Теория и методика обучения и воспитания (по областям и уровням образования) | Мир педагогики и психологии №09 (122) Сентябрь 2026

Оценивание письменных работ учащихся по иностранному языку с использованием средств искусственного интеллекта

Дмитриев Дмитрий Вячеславович
к.п.н., доцент кафедры «Иностранные языки и методика преподавания иностранных языков», Пензенский государственный университет, РФ, г. Пенза, dmitriyev_d.v@mail.ru
Коломиец Анастасия Тимофеевна
студент 4 курса кафедры «Иностранные языки и методика преподавания иностранных языков», Пензенский государственный университет, РФ, г. Пенза, nestea05@list.ru
Никишкова Анастасия Петровна
студент 4 курса кафедры «Иностранные языки и методика преподавания иностранных языков», Пензенский государственный университет, РФ, г. Пенза, n3nastie7@yandex.ru

Аннотация: В статье рассматриваются теоретические и практические аспекты применения искусственного интеллекта (ИИ) для оценивания письменных работ учащихся по иностранному языку. Анализируются современные подходы к обучению письменной речи, определяются возможности и ограничения нейросетевых технологий в образовательном процессе. Описывается экспериментальное исследование с использованием генеративной модели DeepSeek, сопоставляются результаты оценивания письменных работ экспертом и нейросетью. Выявляются сильные стороны ИИ и его ограничения, формулируются методические принципы интеграции ИИ в процесс оценивания. Делается вывод о целесообразности использования ИИ в качестве вспомогательного инструмента, позволяющего оптимизировать труд учителя без потери качества оценивания.
Ключевые слова: оценивание, письменные работы, иностранный язык, искусственный интеллект, DeepSeek, цифровизация образования.

Dmitriev Dmitry Vyacheslavovich
Cand. Sci. (Pedagogy), assistant professor of the Department of foreign languages and methods of teaching foreign languages", Penza State University, Russia, Penza
Kolomiyets Anastasia Timofeevna
student of the Department of foreign languages and methods of teaching foreign languages", Penza State University, Russia, Penza
Nikishkova Anastasia Petrovna
student of the Department of foreign languages and methods of teaching foreign languages", Penza State University, Russia, Penza

Abstract: The article examines theoretical and practical aspects of using artificial intelligence (AI) for assessing students’ written assignments in a foreign language. Modern approaches to teaching writing are analyzed, and the capabilities and limitations of neural network technologies in the educational process are identified. This paper describes an experimental study using the DeepSeek generative model, compares the results of written assignments by an expert and a neural network. The strengths and limitations of AI are identified, and methodological principles for integrating AI into the evaluation process are formulated. The conclusion is made about the expediency of using AI as an auxiliary tool that allows to optimize teachers’ work without losing the quality of assessment.
Keywords: assessment, written assignments, foreign language, artificial intelligence, DeepSeek, digitalization of education.

Цифровая трансформация системы образования влечёт за собой пересмотр традиционных подходов к организации учебного процесса, включая процедуры контроля и оценивания учебных достижений обучающихся. Одним из наиболее перспективных направлений цифровизации является внедрение технологий искусственного интеллекта (ИИ) в практику преподавания иностранных языков. Особый интерес представляет автоматизация проверки письменных работ учащихся – трудоёмкого процесса, требующего значительных временных затрат со стороны педагога и при этом обладающего высокой степенью субъективности.

Внедрение ИИ-инструментов в процесс оценивания открывает новые возможности для повышения эффективности этой работы: сокращение времени проверки, увеличение частоты обратной связи, объективизация критериев оценивания, развитие автономии учащихся. Однако внедрение таких технологий сопряжено с рядом методологических и психолого-педагогических вопросов, требующих осмысления.

Цель данной статьи – проанализировать теоретические основы и практические результаты применения искусственного интеллекта для оценивания письменных работ учащихся по иностранному языку, выявить сильные и слабые стороны данного подхода и сформулировать методические принципы интеграции ИИ в процесс оценивания.

Современная методика преподавания иностранных языков располагает широким спектром подходов к обучению письменной речи. Продуктоориентированный подход строится на анализе и подражании образцам, целью является создание формально правильного текста. Процессуально-ориентированный подход рассматривает письмо как творческий процесс с акцентом на черновики, редактирование и обратную связь. Деятельностный (содержательно-смысловой) подход ставит во главу угла личностное творчество и мотивацию обучающегося [1, с. 275-276].

Значительный интерес представляет современно-риторический подход, который задаёт жёсткие жанровые рамки, и пост-процессуальный подход, синтезирующий предыдущие направления с учётом социального контекста.

Жанроориентированный подход фокусируется на освоении правил конкретного жанра через анализ аутентичных образцов.

Наиболее интегративным признаётся дискурсивный подход, объединяющий текстоцентрический, процессуальный и жанровый компоненты с акцентом на связность, адресованность и коммуникативную цель текста [6, с. 78].

Многообразие методологических подходов создаёт сложную картину для оценивания: в зависимости от того, какой подход лежит в основе обучения, меняются критерии и приоритеты оценки. Это обстоятельство необходимо учитывать, поскольку ИИ должен быть настроен на конкретные параметры, значимые в рамках избранной методической концепции.

В научной литературе под искусственным интеллектом в образовании понимается совокупность технологий, позволяющих компьютеру на основе анализа больших данных разрабатывать методики по индивидуальной траектории, имитировать речемыслительную деятельность, осуществлять автоматизированный контроль, предоставлять обратную связь и выполнять аналитическую работу [2, с. 18]. В широком смысле ИИ представляет собой междисциплинарное направление, интегрирующее информатику, математику, биологию, когнитивистику и лингвистику.

Среди векторов использования ИИ в педагогическом процессе выделяются: управление образованием, индивидуализация обучения, оптимизация подготовки преподавателя, организация учебного процесса и обучение конкретным дисциплинам [2, с. 20]. В преподавании иностранных языков особый интерес представляет автоматизация проверки письменных работ, что позволяет разгрузить учителя и увеличить частоту обратной связи.

Современные нейросетевые модели на базе больших языковых моделей (LLM – Large Language Models) способны находить орфографические и пунктуационные ошибки, анализировать грамматическую правильность, оценивать разнообразие лексики, проверять структуру текста и в определённой степени понимать логику изложения [7, с. 45]. Однако сохраняются и существенные ограничения: трудности с оценкой творческих аспектов (ирония, подтекст, нестандартная аргументация), культурная и контекстная зависимость, зависимость от обучающего корпуса, а также проблема «ложной уверенности» – когда результат выглядит объективным, но содержит скрытые ошибки [3, с. 62].

Особую значимость приобретает вопрос о том, насколько ИИ-системы могут быть адаптированы к конкретным образовательным задачам. Исследования показывают, что при правильной настройке промптов и уточнении критериев нейросети способны давать результаты, сопоставимые с экспертными оценками, однако их применение требует от учителя методической грамотности и понимания принципов работы ИИ.

На основе анализа научных исследований и экспериментальных данных могут быть сформулированы следующие методические принципы интеграции ИИ в процесс оценивания письменных работ.

Принцип дополнительности предполагает, что ИИ не заменяет учителя, а дополняет его. Целесообразно использовать ИИ для первичной проверки формальных параметров (орфография, грамматика, объём, структура), тогда как оценка смысловой стороны, креативности и логики остаётся за педагогом [4, с. 134].

Принцип ускорения обратной связи заключается в том, что учащийся может направлять черновик в ИИ-сервис, получать анализ ошибок и исправлять их до сдачи работы учителю. Это развивает автономию и ответственность, формирует навыки саморедактирования.

Принцип сравнительного анализа предполагает периодическое проведение контрольных проверок, когда один и тот же текст оценивается и человеком, и системой. Расхождения обсуждаются с учениками как пример субъективности любого инструмента, что развивает критическое мышление.

Принцип адаптации критериев требует, чтобы критерии оценивания были адаптированы под тип задания: для личного письма важны неформальный стиль и обращение к адресату, для эссе – логика аргументов. ИИ необходимо «обучать» через правильно составленные промпты.

Принцип психолого-педагогической безопасности означает, что ученик должен понимать: оценка ИИ – не окончательный приговор, а средство для самоанализа. Важно избегать стресса от «бездушной» проверки и формировать позитивное отношение к технологиям как к инструменту помощи [8, с. 92].

Реализация данных принципов требует системной работы по подготовке педагогов к использованию ИИ-инструментов, включая обучение составлению промптов, интерпретации результатов и интеграции автоматизированной проверки в общую систему оценивания.

Для предметного рассмотрения возможностей ИИ-оценивания обратимся к разделу «Writing» учебника «Spotlight 8» (Unit 4e, pp. 66–67), посвящённому обучению написанию неформальных писем-советов [9, с. 66]. Цель данного раздела – сформировать умение распознавать проблему, выражать сочувствие, давать советы с использованием клише, структурировать письмо (вступление, основная часть, заключение) и применять аргументацию (совет + ожидаемый результат). Целевая аудитория – учащиеся 8-го класса (13–14 лет). Проблематика (буллинг, неудачи в учёбе, внешность, конфликты с родителями) соответствует возрастным особенностям и повышает мотивацию.

Раздел выстроен методически грамотно: начинается с проблемной ситуации, затем анализируется модель письма-совета, предлагается сопоставить проблемы и советы, даётся таблица с типичными выражениями, выполняются упражнения на различение вступительных и заключительных фраз, развитие предложений. Ключевое упражнение – планирование и написание письма объёмом 120–150 слов по плану. Это задание развивает стратегию планирования и навык продуктивного письма, что делает его репрезентативным для апробации ИИ-оценивания.

Среди платформ для проверки текстов выделяются зарубежные (Grammarly, Write & Improve) и российские (на базе Yandex GPT, Smartcheck). Особого внимания заслуживает генеративная нейросетевая модель DeepSeek, относящаяся к классу LLM с трансформерной архитектурой. Модель обучена на многотысячных корпусах методом самообучения с последующей настройкой через обучение с подкреплением на основе человеческой обратной связи (RLHF). Ключевая характеристика – контекстное окно в 1 миллион токенов, позволяющее обрабатывать документы большого объёма.

Функционально DeepSeek поддерживает синтез и рерайтинг текстов, выполнение логических операций, извлечение информации из файлов. В образовании модель применима для учащихся (декомпозиция концепций, автоматизированная проверка работ по критериям структуры, логики и стилистики, генерация заданий, составление планов повторения) и для преподавателей (конструирование занятий, генерация вариантов проверочных работ, адаптация контента, автоматизация рутинных задач). Система бесплатна и не ограничивает число запросов, что делает её доступной для образовательных учреждений.

Выбор DeepSeek для экспериментального исследования обусловлен его доступностью, мощным языковым потенциалом и гибкостью настройки через промпты, что позволяет адаптировать модель под конкретные критерии оценивания.

Для проверки возможности использования искусственного интеллекта в качестве инструмента для оценивания письменных работ было проведено небольшое исследование. Экспериментальной базой послужило задание из УМК «Spotlight 8» (Unit 4e, ex. 7b) – написание личного письма-совета другу, столкнувшемуся с проблемой буллинга в школе. Было проанализировано 8 работ, выполненных учащимися, соответствующих уровню A2–B1.

Методология исследования предусматривала следующие этапы. Сначала все 8 писем были предварительно проверены и оценены экспертом ОГЭ (английский язык) по трём критериям, составленным по аналогии с критериями проверки письменной части ОГЭ: «Решение коммуникативной задачи», «Организация текста» и «Лексико-грамматическое оформление» (, после чего итоговый балл конвертировался в школьную отметку. Подробнее критерии оценивания письменного задания отображены в таблице 1.

Таблица 1. Критерии оценивания задания из раздела «Writing»

После проверки экспертом те же самые 8 писем были отправлены на проверку нейросети DeepSeek с использованием промпта, который содержал полный текст критериев оценивания и само задание. Нейросеть должна была выставить баллы по каждому критерию и дать краткий комментарий. Целью исследования было выявление как случаев полного совпадения, так и случаев расхождения, чтобы определить сильные и слабые стороны искусственного интеллекта как эксперта.

В ходе исследования выяснилось, что в 4 случаях из 8 итоговые отметки человека и ИИ совпали, а в остальных 4 наблюдались расхождения. При этом даже при совпадении итоговой отметки часто отмечалась разница в 0,5–1 балл по отдельным критериям. Наибольшие расхождения возникли по критерию «Решение коммуникативной задачи» и «Организация текста», где человеческий фактор, а именно эмпатия, понимание контекста и жанра, играет решающую роль.

Первый пример демонстрирует ситуацию, когда и эксперт, и нейросеть оценивают работу оценкой «2», однако баллы по отдельным критериям различаются. В письме автор формально выражает готовность помочь, но содержание не соответствует теме: вместо советов по проблеме буллинга даются рекомендации по улучшению оценок для футбольной команды. Учитель оценил решение коммуникативной задачи в 0,5 балла из 1,5. Нейросеть оказалась строже и поставила за этот критерий 0 баллов, отметив грубое нарушение содержания. По лексико-грамматическому оформлению мнения разошлись: эксперт насчитал множество ошибок и снизил оценку до 0,5 балла, тогда как DeepSeek, строго следуя математике критерия, выставил 1 балл. Этот случай показывает, что DeepSeek может быть даже более чувствителен к логике и релевантности содержания, чем человек, но при подсчёте языковых ошибок демонстрирует буквальное следование инструкции.

Второй пример демонстрирует обратную ситуацию, когда нейросеть проявила больше снисходительности к форме, чем человек. В письме автор выражает эмпатию и даёт три совета с результатами. Эксперт высоко оценил решение коммуникативной задачи и организацию текста, но по лексико-грамматическому оформлению снизил оценку до 2 баллов из-за трёх ошибок. Нейросеть применила ту же математическую логику и также снизила оценку на 0,5 балла, однако расхождение возникло из-за различной строгости к ошибкам при выставлении итоговой отметки.

Ещё один случай расхождения демонстрирует проблему восприятия эмпатии и стиля. Эксперт отметил отсутствие выраженной эмпатии и несоответствие заключительных фраз жанру письма-совета. Нейросеть поставила ровно такие же баллы по каждому критерию и пришла к тому же итоговому результату, что подтверждает способность DeepSeek адекватно оценивать формальные и содержательные аспекты, если они явно прописаны в критериях.

Анализ результатов показывает, что нейросеть DeepSeek демонстрирует высокую эффективность при оценке формальных параметров: она безошибочно определяет наличие абзацев, логических связок, объём текста, а также подсчитывает орфографические и грамматические ошибки, строго следуя заложенной в критерии математике.

Однако DeepSeek испытывает трудности с оценкой нюансов коммуникативной задачи, таких как глубина эмпатии, стилистическое соответствие жанру и связность аргументации. В случаях, когда совет формально присутствует, но не соответствует контексту проблемы, нейросеть может быть как чрезмерно строгой, так и, наоборот, снисходительной, в зависимости от того, насколько чётко это противоречие прописано в промпте.

Кроме того, расхождения в итоговых отметках часто возникают из-за различного подхода к интерпретации шкалы перевода баллов и строгости к ошибкам: эксперт может округлять в меньшую сторону, руководствуясь общим впечатлением от работы, тогда как нейросеть оперирует исключительно формальной арифметикой.

Полученные данные согласуются с результатами аналогичных исследований, проведённых с использованием других ИИ-систем (Grammarly, Write & Improve), которые также демонстрируют высокую точность в формальных аспектах и ограниченность в оценке творческих и контекстуальных элементов [5, с. 280]. Это указывает на необходимость дальнейшего совершенствования ИИ-систем, способных учитывать семантические и прагматические особенности текста.

Проведённое исследование подтверждает, что современные нейросетевые технологии могут служить надёжным вспомогательным инструментом для учителя, особенно на этапе первичной проверки формальных параметров и подсчёта ошибок. Однако оценка содержательных аспектов, требующих понимания контекста, жанровых особенностей и человеческих эмоций, по-прежнему остаётся прерогативой педагога.

1. Сысоев П. В., Хмаренко Н. И. Обучение студентов иноязычной письменной речи на основе педагогической технологии обучения в сотрудничестве // Язык и культура. – 2022. – № 59. – С. 271-285.
2. Сысоев П. В. Искусственный интеллект в образовании: понятие, векторы применения и перспективы // Вестник Московского университета. Серия 20: Педагогическое образование. – 2023. – № 2. – С. 15–28.
3. Warschauer M., Healey D. Computers and language learning: An overview // Language Teaching. – 2020. – Vol. 31, No. 2. – P. 57–71.
4. Титова С. В. Цифровые технологии в языковом образовании: теория и практика. – М.: Эдитус, 2023. – 248 с.
5. Kukulska-Hulme A., Shield L. An overview of mobile assisted language learning: From content delivery to supported collaboration and interaction // ReCALL. – 2022. – Vol. 20, No. 3. – P. 271–289.

Список источников
6. Полат Е. С., Бухаркина М. Ю., Моисеева М. В. Теория и практика дистанционного обучения. – М.: Академия, 2020. – 416 с.
7. Chapelle C. A. Computer Applications in Second Language Acquisition: Foundations for Teaching, Testing and Research. – Cambridge: Cambridge University Press, 2021. – 232 p.
8. Коряковцева Н. Ф. Современная методика организации самостоятельной работы изучающих иностранный язык. – М.: АРКТИ, 2021. – 176 с.
9. Ваулина Ю. Е., Дули Д., Подоляко О. Е., Эванс В. Английский язык. 8 класс: учебник для общеобразовательных организаций. – М.: Express Publishing: Просвещение, 2022. – 216 с.