МЕТОДИЧНІ ОСНОВИ ПЕДАГОГІЧНОГО ПРОЕКТУВАННЯ КОМСДН І ВИКОРИСТАННЯ ТЕХНОЛОГІЇ ШТУЧНОГО ІНТЕЛЕКТУ В НАВЧАННІ МАТЕМАТИКИ: ТРАНСФОРМАЦІЯ НАВЧАЛЬНОГО ПРОЦЕСУ ЧЕРЕЗ ІННОВАЦІЙНІ ТЕХНОЛОГІЇ
DOI:
https://doi.org/10.32782/ped-uzhnu/2025-9-15Ключові слова:
дослідницьке навчання, штучний інтелект, машинне навчання, нейронні мережі. дидактика математики, інноваційні стратегії, варіативні моделі, КОМСДН, ШІАнотація
У дослідженні пропонуються розроблені методичні основи педагогічного проєктування КОМСДН із виваженим використанням технологій штучного інтелекту в процесі дослідницького навчання математики, трансформуючи навчальний процес через інноваційні технології у контексті вмотивованого використання педагогами. У рамках дослідження аналізується доцільність використання методів і алгоритмів ШІ, призначених для розв’язування дослідницьких задач. Пропонуються компоненти методичної системи навчання предметів математичного циклу КОМСДН, а також розглядаються ефективні методи та стратегії щодо ефективно застосувати ШІ для вирішення дослідницьких завдань. Розглядаються переваги та недоліки використання ШІ в процесі дослідницького навчання предметів математичного циклу та пропонується апробована авторська функціонально-структурна модель учбової діяльності в процесі дослідницького навчання математики з використанням КОМСДН ШІ. Одним із найефективніших підходів у галузі штучного інтелекту, який ґрунтується на використанні алгоритмів і моделей для навчання комп’ютера задля вирішення складних дослідницьких завдань (класифікації, прогнозування та оптимізації), розглядається машинне навчання. Завдяки такому підходу забезпечується можливість використання комп’ютерних систем самостійно «навчатися» на основі великих обсягів даних і досвіду, що робить його здатним до самополіпшення і постійного розвитку, виявляючи необхідні закономірності та шаблони в цих даних, умови для розширення і поглиблення змісту фундаментальної математичної освіти, а й сприяє інтенсифікації процесу навчання, його результативності, інтелектуальному розвитку учнів. Розглядається апробована авторська модель діяльності учіння із урахуванням операційних компонентів процесу учіння на стадії виникнення первинного уміння у процесі дослідницького навчання математики. Дослідницький підхід із виваженим використанням КОМСДН впливає на всі компоненти методичної системи навчання математики: цілі, зміст, форми, методи, засоби дослідницького навчання предметів математичного циклу.
Посилання
Гриб’юк О. О. Використання технологій штучного інтелекту вчителями математики в процесі дослідницького навчання для мотивації навчально-пізнавальної діяльності учнів: виклики, загрози та перспективи. Педагогічна інноватика: сучасність та перспективи. Одеса : Видавничий дім «Гельветика», 2024. Вип. 4. С. 116–126. DOI: https://doi.org/10.32782/ped-uzhnu/2024-4-18
Гриб’юк О. О. Дослідницьке навчання учнів предметів природничо-математичного циклу з використанням комп’ютерно орієнтованих методичних систем / О. О. Гриб’юк. Монографія. Київ: НПУ імені М. П. Драгоманова, 2019. 858 с.
Гриб’юк О. О. Педагогічне проектування варіативних моделей комп’ютерно орієнтованих методичних систем дослідницького навчання предметів природничо-математичного циклу з використанням технологій штучного інтелекту. Педагогіка формування творчої особистості у вищій і загальноосвітній школах : зб. наук. пр. / [редкол.: А. В. Сущенко (голов. ред.) та ін.]. Одеса : Видавничий дім «Гельветика», 2024. Вип. 92. С. 93–102. DOI: https://doi.org/10.32782/1992-5786.2024.92.15
Гриб’юк О. О. Форми і методи використання технологій штучного інтелекту для професійного розвитку педагогічних кадрів: дидактичні та психофізіологічні аспекти дослідницького навчання. Габітус : науковий журнал. Одеса : Видавничий дім «Гельветика», 2024. Вип. 60. С. 55–68. DOI: https://doi.org/10.32782/2663-5208.2024.60.9
Ben-David S., Hrubeš P., Moran S., Shpilka A., Yehudayoff A. Nature Machine Intelligence, 2019. Vol. 1. P. 44–48. DOI: https://doi.org/10.1038/d41586-019-00083-3 (date of access: 12.04.2025).
Castelvecchi D. Machine learning leads mathematicians to unsolvable problem. Nature, 2019. Vol. 565 (7739). P. 277. DOI: https://doi.org/10.1038/d41586-019-00083-3 (date of access: 25.03.2025).
ChatGPT Shared Links FAQ. Help Open A. I. URL: https://help.openai.com/en/articles/7925741-chatgptshared-links-faq/ (дата звернення: 17.03.2025).
Hrybiuk, O. CleverCOMSRL Intelligent Expert System Knowledge Representation Model Features and Inconsistency Resolution Capabilities. In: Machado, J., Trojanowska, J., Soares, F., Rea, P., Butdee, S., Gramescu, B. (eds) Innovations in Mechatronics Engineering I. V. icieng 2025. Lecture Notes in Mechanical Engineering. Springer, Cham, 2025. P. 57–68. DOI: https://doi.org/10.1007/978-3-031-94223-5_6 (date of access: 27.04.2025).
Hrybiuk O., Kant G. S. CleverCOMSRL: Implementation of an AI Computer-Aided Design System in the Context of the Cognitive Science Paradigm for the Research Training Process. Lecture Notes in Mechanical Engineering. Cham, 2024. P. 351–362. DOI: https://doi.org/10.1007/978-3-031-61575-7_32 (date of access: 17.05.2025).
Hrybiuk O. Improvement of the Educational Process by the Creation of Centers for Intellectual Development and Scientific and Technical Creativity. Lecture Notes in Mechanical Engineering. Cham, 2019. P. 370–382. DOI: https://doi.org/10.1007/978-3-030-18789-7_31 (date of access: 27.05.2025).
Software for Exascale Computing – SPPEXA 2016-2019 / ed. by H.-J. Bungartz et al. Cham: Springer International Publishing, 2020. URL: https://doi.org/10.1007/978-3-030-47956-5 (date of access: 17.04.2025).
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.





