УДК 378.14

Таджибаев Р.Р.¹ (Казань, Россия) — divinerustam@gmail.com; Космодемьянская С.С.¹ (Казань, Россия) — svetlanakos@mail.ru; Яруллин И.Ф.¹ (Казань, Россия) — yarullin_ilnar@mail.ru

¹Казанский (Приволжский) федеральный университет

Аннотация. Современная образовательная система сталкивается с необходимостью оптимизации и объективизации процессов оценивания знаний обучающихся, особенно в предметных областях, требующих обработки специфического контента, таких как химия. Растущая нагрузка на преподавателей актуализирует поиск эффективных инструментов автоматизации. Стремительное развитие искусственного интеллекта (ИИ), нейронных сетей и больших языковых моделей открывает значительные перспективы для решения этой задачи. В данной статье анализируется потенциал применения нейронных сетей для автоматизированного оценивания контрольных работ обучающихся по химии. Предлагается общая методика такого оценивания, включающая ключевой этап оцифровки рукописных ответов. Представлены результаты эксперимента по использованию больших языковых моделей (далее БЯМ) ChatGPT для оцифровки реальных рукописных контрольных работ по химии, продемонстрировавшего высокую точность распознавания специфического химического контента (формул, уравнений, расчетов). Успех данного этапа снимает один из основных технических барьеров на пути к полной автоматизации. Обсуждаются преимущества внедрения ИИ-систем (скорость, масштабируемость, потенциальная объективность), а также значительные проблемы и ограничения (точность анализа сложных случаев, потребность в данных, интерпретируемость, оценка творческих ответов, предвзятость). Особо подчеркнута критическая роль точной оцифровки рукописных ответов, содержащих сложную химическую нотацию. Особое внимание уделено этическим аспектам, включая конфиденциальность данных, прозрачность, справедливость оценки, академическую добропорядочность и сохранение роли преподавателя. В заключении резюмируются основные выводы и определяются ключевые направления дальнейших исследований для создания полноценных и этически ответственных систем автоматизированного оценивания по химии.

Ключевые слова: химия, методика преподавания, искусственный интеллект, нейронные сети, большие языковые модели, ChatGPT, образовательное оценивание.

Список источников:

1. Зуфарова А.С. Интеграция искусственного интеллекта в современное образование: преимущества и вызовы // ЦИТИСЭ. 2025. № 1. С. 652-659. URL: https://elibrary.ru/vmftaa
2. Субботина М.В. Искусственный интеллект и высшее образование – враги или союзники // Вестник Российского университета дружбы народов. Серия: Социология. 2024. Т. 24, № 1. С. 176-183. URL: https://www.elibrary.ru/xuuytg
3. Yamtinah S., Wiyarsi A., Widarti H.R. Fine-tuning AI models for enhanced consistency and precision in chemistry educational assessments // Computers and Education: Artificial Intelligence. 2025. Vol.  8, 100399. DOI: 10.1016/j.caeai.2025.100399
4. Calatayud V.G., Espinosa M.P.P., Vila R.R. «Artificial intelligence for student assessment: A systematic review» // Applied Sciences. 2021. Vol. 11(12), 5467. DOI: 10.3390/app11125467
5. Reddy M.R., Walter N.G., Sevryugina Y.V. Implementation and Evaluation of a ChatGPT-Assisted Special Topics Writing Assignment in Biochemistry // Journal of Chemical Education. 2024. Vol. 101, Issue 7. P.  2740–2748. DOI: 10.1021/acs.jchemed.4c00226
6. Du Y., Duan C., Bran A.M. [et al.] Large Language Models are Catalyzing Chemistry Education // ChemRxiv. 2024. DOI: 10.26434/chemrxiv-2024-h722v
7. Hassija V., Chamola V., Mahapatra A. [et al.] «Interpreting Black-Box Models: A Review on Explainable Artificial Intelligence» // Cognitive Computation. 2024. Vol.  16. P. 45–74. DOI: 10.1007/s12559-023-10179-8
8. Zhang K., Chai C.S., Wang Z. [et al.] The application of AI technologies in STEM education: a systematic review from 2011 to 2021 // STEM Education Review. 2022. Vol. 59. DOI: 10.1186/s40594-022-00377-5
9. Ruff E.F., Zemke J. M.O. Discussing the Ethics of Professional AI Use in Undergraduate Chemistry Courses // Journal of Chemical Education. 2024. Vol. 102, Issue 4. DOI: 10.1021/acs.jchemed.4c01038
10. Blonder R., Feldman-Maggor Y. AI for chemistry teaching: responsible AI and ethical considerations // Chemistry Teacher International. 2024. Vol. 6, Issue 4. DOI: 10.1515/cti-2024-0014
11. Yuriev E., Wink D.J., Holme T.A. The Dawn of Generative Artificial Intelligence in Chemistry Education // Journal of Chemical Education. 2024. Vol. 101, Issue 8, P. 2957–2959. DOI: 10.1021/acs.jchemed.4c00836
12. Соснин С., Гаранин А., Куракин М. Deep learning Transformer model for recognition of chemical formulas in scientific articles // Chemistry-Methods. 2022. Vol. 3, Issue 2 e202200042.
13. Таджибаев Р.Р., Космодемьянская С.С. Анализ применения нейронных сетей в химическом образовании // Управление развитием функциональной грамотности. Cборник научных трудов Всероссийской научно-практической конференции с международным участием. – Казань: Издательство Казанского университета, 2024. – 366 с. URL: https://elibrary.ru/vctdmg
14. Таджибаев Р.Р., Космодемьянская С.С. Инклюзивное образование в эпоху цифровизации: роль нейросетей в развитии химического образования // Преемственная система инклюзивного образования: современное состояние и перспективы развития: материалы XIII Международной научно-практической конференции. — Казань: Познание, 2024. — 428 с.URL: https://elibrary.ru/bqcymh
15. Гильмутдинова Э.Д., Насибуллов Р.Р., Яруллин И.Ф. Использование интернетмемов как инструмента образовательного процесса: воспитательный потенциал // Вестник педагогических наук. 2025. № 1. С. 58-65. DOI: 10.62257/2687-1661-2025-1-58-65

Библиографическая ссылка: Таджибаев Р.Р., Космодемьянская С.С., Яруллин И.Ф. Анализ автоматизированного оценивания с использованием нейронных сетей по химии на примереChatGPT // ЦИТИСЭ. 2025. № 2. С. 818-828.