Исследователи представили метод автоматизированной генерации вопросов высокого порядка (High-Order Questioning) для образовательных целей с использованием больших языковых моделей. В отличие от простых проверочных заданий, такие вопросы стимулируют критическое мышление и глубокое понимание материала. Авторы работы демонстрируют, как LLM могут эффективно адаптировать учебный контент для многоязычных аудиторий, снижая нагрузку на преподавателей при составлении качественных проверочных материалов.
Традиционная образовательная практика часто ограничивается вопросами низкого порядка, которые требуют лишь воспроизведения заученных фактов. Использование ИИ позволяет автоматизировать создание заданий, требующих анализа, синтеза и оценки информации. Это особенно актуально для многоязычных сред, где создание качественного контента на разных языках требует значительных временных затрат и лингвистической экспертизы.
Методология исследования опирается на способность моделей к контекстуальному анализу учебных текстов. Система не просто перефразирует информацию, а выстраивает логические цепочки, заставляющие учащегося применять знания в новых ситуациях. Такой подход способствует переходу от пассивного запоминания к активному освоению материала, что является ключевым фактором в развитии навыков критического мышления у студентов.
Ключевые факты
- Исследование сфокусировано на автоматизации генерации вопросов, требующих навыков анализа и критического мышления.
- Метод адаптирован для работы в многоязычных образовательных контекстах, что расширяет доступность качественных учебных материалов.
- ИИ-модели показывают высокую эффективность в создании заданий, которые превосходят стандартные тесты на проверку памяти.
- Работа подчеркивает потенциал LLM как инструмента поддержки преподавателей в проектировании сложных учебных программ.