УДК 378.147:004.8

Бочарова Т.А.¹ (Хабаровск, Россия) — kitaal@yandex.ru; Бочаров А.В.² (Санкт-Петербург, Россия) — artm.bocharov.06@mail.ru; Довгаль И.Д.¹ (Хабаровск, Россия) — 2024102082@togudv.ru

¹Тихоокеанский государственный университет

²Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина)

Аннотация. Важным фактором успешности обучения, определяемым внешними и внутренними стимулами, является учебная мотивация. Комплексное изучение механизмов формирования устойчивого интереса к обучению, вовлеченности, стремления к саморазвитию в образовательном процессе представляется очень актуальным в условиях трансформации и цифровизации. Современные образовательные стратегии требуют интеграции инновационных инструментов для повышения эффективности учебного процесса. Особое место среди прочих занимает генеративный искусственный интеллект, представляющий собой качественно новую уникальную технологию, отличительной особенностью которой является способность к созданию нового контента. В образовательном процессе генеративный ИИ имеет широкие возможности: от создания персонализированных учебных материалов, адаптированных под уровень знаний и стиль обучения студентов, поддержки исследовательской деятельности через анализ больших данных, до развития языковых навыков и повышения мотивации обучающихся за счет интерактивности, геймификации и адаптивности обучения. Статья посвящена изучению вопросов, связанных с влиянием технологий генеративного искусственного интеллекта на стимулирование познавательной активности, а также формирование и развитие учебной мотивации студентов. Исследование включает классификацию систем генеративного ИИ по типу генерируемого контента (текстовые, визуальные и мультимедийные системы), по архитектурным особенностям (глубокие генеративные модели (GAN, VAE, трансформеры, диффузионные модели) и гибридные системы), а также описание их преимуществ: доступность, универсальность, адаптивность и способность стимулировать познавательную активность. На основе проведенного опроса среди студентов ТОГУ и СПбГЭТУ «ЛЭТИ» выявлены основные факторы, влияющие на мотивацию к учебе, за счет использования генеративного ИИ в обучении: автоматизация процессов, персонализация контента, ускорение разработки учебных материалов, улучшение пользовательского опыта, поддержка принятия решений. Среди ключевых преимуществ применения технологии отмечены экономия времени, круглосуточная консультационная поддержка, персонализация обучения, снижение стресса и развитие новых навыков. Отмечена роль генеративного ИИ в формировании профессиональных компетенций и внутренней мотивации студентов.

Ключевые слова: генеративный искусственный интеллект, глубокие генеративные модели, гибридные системы, учебная мотивация, образовательный процесс.

Список источников:

1. Кириллова Я.В. Особенности учебной мотивации студентов в образовательном процессе вуза // Оптимизация учебно-воспитательного процесса в образовательных организациях физической культуры: материалы XXXIV национальной научно-методической конференции с международным участием. — Челябинск: Уральский государственный университет физической культуры, 2024. — С. 35–38. URL: https://elibrary.ru/iwbbtj.
2. Ляшенко М.В. Мотивация учебной деятельности: основные понятия и проблемы // Вестник Южно-Уральского государственного университета. Серия: Образование. Педагогические науки. 2019. Т. 11, № 1. С. 53–73. DOI: 10.14529/ped190107
3. Мишенева Ю.И. Влияние основных факторов на мотивацию студентов в образовательной среде // Успехи современной науки. 2017. Т. 1, № 4. С. 131–133. URL: https://elibrary.ru/yroldp.
4. Овчаренко М.С. Анализ возможностей применения генеративного искусственного интеллекта в высшем образовании // Флагман науки. 2025. № 2(25). С. 126–131. URL: https://elibrary.ru/svmbem.
5. Черных С.И. Применение генеративного искусственного интеллекта в образовательных практиках как риск и как перспектива // Профессиональное образование в современном мире. 2024. Т. 14, № 4. С. 575–577. DOI: 10.20913/2618-7515-2024-4-2
6. Ваганова О.И., Воронина И.Р., Абрамова Н.С. Интеграция современных педагогических и информационно-коммуникационных технологий в вузе // Балтийский гуманитарный журнал. 2020. Т. 9, № 2(31). С. 233–236. DOI: 10.26140/bgz3-2020-0902-0058
7. Понкин И.В. Применение генеративного искусственного интеллекта в научных исследованиях и в прикладной аналитике в обеспечение государственного управления: позитивные возможности и «подводные камни» // International Journal of Open Information Technologies. 2025. Т. 13, № 1. С. 100–113. URL: https://elibrary.ru/tnbhyk.
8. Пономаренко А.С. Внедрение генеративного искусственного интеллекта в бизнес-среду: сложности, тенденции и перспективы // Экономический вестник Донбасского государственного технического университета. 2024. № 19. С. 64–72. URL: https://elibrary.ru/vkgseg
9. Малышев И.О. Обзор современных генеративных нейросетей: отечественная и зарубежная практика // Международный журнал гуманитарных и естественных наук. 2024. № 1-2(88). С. 168–171. DOI: 10.24412/2500-1000-2024-1-2-168-171
10. Намиот Д.Е., Ильюшин Е.А. Порождающие модели в машинном обучении // International Journal of Open Information Technologies. 2022. Т. 10, № 7. С. 101–118. URL: https://elibrary.ru/wrikrg
11. Илюшин Л.С., Торпашева Н.А. Технологии искусственного интеллекта как ресурс трансформации образовательных практик // Ярославский педагогический вестник. 2024. № 3(138). С. 62–71. URL: https://elibrary.ru/adwmmg
12. Барщевский Е.Г. Генеративно-состязательные нейронные сети // East European Scientific Journal. 2024. № 1(98). С. 4–5.
13. Катаев А.В., Власова Ю.М., Ким В.А. [и др.] Сравнительный анализ современных методов генерации изображений: VAE, GAN и диффузионные модели // Инженерный вестник Дона. 2025. № 5(125).
14. Попов Т.С. Трансформерные модели в монетизационных стратегиях // Современные инновации. 2025. № 1(47). С. 11–15. URL: https://elibrary.ru/bkbrbn
15. Кумратова А.М., Борлакова М.А., Сайкинов В.Е. [и др.] Использование диффузионных моделей для разработки приложений, генерирующих изображения на основе текстовых запросов // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. 2022. № 4(311). С. 66–70. DOI: 10.53598/2410-3225-2022-4-311-66-70
16. Душкин Р.В. Почему за гибридными ИИ-системами будущее // Экономические стратегии. 2018. Т. 20, № 6(156). С. 84–93. URL: https://elibrary.ru/yphbjb.
17. Руденко Е.С., Турянская С.А. Генеративный искусственный интеллект для преподавателя: стратегии, инструменты, этика // Педагогическая перспектива. 2025. № 3(19). С. 20–32. DOI: 10.55523/27822559_2025_3(19)_20
18. Жуков А.Д. Генеративный искусственный интеллект в образовательном процессе: вызовы и перспективы // Вестник Московского государственного служащего университета культуры и искусств. 2023. № 5(115). С. 66–75. DOI: 10.24412/1997-0803-2023-5115-66-75

Библиографическая ссылка: Бочарова Т.А., Бочаров А.В., Довгаль И. Д. Влияние генеративного искусственного интеллекта на мотивацию студентов в образовательном процессе // ЦИТИСЭ. 2025. № 3. С. 68-80.