu-ii/ (дата обращения: 09.09.2025).
  6. Jisc (UK National Centre for AI). AI Detection and Assessment – an Update for 2025 // nationalcentreforai.jiscinvolve.org. – 24.06.2025. – URL: https://nationalcentreforai.jiscinvolve.org/wp/2025/06/24/ai-detection-assessment-2025/ (дата обращения: 10.09.2025).
  7. Эстонский совет по научной этике. Guidelines for Research Integrity (incorporating AI use) // eetika.ee. – 2024. (дата обращения: 10.09.2025).
  8. Вовк Е. В. Использование искусственного интеллекта в работе преподавателя высшей школы: современные возможности и рисунки применения // Проблемы современного педагогического образования. 2025. №86-1. С. 68-70.
  9. Широколобова А. Г. Искусственный интеллект как инструмент оптимизации работы преподавателя высшей школы // Педагогика. Вопросы теории и практики. 2024. №2. С. 138-145.
  10. Искра О. Ю. Компьютерное тестирование в системе АСТ-тест как один из перспективных методов разработки оценочных средств в профессиональных образовательных организациях / О. Ю. Искра // Проектирование. Опыт. Результат. 2018. № 1. С. 55-59.
  11. Алексеева, М. С. Анализ факторов эффективности балльно-рейтинговой системы, как инструмента мотивации студентов в процессе обучения в вузе / М. С. Алексеева, И. Н. Полумеева // Проектирование. Опыт. Результат. 2025. № 3. С. 145-152.

Финансирование научной работы:

Нет сведений.

Ссылка для цитирования:

Орлов А.В. Критерии оценки выпускных квалификационных работ, созданных с помощью нейросетей: систематический обзор и методика для вузов // Проектирование. Опыт. Результат. 2025. №6. С. 156–163.

URL статьи: https://pedproect.ru/st23-n6-2025/

© Орлов А.В., 2025

 Материал распространяется на условиях лицензии Creative Commons «Атрибуция» 4.0 Международная (CC BY 4.0)

The authors:

Orlov Artemy Vladimirovich

Institute of Biomedical Problems of the Russian Academy of Sciences, Moscow

 

Article title:

ASSESSING FINAL QUALIFICATION PAPERS CREATED WITH AI: SYSTEMATIC REVIEW AND METHODOLOGICAL GUIDELINES FOR HIGHER EDUCATION

Pages:

156–163

Abstract:

The widespread use of generative neural networks has put the higher education sector in the position of updating approaches to the assessment of final qualifying works (FQW). The article examines the problem of assessing student works, partially performed with the help of AI, from the perspective of ensuring academic integrity and quality of education. By analyzing current (2023–2025) practices and recommendations of universities in Russia and around the world, the author has established that traditional criteria and inspection procedures require revision: the focus shifts from assessing only the text of the work to assessing the student’s competencies, including the ability to responsibly use artificial intelligence tools.

The paper formulates a typology of approaches to the assessment of final qualification works in the era of artificial intelligence (prohibitive, restrictive with disclosure, and integration) and shows their features, advantages, and risks. The paper offers practical recommendations for universities on adapting criteria, ensuring transparency, and maintaining the fairness of certification with the active use of neural networks.

The purpose of the paper is to specify the criteria for assessing final qualification works that are created using neural networks. The object of the study is final qualification works, and the subject is the development of criteria for their assessment.

Keywords:

artificial intelligence, generative neural networks, thesis, assessment, academic integrity, evaluation criteria, digital literacy.

Читать статью:

PDF
XML

Страница журнала
в eLibrary:

logoelib
Прокрутить вверх