В статье исследуются теоретические и практические аспекты применения чат-ботов в образовательной деятельности. Проведен обзор современных моделей и технологий разработки ботов (правило-ориентированные, на основе искусственного интеллекта и гибридные решения). На базе анкетирования 33 обучающихся выявлены предпочтения и ожидания студентов от учебных ботов. Автор описывает разработанный Telegram-бот для просмотра расписания, управления контактами старост и рассылки уведомлений, реализованный на Python с использованием библиотеки telebot и СУБД SQLite. Обсуждаются результаты тестирования прототипа и перспективы дальнейшего развития.

Ключевые слова: чат-бот, обучение, мессенджеры, искусственный интеллект, Telegram, прототип.

Современная цифровая среда диктует образовательным учреждениям необходимость внедрения интерактивных инструментов. Чат-боты, работающие в привычных мессенджерах, становятся мостом между студентом и преподавателем, снижая барьеры коммуникации и повышая оперативность обратной связи.

Метод моделирования играет ключевую роль в педагогических исследованиях, позволяя синтезировать эмпирические и теоретические компоненты. В контексте чат-ботов моделирование выражается в создании сценариев диалогов и алгоритмов адаптивного обучения. [2, с. 14]

Существует следующая классификация чат-ботов: разговорные (conversational) – имитируют свободный диалог, не имеют конкретной цели; ассистенты (assistant) – выполняют заранее определенный набор задач (заполнение форм, справка); Q&A-боты – отвечают на частозадаваемые вопросы по шаблону.

По внутренней логике различают: Rule-based – дерево решений, четко прописанные сценарии; AI-based – модели NLP/NLU, обученные на больших корпусах данных.

Гибридные – комбинируют правила и ИИ-модели для расширенной адаптивности. [1]

Следует отметить машинное обучение и NLP: Supervised learning – обучение на размеченных парах «вход–выход»; Unsupervised learning – поиск скрытых структур в неразмеченных данных; Reinforcement learning – метод проб и ошибок с системой наград.

Технологии NLP/NLU обеспечивают разбор пользовательских запросов, определение интентов и извлечение сущностей (slot-filling), что критично для гибкой обработки диалога.

В работе были использованы следующие технологии и методы разработки.

Язык и платформа: Python + библиотека pyTelegramBotAPI (telebot).

Архитектура:

 DialogManager – управляет состояниями диалога;

 NLU-модуль – распознает интенты (простые template-matching или интеграция с внешними NLP-сервисами);

 Бизнес-логика – скрипты для обработки команд и ввода данных;

 СУБД SQLite – хранение пользователей, расписания, контактов старост.

 Интерфейс: кнопочные меню, ввод текста, inline-кнопки. [4, с. 11]

Функциональные возможности бота:

 регистрация: выбор факультета, роли (студент, староста, руководство);

 просмотр расписания: автоматическая подстройка числитель/знаменатель; выбор дня недели и недели;

 контакты старосты: вывод номера телефона по группе;

 рассылка уведомлений: староста – группе, руководство – группе или всему университету;

 управление данными (для руководства): добавление/удаление группы, редактирование расписания и контактов.

В процессе работы было проведено пилотное тестирование среди студентов группы С135 ДВФ РГУП, в котором приняли участие 33 респондента (22 муж., 11 жен.; возраст 15–25 лет).

Рис.1. Результаты ключевых вопросов анкетирования

Рис.2. Результаты ключевых вопросов анкетирования

Рис.3. Результаты ключевых вопросов анкетирования

В результате проведенного анкетирования был сделан вывод о том, что подавляющее большинство студентов активно используют чат-боты и видят в них преимущества: удобство, скорость доступа, персонализацию. Но, кроме этого, сообщество ожидает более «умных» функций: интеграция с внешними источниками, возможность группового взаимодействия, механизмы адаптации под индивидуальные потребности.

Результаты и обсуждение:

 техническая устойчивость: бот без сбоев обслуживал до 50 запросов в день;

 удобство интерфейса: 90% участников отметили интуитивно понятное меню;

 практическая значимость: прототип уже применяется для оперативного оповещения о заменах в расписании и контактах;

 ограничения: отсутствие полноценного NLP-движка; ручное обновление базы данных руководством.

Таким образом, исследование подтвердило высокую востребованность чат-ботов в образовательном процессе. Реализованный прототип Telegram-бота продемонстрировал эффективность автоматизации организационных задач и положительно воспринят целевой аудиторией. [5]

Перспективы дальнейшего развития включают в себя интеграцию полноценного NLU-модуля на базе open-source решений, расширение функционала напоминаний и консультаций по учебным материалам, а также внедрение системы аналитики для мониторинга активности и корректировки учебных траекторий.

Литература:

1. Волков С.В. Практика использования ботов в учреждениях г. Москвы // Информационные системы в образовании. – 2022. – № 4. – С. 77–84.
2. Глотова М.Ю. Социально-конструктивистское взаимодействие через чат-боты // Педагогика XXI века. – 2019. – № 3. – С. 45–50.
3. Гришин Р.В. Интеграция цифровых ассистентов в образовательную среду // Молодой учёный. – 2020. – № 10. – С. 12–18.
4. Локтева А.С. Чат-боты и их функции в образовании // Вестник цифровой педагогики. – 2020. –№ 2.– С. 23–29.
5. Фирсова Е.А. Перспективы внедрения чат-ботов в вузах // Образовательные технологии. – 2021. – № 1. – С. 10–16.