Интеграция искусственного интеллекта в смешанное обучение: совершенствование билингвального образования в русско-татарском контексте

Статья посвящена исследованию интеграции технологий искусственного интеллекта в смешанное обучение для совершенствования билингвального образования в русско-татарском контексте. Актуальность исследования обусловлена необходимостью преодоления цифрового неравенства языков в образовательном пространстве поликультурных регионов России. В работе выявлены специфические вызовы, с которыми сталкиваются студенты при изучении технических дисциплин в условиях двуязычной образовательной среды, включая дисбаланс цифровых образовательных ресурсов, академическое неравенство и повышенную когнитивную нагрузку. На основе системного анализа и методов педагогического прогнозирования разработана комплексная модель использования ИИ-инструментов для создания адаптивной образовательной экосистемы. Основное внимание уделяется разработке методов адаптивного обучения, учитывающих индивидуальный языковой профиль каждого студента. Практическая значимость работы заключается в создании целостной системы, позволяющей преодолеть существующий разрыв между техническим прогрессом и реальными потребностями билингвального образования. Разработанная модель может быть адаптирована для других регионов России с аналогичными образовательными вызовами.

1. Staker H., Horn M. B. Classifying K-12 Blended Learning, 2012. Р. 1. URL: http://www.christenseninstitute.org/wp-content/uploads/2013/04/Classifying-K-12-blended-learning.pdf (дата обращения: 28.11.2025).

2. Sweller J. Cognitive load during problem solving: Effects on learning // Cognitive Science. 1988. Vol. 12. No. 2. P. 257–285. DOI: doi.org/10.1207/s15516709cog1202_4

3. Моисеева Н.А., Полякова Т.А. Технологии смешанного обучения в преподавании дисциплин информационно-математического цикла в техническом вузе // Научно-методический электронный журнал «Концепт». 2024. № 11. С. 130–149. URL: https://ekoncept.ru/2024/241182.htm (дата обращения: 28.11.2025).

4. Godwin-Jones R. Evolving technologies for language learning // Language Learning & Technology. 2021. Vol. 25. No. 3. P. 6–26. DOI: 10.64152/10125/73443

5. Cummins J. Rethinking the Education of Multilingual Learners: A Critical Analysis of Theoretical Concepts, Bristol, Blue Ridge Summit: Multilingual Matters, 2021. 464 p. DOI: doi.org/10.21832/9781800413597. URL: https://www.multilingual-matters.com/page/detail/?K=9781800413573 (дата обращения: 28.11.2025).

6. García O., Wei L. Translanguaging: Language, Bilingualism and Education. Palgrave Macmillan, 2014. 165 p. DOI: doi.org/10.1057/9781137385765

7. Yang T.-C., Hwang G.-J., & Yang, S. J.-H. Development of an adaptive learning system with multiple perspectives based on students' learning styles and cognitive styles. Educational Technology & Society. 2013. 16 (4). С. 185–200. URL: https://www.researchgate.net/publication/279764849_Development_of_an_Adaptive_Learning_System_with_Multiple_Perspectives_based_on_Students'_Learning_Styles_and_Cognitive_Styles (дата обращения: 28.11.2025).

8. Сулейманов Д. Ш., Гильмуллин Р. А., Гатиатуллин А. Р. Современные лингвистические ресурсы и IT-разработки для татарского языка: региональный опыт // Алтаистика. 2023. № 3 (10). С. 60–69, DOI: https://doi.org/10.25587/2782-6627-2023-3-60-69, https://www.altaisticsvfu.ru/jour/article/view/102/93

9. Блинов В. И., Есенина Е. Ю., Сергеев И. С. Модели смешанного обучения: организационнодидактическая типология // Высшее образование в России. 2021. Т. 30. № 5. С. 44–64. DOI: 10.31992/0869-3617-2021-30-5-44-64

10. Плетяго Т. Ю., Остапенко А. С., Антонова С. Н. Педагогические модели смешанного обучения в вузе: обобщение опыта российской и зарубежной практики // Образование и наука. 2019. Т. 21. № 5. С. 113–130. DOI: 10.17853/1994-5639-2019-5-113-130

11. Словарь терминов и понятий цифровой дидактики / Рос. гос. проф.-пед. ун-т; авт.-сост.: Н. В. Ломовцева, К. М. Заречнева, О. В. Ушакова, С. Ю. Ярина. Екатеринбург: РГППУ: Ажур, 2021. 84 с.

12. Bonk, CJ & Graham, CR 2006, The Handbook of Blended Learning: Global Perspectives, Local Designs, John Wiley, Sons Ltd, 624 p.

13. Салехова Л. Л., Данилов А. В., Зарипова Р. Р., Фазлиахметов Т. Р. Смешанное обучение: комплексный анализ теоретических подходов и эмпирических исследований на основе CABLS // Современные наукоемкие технологии. 2024. № 11. С. 231–236. DOI 10.17513/snt.40235

14. VanLehn K. The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems// Educational Psychologist. 2011. Vol. 46. No. 4. P. 197–221. DOI: doi.org/10.1080/00461520.2011.611369

15. Baker R. S., Inventado P. S. Educational Data Mining and Learning Analytics // In Learning Analytics: From Research to Practice. 2014. P. 61–75. DOI:10.1007/978-1-4614-3305-7_4. URL: https://www.researchgate.net/publication/278660799_Educational_Data_Mining_and_Learning_Analytics (дата обращения: 28.11.2025).

16. Yandex Translate API. Документация для разработчиков. URL: https://cloud.yandex.ru/docs/translate/ (дата обращения: 28.11.2025).

17. Yandex SpeechKit. Документация для разработчиков. URL: https://cloud.yandex.ru/docs/speechkit/ (дата обращения: 28.11.2025).

18. Wang Y., Han X., Yang J. Revisiting the Blended Learning Literature: Using a Complex Adaptive Systems Framework // Educational Technology & Society. 2015. Vol. 18, Is. 2. P. 380–393.