Теория и методика обучения и воспитания (по областям и уровням образования) | Мир педагогики и психологии №06 (119) Июнь 2026

Возможности и применение чат-ботов в тренировочном процессе в интеллектуальных видах спорта

Евтропкова Дина Сергеевна
старший преподаватель, Петрозаводский государственный университет, РФ, Петрозаводск, darsport@yandex.ru
Рего Елизавета Викторовна
студент, Петрозаводский государственный университет, РФ, Петрозаводск, romanovaptz@yandex.ru

Аннотация: В статье рассматриваются возможности и ограничения применения чат-ботов в тренировочном процессе в интеллектуальных видах спорта с основным акцентом на шахматную подготовку. Анализируются исследования, посвященные системам шахматного обучения, генерации комментариев к партиям, объяснению ходов, решению задач и организации обратной связи с обучающимся. Го (настольная стратегическая игра для двух игроков) рассматривается как сопоставительный пример интеллектуального вида спорта, позволяющий уточнить роль доменного знания и экспертного контура в объясняющих ИИ-системах. Выделены основные типы решений: обучающие системы на базе графов знаний, социальные и эмпатические агенты, гибридные архитектуры «шахматный движок / экспертная модель + языковая модель», а также большие языковые модели, применяемые для анализа и комментирования игровых ситуаций. Представлены результаты пилотного анкетирования, показавшие, что практический опыт использования чат-ботов для шахматной тренировки пока невелик, но существует устойчивый запрос на понятные объяснения, персонализацию заданий, пошаговый разбор ошибок и педагогически выверенную обратную связь.
Ключевые слова: чат-боты, шахматы, интеллектуальные виды спорта, шахматная тренировка, разговорный искусственный интеллект, большие языковые модели, объяснимый ИИ, цифровой тренер.

Evtropkova Dina Sergeevna
Senior Lecturer, Petrozavodsk State University, Russian Federation, Petrozavodsk
Rego Elizaveta Viktorovna
Student, Petrozavodsk State University, Russian Federation, Petrozavodsk

Abstract: The article examines the possibilities and limitations of using chatbots and conversational AI agents in the training process of mind sports, with a primary focus on chess training. It analyzes studies devoted to chess learning systems, game commentary generation, move explanation, problem solving, and feedback in educational interaction. Go is considered as a comparative case that helps clarify the role of domain knowledge and expert modules in explanatory AI systems. The paper identifies the main types of solutions: knowledge-graph-based learning systems, social and empathic agents, hybrid architectures combining a chess engine or expert model with a language model, and large language models used for analyzing and commenting on game situations. The results of a pilot survey show that practical experience with chatbots for chess training remains limited, while users demonstrate a stable demand for clear explanations, personalized tasks, step-by-step error analysis, and pedagogically meaningful feedback.
Keywords: chatbots, chess, mind sports, chess training, conversational artificial intelligence, large language models, explainable AI, digital coach.

Введение

Интеллектуальные виды спорта занимают особое место в исследованиях искусственного интеллекта, поскольку в них формализованы правила, можно объективно оценивать качество решений и при этом сохраняется высокая стратегическая сложность. История вопроса связана с работами M. Zhang, A. Pereira и M.-T. Kuo, посвященными шахматным обучающим системам, социальным игровым агентам и большим языковым моделям в шахматном контексте. Актуальность темы определяется тем, что современные ИИ-системы уже способны находить сильные решения в игровых позициях, однако учебная эффективность таких решений зависит от того, насколько они объяснимы, адаптированы к уровню обучающегося и встроены в педагогически осмысленную обратную связь. В рамках данной статьи основной акцент сделан на шахматах как наиболее разработанном и массово представленном направлении применения цифровых тренеров и чат-ботов. Го как настольная стратегическая игра рассматривается не как равнозначный объект эмпирического анализа, а как сопоставительный пример, позволяющий показать общие тенденции развития ИИ-систем в интеллектуальных видах спорта.

Для шахматной подготовки особенно важна проблема разрыва между силой компьютерного анализа и его педагогической полезностью. Современный шахматный движок Stockfish способен предложить сильный или оптимальный ход, однако сам по себе такой ответ не объясняет обучающемуся, почему позиция оценивается именно так, какие угрозы нужно учитывать и какие типовые идеи лежат в основе решения. В работах по шахматному обучению эта проблема описывается как разрыв между демонстрацией сильного решения и его содержательной интерпретацией для начинающего игрока [1].

Цель статьи — систематизировать исследования, посвященные возможностям применения чат-ботов и разговорных ИИ-агентов в шахматной тренировке, а также интерпретировать результаты пилотного опроса о восприятии таких инструментов. Научная новизна работы заключается в сочетании обзорного и эмпирического подходов: литература рассматривается с точки зрения объяснимости, интерактивности и педагогической функции ИИ, а данные анкетирования позволяют соотнести эти выводы с ожиданиями потенциальных пользователей шахматных чат-ботов.

1. Теоретические основания применения чат-ботов в шахматной тренировке

В контексте шахматной тренировки понятие «чат-бот» целесообразно понимать расширительно. К таким системам относятся не только классические текстовые интерфейсы, отвечающие на вопросы пользователя, но и обучающие среды с диалоговыми подсказками, социальные агенты с речевой или эмоциональной обратной связью, а также гибридные решения, в которых языковая модель объясняет результаты работы шахматного движка или другой экспертной модели. При таком подходе разговорность выступает не просто особенностью интерфейса, а способом организации учебного взаимодействия.

Первую группу образуют обучающие системы, встроенные в конкретный шахматный учебный сценарий. Например, EK-Chess опирается на граф знаний по шахматным эндшпилям, интегрируется с движком Stockfish и предоставляет пользователю подсказки и объяснения по конкретным позициям и ходам [1]. Вторая группа связана с социальными и эмпатическими агентами. В исследованиях с агентом iCat и последующих работах по эмпатическому шахматному компаньону показано, что форма обратной связи, степень социального присутствия и эмоциональное сопровождение влияют на восприятие взаимодействия и могут менять качество учебного опыта [2]–[4].

Третья группа включает большие языковые модели и гибридные архитектуры. Исследования шахматных задач показывают, что универсальные LLM без внешней проверки могут ошибаться в легальности ходов, неточно представлять позицию и давать ненадежные рекомендации [5]. Поэтому для шахматной тренировки принципиально важен внешний контур контроля: движок, экспертная база, база партий или специализированная модель должны обеспечивать корректность анализа, а разговорный слой — делать этот анализ понятным для обучающегося.

2. Исследовательские линии: шахматы как основной объект анализа

В шахматах разговорные ИИ-агенты развиваются, прежде всего, в двух направлениях. Первое связано с системами, которые структурируют учебное знание и помогают решать задачи с объяснениями: такие решения особенно полезны при изучении эндшпилей, типовых тактических приемов и разборе ошибок. Второе направление связано с генерацией комментариев к партиям и интерпретацией ходов на естественном языке. На этом фоне проект ChessGPT рассматривается как попытка сблизить policy learning и language modeling, то есть соединить моделирование игровых траекторий с возможностями языкового описания [6].

Отдельное значение для шахматной тренировки имеет задача генерации качественного комментария. В работе Concept-guided Chess Commentary Generation and Evaluation предложена архитектура, в которой языковая модель получает концептуальные сигналы от экспертной системы и строит на их основе комментарии к ходам. Такой подход важен именно для учебной ситуации: комментарий должен не только звучать естественно, но и быть связан с позиционными признаками, тактическими мотивами и реальным качеством хода [7].

Материалы по го в данной статье используются как сопоставительный фон. Для го пока слабее выражен устойчивый класс разговорных тренеров, однако исследования показывают, что партии можно моделировать как текстовые последовательности, а ИИ-поддержка способна усиливать качество человеческих решений [8], [9]. Работы по интеграции экспертного знания в го также подтверждают общий для интеллектуальных видов спорта вывод: сильная игровая модель и понятное объяснение ее рекомендаций являются разными задачами и требуют разных компонентов архитектуры [10], [11].

3. Подходы к оценке пользовательского опыта

Для шахматных чат-ботов пользовательский опыт нельзя сводить к общей симпатии к системе или к удобству интерфейса. Важны качество обратной связи, полезность объяснений, доверие к рекомендациям, ясность формулировок и соответствие ответа уровню игрока. В исследованиях с iCat для оценки применялась рамка GameFlow и компоненты игрового опыта [2], а в работах по эмпатическим агентам дополнительно подчеркивался риск обратного эффекта: слишком искусственная или неудачно выбранная стратегия «человечности» может ухудшать восприятие системы [3], [4].

В гибридных системах «экспертная модель + языковая модель» качество объяснений все чаще оценивается с участием человека и по нескольким независимым параметрам. В рамках CCC/GCC-Eval пользователи оценивали корректность, информативность и языковое качество комментариев [7]. Такой подход особенно важен для шахматного обучения: единая оценка полезности не позволяет различить точность анализа, ясность текста, педагогическую ценность подсказки и удобство взаимодействия. Учебная ценность чат-бота определяется тем, помогает ли он понять позицию, увидеть собственную ошибку и перейти от правильного ответа к осознанному способу решения [12], [13].

4. Методика пилотного исследования

Чтобы сопоставить выводы литературы с ожиданиями потенциальных пользователей, был проведен пилотный анкетный опрос. Сбор данных осуществлялся онлайн с 5 по 21 февраля 2026 г. В выборку вошли 70 респондентов. Анкета включала восемь вопросов и была направлена на выявление вовлеченности в интеллектуальные виды спорта, уровня осведомленности о чат-ботах для шахматного обучения, опыта их использования, целей обращения к таким инструментам, оценки полезности, восприятия преимуществ и ограничений, а также ожиданий относительно желательных функций.

Эмпирический блок был сфокусирован на шахматах, поскольку этот вид интеллектуального спорта более узнаваем в студенческой среде и чаще ассоциируется с задачами анализа партий, решения тактических упражнений и работы с цифровыми тренажерами. Поэтому результаты исследования следует интерпретировать прежде всего как данные о восприятии чат-ботов для шахматной тренировки. Обработка данных носила описательный характер: для закрытых вопросов были рассчитаны абсолютные частоты и доли, а ответы на открытый вопрос были сгруппированы по смысловым категориям. Пилотный характер исследования не предполагал проверки статистических гипотез; основной задачей было выявление тенденций, важных для дальнейшего проектирования опроса и прототипа шахматного цифрового помощника.

5. Результаты исследования и их интерпретация

Результаты показали, что опыт взаимодействия с чат-ботами для шахматного обучения пока ограничен. Только 21 респондент из 70 (30,0 %) указал, что занимается интеллектуальными видами спорта на любительском уровне, тогда как 49 человек (70,0 %) не связывают себя с такой практикой. Осведомленность о специализированных шахматных чат-ботах также невысока: 42 человека (60,0 %) не слышали о них, 20 человек (28,6 %) слышали, но не использовали, и лишь 8 респондентов (11,4 %) сообщили, что хорошо знакомы с подобными инструментами. Еще более показательна структура фактического использования: 59 человек (84,3 %) никогда не обращались к таким системам, 10 человек (14,3 %) пробовали их эпизодически и только 1 респондент (1,4 %) указал на регулярное применение.

Сводные количественные результаты пилотного опроса о восприятии чат-ботов для шахматной тренировки представлены в табл. 1.

Таблица 1. Сводные результаты пилотного опроса о чат-ботах для шахматной тренировки

* Для вопросов с множественным выбором сумма процентов превышает 100 %.

Несмотря на ограниченный практический опыт, отношение к технологии в целом нельзя назвать негативным. Наиболее частым ответом при оценке полезности стало нейтральное отношение — 43 ответа (61,4 %). Еще 26 респондентов (37,1 %) считают такие инструменты полезными, и только 1 человек (1,4 %) назвал их бесполезными. Следовательно, в обследованной группе доминирует не отторжение шахматных чат-ботов, а осторожный интерес, связанный с недостатком собственного опыта и не вполне сформированным представлением о возможностях таких систем.

Ответы о целях использования показывают, что чат-боты воспринимаются прежде всего как вспомогательный инструмент шахматной тренировки и разбора типовых игровых ситуаций. Чаще всего респонденты упоминали обучение дебютам и эндшпилям (7 упоминаний), решение шахматных задач (5 упоминаний) и анализ партий (3 упоминания). При этом ответы категории «другое» также встречались заметно, что свидетельствует о неустоявшемся характере пользовательских сценариев: потенциальные пользователи пока не всегда различают функции тренажера, шахматного движка, базы партий и разговорного помощника.

Наиболее значимым преимуществом чат-ботов респонденты считают доступность: возможность тренироваться в любое время отметили 56 человек (80,0 %). Далее следуют быстрая обратная связь (38 человек; 54,3 %), индивидуальный подход (28 человек; 40,0 %) и разнообразие материалов (25 человек; 35,7 %). Главным недостатком назван недостаток «человеческого» объяснения (51 человек; 72,9 %). Значимыми остаются также однообразие заданий (21 человек; 30,0 %) и технические сложности (18 человек; 25,7 %). Открытые ответы дополняют эту картину: пользователи ожидают от шахматного чат-бота не только выдачи хода, но и подробного пошагового разбора, анализа собственных ошибок, рекомендаций по стратегии, адаптации к уровню подготовки и элементов мотивационной поддержки.

Полученные данные согласуются с выводами обзорной части. Пользовательский запрос направлен не на «молчаливый» сильный ИИ, который просто сообщает правильный ход, а на объясняющего цифрового помощника для шахматной тренировки. Это подтверждает необходимость архитектур, где надежность игрового анализа обеспечивает внешний экспертный контур, а разговорный слой отвечает за интерпретацию, персонализацию и педагогически организованную обратную связь [12].

Заключение

Проведенный анализ позволяет сделать три основных вывода. Во-первых, развитие чат-ботов в интеллектуальных видах спорта наиболее последовательно прослеживается на материале шахмат, где уже представлены обучающие системы, эмпатические агенты, модели генерации комментариев и гибридные решения на основе экспертного анализа. Во-вторых, литература показывает, что оценка таких систем должна быть многомерной и включать точность анализа, полезность объяснений, ясность формулировок и качество взаимодействия. В-третьих, результаты пилотного опроса показывают, что в пользовательской среде существует запрос на объяснимый и персонализированный шахматный ИИ, хотя реальный опыт использования подобных инструментов пока ограничен.

Таким образом, чат-боты в тренировочном процессе в интеллектуальных видах спорта целесообразно рассматривать прежде всего как средства поддержки обучения, а не как замену человеческому тренеру. Для шахматной подготовки особенно перспективны системы, которые соединяют надежный экспертный игровой контур, например движок или специализированную модель анализа, с качественным разговорным интерфейсом. Материалы по го подтверждают общую значимость этой задачи, но дальнейшие эмпирические исследования в рамках данной темы должны быть прежде всего направлены на проверку эффективности шахматных чат-ботов в реальных тренировочных сценариях.

1) Zhang M. EK-Chess: Chess Learning System Based on Top-Level Chess Expert Knowledge Graph / M. Zhang, Q. Jin, Q. Dong [et al.] // International Journal of Human–Computer Interaction. 2024. DOI: 10.1080/10447318.2024.2348229.
2) Pereira A. iCat, the chess player: the influence of embodiment in the enjoyment of a game / A. Pereira, C. Martinho, I. Leite, A. Paiva // Proceedings of the 7th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2008). Estoril, Portugal, 2008. P. 1253–1256.
3) Leite I. Social Robots in Learning Environments: a Case Study of an Empathic Chess Companion / I. Leite, A. Pereira, G. Castellano [et al.] // CEUR Workshop Proceedings. 2011. Vol. 732. Paper 4.
4) Leite I. Modelling empathic behaviour in a robotic game companion for children: an ethnographic study in real-world settings / I. Leite, G. Castellano, A. Pereira [et al.] // Proceedings of the 7th ACM/IEEE International Conference on Human-Robot Interaction (HRI 2012). 2012. P. 367–374. DOI: 10.1145/2157689.2157811.
5) Kuo M.-T. Large Language Models on the Chessboard: A Study on ChatGPT’s Formal Language Comprehension and Complex Reasoning Skills / M.-T. Kuo, C.-C. Hsueh, R. T.-H. Tsai. 2023. arXiv:2308.15118.
6) Feng X. ChessGPT: Bridging Policy Learning and Language Modeling / X. Feng [et al.] // Advances in Neural Information Processing Systems (NeurIPS 2023). Datasets and Benchmarks Track. 2023.
7) Kim J. Bridging the Gap between Expert and Language Models: Concept-guided Chess Commentary Generation and Evaluation / J. Kim, J. Goh, I. Hwang [et al.]. 2024–2025. arXiv:2410.20811.
8) Ciolino M. The Go Transformer: Natural Language Modeling for Game Play / M. Ciolino, D. Noever, J. Kalin // 2020 Third International Conference on Artificial Intelligence for Industries (AI4I). 2020. DOI: 10.1109/AI4I49448.2020.00012. arXiv:2007.03500.
9) Choi S. How Does AI Improve Human Decision-making? Evidence from Professional Go / S. Choi [et al.]. 2021. Working paper (SSRN).
10) Ma Y. Mixing Expert Knowledge: Bring Human Thoughts Back To the Game of Go / Y. Ma, L. Li, Y. Chen [et al.]. 2026. arXiv:2601.16447.
11) Silver D. Mastering the game of Go without human knowledge / D. Silver [et al.] // Nature. 2017. Vol. 550. P. 354–359.
12) Земцов Д. И. «Цифровой кентавр»: совместное обучение человека и ИИ в университете / Д. И. Земцов, И. А. Груздев // Высшее образование в России. 2025. Т. 34. № 10. С. 47–62. DOI: 10.31992/0869-3617-2025-34-10-47-62.
13) Тоцькая И. В. Образовательный потенциал чат-ботов в изучении иностранных языков: социолингвистический, дидактический и коммуникативный аспекты / И. В. Тоцькая // Вестник Волгоградского государственного университета. Серия 2: Языкознание. 2023. № 3.