ИИ-ОРИЕНТИРОВАННАЯ ТЕХНОЛОГИЯ СТАТИЧЕСКОГО АНАЛИЗА КОДА НА ВЫСОКОУРОВНЕВЫХ ЯЗЫКАХ В СИСТЕМЕ ОБУЧЕНИЯ ПРОГРАММИРОВАНИЮ СТУДЕНТОВ УРОВНЯ СПО

Цифровая трансформация системы профессионального образования требует внедрения интеллектуальных технологий, способных адаптировать образовательный процесс под индивидуальные потребности обучающихся. Особую актуальность эта задача приобретает в системе среднего профессионального образования, где приоритетом является формирование практических навыков в сжатые сроки

Обучение навыкам алгоритмизации и программирования традиционно сопряжено с рядом методических проблем:

- высокая вариативность решений одной задачи;

- необходимость оперативной обратной связи;

- дефицит преподавательских ресурсов для индивидуальной работы;

- разнородный уровень предварительной подготовки студентов

- сложность автоматизированной оценки качества кода

Целью исследования является разработка ИИ-ориентированной технологии статического анализа кода на высокоуровневых языках программирования в системе обучения студентов уровня СПО на основе онтологического моделирования.

Современные технологии искусственного интеллекта (ИИ), в частности большие языковые модели (LLM) и методы машинного обучения, открывают новые возможности для автоматизации образовательных процессов

Разработанная в ходе исследования ИИ-ориентированная технология реализует многоуровневую систему анализа кода, включающую:

1. Синтаксический и семантический анализ (Рисунок 1).

Функции синтаксического и семантического анализа

DOI:10.60797/IRJ.2026.166.5.1

2. Уровень 2 — статический анализ стиля:

2.1 Проверка отступов (кратны 4 пробелам).

2.2 Контроль длины строки (менее 120 символов).

2.3 Проверка именования переменных (snake_case).

2.4 Анализ наличия документирования.

3. Уровень 3 — классификация ошибок.

4. Уровень 4 — генерация персонализированной обратной связи (Рисунок 2).

Графовая визуализация онтологической модели системы

DOI:10.60797/IRJ.2026.166.5.2

На рисунке 3 представлены основные классы разработанной онтологии:

- Student (Студент) — центральная сущность обучающегося;

- Task (Задание) — практическое задание;

- Module (Модуль) — учебный модуль;

- Competence (Компетенция) — профессиональная компетенция;

- Teacher (Преподаватель);

- Discipline (Дисциплина);

- CodeCell (Кодовая ячейка);

- ColabNotebook (Ноутбук Colab);

- AIAssistant (ИИ-ассистент);

- Attempt (Попытка выполнения);

- Feedback (Обратная связь).

Разработанная в ходе исследования онтологическая модель базируется на использовании объектно-ориентированного подхода и включает четыре основных слоя:

Слой 1. Субъекты образовательного процесса:

- «студент»: идентификатор, уровень подготовки, стиль обучения, сформированные компетенции;

- «преподаватель»: идентификатор, дисциплина, настройки ИИ-ассистента;

- «ИИ-ассистент»: модель, роль (генератор/проверяющий/ тьютор).

Слой 2. Образовательный контент:

- «Дисциплина»: название, учебный план;

- «Модуль»: тематический блок курса;

- «Практическое_задание»: описание, сложность, эталонное решение, критерии успеха.

Слой 3. Среда выполнения:

- «Colab_notebook»: URL, версия рантайма, библиотеки;

- «кодовая_ячейка»: тип, код студента, вывод исполнения;

- «ошибка_выполнения»: тип (синтаксическая, логическая, рантайм).

Слой 4. Оценка и компетенции:

- «компетенция»: название, описание, уровень сформированности (0–100%);

- «попытка_решения»: код, результат, оценка ИИ, время, количество запусков;

- «обратная_связь»: комментарий, оценка, рекомендации, найденные ошибки.

Модуль статического анализа кода представляет собой инструмент, предназначенный для автоматического выявления потенциальных ошибок и улучшения качества исходного кода без его непосредственного запуска. Данный модуль интегрируется в общую инфраструктуру интеллектуальной образовательной системы и позволяет оперативно выявлять синтаксические, семантические и стилистические недостатки в написанном студентами коде.

Разработка алгоритма классификации ошибок была направлена на повышение точности диагностики возникающих проблем в процессе написания кода учащимися (Таблица 1). Предлагаемый алгоритм основан на сочетании подходов машинного обучения и методов обработки естественного языка, что позволило создать гибкую и эффективную систему распознавания типов ошибок

На рисунке 4 представлена UML-диаграмма вариантов использования системы ИИ для обучения навыкам алгоритмизации и программирования, включающая:

1. Акторы системы (прямоугольники):

- Teacher (Преподаватель) — создаёт и настраивает систему;

- Student (Студент) — основной пользователь, обучающийся;

- AI Assistant (ИИ-ассистент) — интеллектуальный помощник.

2. Варианты использования (овалы):

2.1 Функции преподавателя:

- Create Task — создание учебных заданий;

- Configure AI — настройка ИИ-ассистента;

- Evaluate Competences — оценка сформированности компетенций.

2.2 Функции студента:

- Track Progress — отслеживание прогресса обучения;

- Execute Task — выполнение практических заданий;

- Fix Errors — исправление ошибок в коде;

- Get Feedback — получение обратной связи;

- Get Hint — получение подсказок;

- Work in Colab — работа в среде Google Colab;

- Run Code — запуск и выполнение кода.

2.3 Функции ИИ-ассистента:

- Get Feedback — формирование обратной связи;

- Analyze Code — анализ кода студента;

- Generate Recommendations — генерация рекомендаций;

- Get Hint — предоставление подсказок.

Диаграмма вариантов использования ИИ-системы

DOI:10.60797/IRJ.2026.166.5.4

Диаграмма классов разработанной системы представлена на рисунке 5.

Диаграмма классов разработанной системы

DOI:10.60797/IRJ.2026.166.5.5

Диаграмма классов реализованной системы, демонстрирует целостную архитектуру системы, где образовательный процесс (студент, задания, компетенции) тесно интегрирован с технической платформой (Colaboratory) и поддерживается интеллектуальным ядром (ИИ-ассистент), обеспечивающим автоматическую проверку кода и механизмы обратной связи с преподавателем.

Организация эксперимента включала формирование выборки из 72 студентов уровня СПО (3 группы по 24 человека), обучающихся по специальности 09.02.07 «Информационные системы и программирование» (Таблица 2).

Метрики оценки знаний включали уровень сформированности компетенций (тестирование), количество успешных решений задач; время выполнения заданий и обратной связи, удовлетворённость студентов (опрос).

Анализ полученных в ходе эксперимента данных показал (Таблица 3):

- средний прирост в экспериментальных группах: +13,7–17,7%;

- наибольший эффект наблюдается в компетенции «Работа с данными» (+20% для экспериментальной группы 1);

- наименьший эффект — в «Отладке кода» (+13% для экспериментальной группы 1), что указывает на сложность формирования этого навыка.

Использование онтологической модели обеспечило:

- структурированность данных — все образовательные сущности связаны семантическими отношениями, что позволяет строить сложные запросы и аналитику.

- масштабируемость — новые компетенции, задания и студенты добавляются без изменения архитектуры системы.

- интероперабельность — онтология совместима со стандартами образовательных данных (SCORM, xAPI, LTI).

- прозрачность принятия решений ИИ — каждая рекомендация может быть прослежена до конкретных правил онтологии.

Результаты экспериментального тестирования разработанной системы

DOI:10.60797/IRJ.2026.166.5.8

Представленные на рисунке 6 результаты экспериментального тестирования на трех сформированных группах обучающихся демонстрирует результаты выборки данных из онтологии, показывая:

- структурированное хранение данных о студентах;

- компетенции, которые формируются в процессе обучения;

- учебные задания с градацией сложности.

Сравнительный анализ уровня формирования профессиональных компетенций показал, что обе экспериментальные группы превзошли контрольную на 13–20% (Рисунок 7).

Уровень формирования компетенций контрольной и экспериментальной групп

DOI:10.60797/IRJ.2026.166.5.9

Полученные результаты подтверждают гипотезу исследования о повышении эффективности формирования профессиональных компетенций в сфере обучения программированию на высокоуровневых языках при внедрении ИИ-ориентированной технологии статического анализа кода. Наибольшую эффективность демонстрирует гибридная модель (ИИ в сочетании с преподавателем), обеспечивающая прирост на 17,7% при одновременном повышении стабильности результатов обучения (Рисунок 8).

Средние показатели уровня формирования компетенций по экспериментальным группам

DOI:10.60797/IRJ.2026.166.5.10

Представленные результаты подтверждает работоспособность онтологической модели и системы запросов к ней.

В ходе исследования разработана и апробирована онтологическая модель системы обучения программированию студентов уровня СПО с использованием ИИ-ассистента в среде Colaboratory, в частности:

- спроектирована четырёхслойная онтология, включающая 12 основных классов и 25 семантических связей.

- реализован ИИ-ассистент с функциями статического анализа кода, классификации ошибок и персонализированной генерации подсказок.

- экспериментально доказано повышение эффективности формирования профессиональных компетенций на 23–35% при использовании ИИ-ассистента.

Внедрение разработанных технологий в практику обучения студентов уровня СПО навыкам алгоритмизации и программирования способствует повышению качества подготовки IT-специалистов и оптимизации нагрузки преподавательского состава. Направления дальнейшего развития ИИ-ориентированных систем для решения проблем обучения навыкам программирования связаны с:

- интеграцией с мультимодальными ИИ-моделями для анализа блок-схем и псевдокода;

- внедрением адаптивной системы сложности заданий на основе динамики прогресса;

- расширением онтологии для поддержки дополнительных языков программирования;

- разработкой мобильной версии ИИ-ассистента для доступа к системе вне аудитории.