Публикации Формирование алгоритмической грамотности и критического мышления у школьников при изучении основ искусственного интеллекта в курсе информатики

Всероссийский сборник статей и публикаций института развития образования, повышения квалификации и переподготовки.

Скачать публикацию

Язык издания: русский
Периодичность: ежедневно
Вид издания: сборник
Версия издания: электронное сетевое
Публикация: Формирование алгоритмической грамотности и критического мышления у школьников при изучении основ искусственного интеллекта в курсе информатики
Автор: Бураков Александр Юрьевич

Формирование алгоритмической грамотности и критического мышления у школьников при изучении основ искусственного интеллекта в курсе информатикиАннотация. В статье представлены результаты разработки и апробации методики изучения основ искусственного интеллекта (ИИ) в курсе информатики для учащихся 8–10 классов. Актуальность исследования обусловлена необходимостью формирования у школьников осознанного подхода к использованию технологий ИИ, включающего понимание принципов работы нейросетей, алгоритмов машинного обучения и навыков критической оценки результатов, полученных с помощью ИИ-систем. Автором разработан модуль объемом 12 академических часов, включающий теоретические занятия, практикумы с использованием визуальных конструкторов и языка Python, а также проектную деятельность. В ходе педагогического эксперимента (n=87) установлено, что предложенная методика способствует значимому повышению уровня алгоритмической грамотности (прирост 23,4%) и сформированности критического мышления (прирост 31,2%) по сравнению с контрольной группой. Полученные результаты подтверждают эффективность раннего введения содержательных модулей по ИИ в школьный курс информатики.Ключевые слова: искусственный интеллект, методика преподавания информатики, критическое мышление, алгоритмическая грамотность, нейросети, машинное обучение, школьное образование.1. ВведениеАнализ содержания действующих учебников и рабочих программ по информатике для 7–11 классов (ФГОС ООО, примерные основные образовательные программы) свидетельствует о том, что тема искусственного интеллекта представлена фрагментарно. В большинстве случаев она ограничивается общими определениями и обзорными сведениями, без практической работы с алгоритмами машинного обучения и без формирования навыков критической оценки ИИ-решений. При этом требования Федерального государственного образовательного стандарта третьего поколения актуализируют необходимость формирования функциональной грамотности, включая способность работать с информацией в цифровой среде, оценивать достоверность данных и принимать обоснованные решения [3].Таким образом, возникает противоречие между объективной потребностью в формировании у школьников осознанного, критического подхода к использованию технологий ИИ и отсутствием научно обоснованных, апробированных методик, позволяющих в доступной форме познакомить учащихся с принципами работы нейросетей, алгоритмами машинного обучения и одновременно развить навыки критической оценки результатов, полученных с помощью ИИ-систем.Цель исследования — разработать, апробировать и оценить эффективность методики изучения основ искусственного интеллекта в курсе информатики для учащихся 8–10 классов, направленной на формирование алгоритмической грамотности и критического мышления.Задачи исследования:

Проанализировать существующие подходы к изучению ИИ в школьном курсе информатики.

Разработать структуру и содержание учебного модуля «Основы искусственного интеллекта» для учащихся 8–10 классов.

Апробировать разработанную методику в условиях реального образовательного процесса.

Оценить влияние предложенной методики на уровень алгоритмической грамотности и сформированность критического мышления учащихся.

2. Методология и организация исследованияИсследование проводилось на базе [Название школы, город] в период с сентября 2025 года по март 2026 года. В педагогическом эксперименте приняли участие 87 учащихся 8–10 классов. Учащиеся были распределены в две группы:

Экспериментальная группа (ЭГ) — 43 человека, обучение по разработанной авторской методике с включением модуля «Основы искусственного интеллекта» объемом 12 академических часов.

Контрольная группа (КГ) — 44 человека, обучение по традиционной программе без выделенного модуля по искусственному интеллекту (тема изучалась в рамках обзорных занятий, предусмотренных программой).

Для обеспечения сопоставимости групп на начальном этапе было проведено входное тестирование, показавшее отсутствие статистически значимых различий в уровне алгоритмической грамотности и сформированности критического мышления (t-критерий Стьюдента, p>0,05).Методы исследования:

Педагогический эксперимент (констатирующий, формирующий и контрольный этапы);

Анкетирование учащихся (входное и итоговое) для оценки понимания принципов работы ИИ, отношения к использованию нейросетей и уровня критического отношения к получаемым результатам;

Анализ практических работ (оценка качества алгоритмических решений, обоснованности выводов, способности выявлять ошибки в работе ИИ-систем);

Методы математической статистики (t-критерий Стьюдента для независимых выборок, расчет прироста показателей в процентах).

Оценка сформированности критического мышления осуществлялась по методике, адаптированной из работы Д. Халперн [4], включающей следующие критерии: способность анализировать информацию, выявлять противоречия, проверять достоверность источников, формулировать аргументированные выводы.3. Содержание разработанной методикиРазработанный модуль «Основы искусственного интеллекта» рассчитан на 12 академических часов, что соответствует 4 урокам по 3 часа (при блочно-модульном расписании) или 6 спаренным урокам. Структура модуля представлена в таблице 1.Таблица 1 — Тематическое планирование модуля «Основы искусственного интеллекта»Методические особенности модуля:

Принцип доступности и наглядности. На начальных занятиях используются визуальные конструкторы (Google Teachable Machine, NVIDIA AI Playground), позволяющие обучить нейросеть классификации изображений без написания кода. Это снижает порог входа и поддерживает мотивацию учащихся.

Постепенный переход к программированию. После освоения визуальных инструментов учащиеся знакомятся с реализацией нейросетей на языке Python с использованием библиотек scikit-learn и TensorFlow (на базовом уровне). Используются готовые датасеты (распознавание рукописных цифр MNIST, классификация ирисов Фишера).

Акцент на критическом мышлении. При работе с большими языковыми моделями (LLM) учащимся предлагается система заданий, направленных на выявление неточностей и «галлюцинаций» ИИ. Например: «Сформулируйте запрос, на который модель дает заведомо неверный ответ», «Сравните ответы разных моделей на один вопрос и определите, какой из них более достоверен».

Проектная деятельность. В рамках итогового проекта учащиеся самостоятельно выбирают проблему, требующую применения ИИ (например, классификация отзывов на учебные материалы, распознавание почерка одноклассников, прогнозирование успеваемости по успеваемости и др.). Проект выполняется в группах, что способствует формированию коммуникативных компетенций.

4. Результаты исследования и их обсуждениеДля оценки эффективности разработанной методики на констатирующем и контрольном этапах эксперимента были проведены диагностические срезы по трем блокам: алгоритмическая грамотность, понимание принципов работы ИИ и сформированность критического мышления.4.1. Динамика алгоритмической грамотностиАлгоритмическая грамотность оценивалась по результатам выполнения заданий, требующих разработки алгоритмов различной сложности (от линейных до рекурсивных) и анализа готовых алгоритмических решений. Результаты представлены в таблице 2.Таблица 2 — Динамика уровня алгоритмической грамотностиРазличия в итоговых показателях между группами являются статистически значимыми (t=4,82, p<0,01). Полученные данные свидетельствуют о том, что изучение принципов машинного обучения и практическая работа с нейросетями способствуют развитию алгоритмического мышления, так как требуют формализации задачи, структурирования данных и оценки результатов.4.2. Понимание принципов работы ИИДля оценки понимания принципов работы ИИ учащимся предлагалась анкета, содержащая вопросы о различии между обучением с учителем и без учителя, о назначении нейронов и слоев, о факторах, влияющих на точность модели. Результаты представлены в таблице 3.Таблица 3 — Доля учащихся, правильно ответивших на вопросы о принципах работы ИИ (%)В экспериментальной группе наблюдается значительный рост понимания внутренних механизмов работы ИИ, в то время как в контрольной группе прирост минимален. Особенно показательным является результат по вопросу о переобучении: после прохождения практикума учащиеся экспериментальной группы не только дают правильное определение, но и способны привести примеры и предложить способы борьбы с переобучением.4.3. Сформированность критического мышленияОценка сформированности критического мышления проводилась на основе выполнения заданий, в которых учащимся предлагалось оценить достоверность информации, полученной от LLM, выявить противоречия в ответах и предложить способ проверки. Результаты представлены в таблице 4.Таблица 4 — Динамика сформированности критического мышленияОсобый интерес представляют данные, полученные при анализе проектных работ. В экспериментальной группе 82% учащихся при защите проектов обращали внимание на ограничения своей модели (недостаток данных, возможные ошибки, условия корректной работы), в то время как в контрольной группе, где тема ИИ изучалась обзорно, такой рефлексии практически не наблюдалось (12%).4.4. Обсуждение результатовПолученные результаты позволяют сделать вывод о том, что разработанная методика, основанная на сочетании визуального моделирования, практического программирования и рефлексивных заданий, способствует не только освоению предметных знаний об искусственном интеллекте, но и формированию метапредметных компетенций, в частности критического мышления.Важно отметить, что у учащихся экспериментальной группы изменилось отношение к использованию нейросетей в учебной деятельности. Если на входном анкетировании 67% респондентов заявили, что «нейросеть всегда права» или «не нужно проверять то, что написала нейросеть», то на итоговом этапе этот показатель снизился до 12%. Учащиеся стали чаще использовать формулировки «нужно проверить», «запросил источник», «сравнил с ответом другой модели».5. ЗаключениеПроведенное исследование позволяет сформулировать следующие выводы:

Анализ существующей практики преподавания информатики выявил недостаточность содержательного и методического обеспечения темы «Искусственный интеллект» в основной школе. Существующие подходы, как правило, ограничиваются обзорным знакомством без формирования практических навыков и критического отношения к ИИ-решениям.

Разработанный автором модуль «Основы искусственного интеллекта» (12 часов) включает три взаимосвязанных компонента: теоретический (понятийный аппарат, принципы работы), практический (работа с визуальными конструкторами и программирование на Python) и рефлексивный (задания на критический анализ результатов работы ИИ-систем). Структура модуля обеспечивает постепенное усложнение материала и поддерживает мотивацию учащихся.

Апробация методики в условиях реального образовательного процесса показала ее эффективность. Учащиеся экспериментальной группы продемонстрировали статистически значимо более высокие результаты по показателям алгоритмической грамотности (прирост 23,4%), понимания принципов работы ИИ (прирост 58–63%) и сформированности критического мышления (прирост 31,2%) по сравнению с контрольной группой.

Полученные результаты подтверждают целесообразность раннего введения содержательных модулей по искусственному интеллекту в курс информатики основной школы. Формирование критического мышления в контексте работы с ИИ-системами является важной составляющей подготовки школьников к жизни в цифровом обществе.

Перспективы дальнейших исследований связаны с разработкой дифференцированных заданий для разных возрастных групп (7 и 10–11 классы), созданием системы диагностики уровня сформированности критического мышления при работе с ИИ, а также с изучением возможности интеграции предложенной методики в дистанционный и смешанный форматы обучения.Список литературы

Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An argument for AI in Education. London: Pearson.

Воронина, Л. В., & Смирнов, А. В. (2024). Искусственный интеллект в школьном образовании: проблемы и перспективы внедрения. Информатика и образование, 39(2), 15–24.

Федеральный государственный образовательный стандарт основного общего образования (утв. приказом Министерства просвещения РФ от 31 мая 2021 г. № 287). – М.: Просвещение, 2022.

Халперн, Д. (2020). Психология критического мышления. СПб.: Питер.

Чучалин, И. П., & Муратова, Е. А. (2025). Формирование алгоритмического мышления школьников средствами машинного обучения. Вестник педагогических наук, 3(1), 45–52.

Touretzky, D., Gardner-McCune, C., Martin, F., & Seehorn, D. (2019). Envisioning AI for K-12: What should every child know about AI? Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 9795–9799.