The article discusses the software implementation of a module for automating teacher activities within an educational web complex. The problem of high time expenditure on routine task checking and statistics gathering is described. A solution based on the Django, Vue.js 3, and PostgreSQL stack is presented. Mechanisms for preventing AI hallucinations during task generation, auto-grading algorithms, an anti-cheat student activity monitoring system, and server request optimization methods for educational metric aggregation are described.

Keywords: software engineering, automation, educational technology, databases, Django, Vue.js, PostgreSQL, YandexGPT.

Введение

В условиях цифровизации образования одной из ключевых проблем остается высокая академическая нагрузка на преподавательский состав. Значительная часть рабочего времени затрачивается на рутинные процессы: формирование домашних заданий, механическую проверку ответов и сбор статистики успеваемости.

Стремительное внедрение больших языковых моделей (LLM) в образовательные платформы создает соблазн полной автоматизации этих процессов силами нейросетей. Однако генерация математических задач посредством ИИ часто приводит к смысловым галлюцинациям и некорректным условиям, что недопустимо в точных науках.

Разработка программного модуля, который строго разделяет зоны ответственности: оставляет подбор и проверку задач детерминированным алгоритмам реляционных баз данных, а роль ИИ сводит к интеллектуальному ассистированию учащемуся с последующим сбором количественных метрик для преподавателя — является актуальной задачей программной инженерии.

Основная часть

Архитектура данных и механизмы формирования заданий

Основой программного модуля выступает реляционная база данных под управлением СУБД PostgreSQL. Процесс формирования заданий спроектирован с полным исключением больших языковых моделей из контура генерации контента для предотвращения математических ошибок. Преподавателю предоставляется два детерминированных пути:

1. Автоматический генератор: алгоритм формирует пул задач из предварительно верифицированного банка данных (PostgreSQL) на основе заданных параметров (тема, класс, уровень сложности).
2. Пользовательские шаблоны: ручное создание уникальных вариантов через встроенный Markdown-редактор, поддерживающий рендеринг математических формул и предпросмотр в реальном времени.

Выдача сформированных заданий реализуется индивидуально: клиентская часть системы (store-модуль на базе Vue.js) позволяет преподавателю адресно назначать работу с установкой жестких сроков (дедлайнов).

Автоматизация контроля и оптимизация серверной части

Серверная часть, реализованная на фреймворке Django, полностью берет на себя процесс верификации ответов. Механизм автопроверки производит строгую сверку пользовательского ввода с эталонным ключом (answer_key) или массивом допустимых опций (options). Это полностью избавляет преподавателя от необходимости ручной проверки.

Для обеспечения высокой производительности дашборда при расчете сводной статистики успеваемости была решена классическая проблема ORM проблема N+1 запросов. Использование встроенных методов агрегации на уровне базы данных (aggregate, Count) позволило серверу эффективно собирать общую статистику решаемости задач без создания избыточной нагрузки на СУБД.

Аналитический дашборд и метрики взаимодействия с ИИ

Клиентский интерфейс преподавателя (Frontend) разработан на базе фреймворка Vue.js 3. Центральным элементом выступает аналитический дашборд, агрегирующий данные о процессе решения.

Вместо предоставления преподавателю громоздких текстовых транскриптов бесед ученика с YandexGPT, система делает ставку на количественные метрики. Модуль анализирует симптоматику затруднений, выводя на экран: количество затраченного времени на задачу, число совершенных попыток и факт использования ИИ-подсказок. Дополнительно внедрена античит-система, фиксирующая переключения контекста браузера (счетчик «Покидал вкладку»), что позволяет идентифицировать попытки несанкционированного поиска ответов в сети.

Результаты

Апробация разработанного модуля в составе образовательного веб-комплекса подтвердила высокую эффективность предложенных архитектурных решений. На рисунке 1 представлен интерфейс преподавателя в режиме проверки выполнения домашнего задания.

Рис. 1. Аналитический дашборд преподавателя с результатами автопроверки и античит-метриками

Как видно из представленной аналитической сетки, система в удобном графическом виде транслирует успеваемость (индикаторы успешного или ошибочного решения), а также поведенческие паттерны. Например, высокое значение счетчика переключений вкладок в совокупности с быстрым правильным ответом сигнализирует о списывании. И наоборот, большое количество попыток и активное использование ИИ-подсказок без факта списывания позволяет преподавателю сделать вывод о наличии у ученика системных затруднений с конкретной темой и своевременно скорректировать образовательную траекторию.

Процесс формирования пользовательских заданий также был значительно оптимизирован благодаря внедрению кастомного Markdown-редактора (рис. 2), позволяющего преподавателям оперативно переносить методические наработки в цифровую среду.

Рис. 2. Интерфейс создания авторских задач с поддержкой Markdown и LaTeX

Заключение

Разработанный программный модуль успешно решает задачу автоматизации деятельности преподавателя, снижая временные затраты на рутинную проверку и сбор статистики. Использование архитектурного стека Django и Vue.js с оптимизированными запросами к PostgreSQL обеспечило высокую производительность платформы. Отказ от генерации задач силами LLM в пользу использования верифицированной базы гарантировал математическую корректность материалов. Переход от ручного контроля к анализу агрегированных метрик (статистика попыток, использование ИИ-ассистента, античит-система) позволяет преподавателю сфокусироваться на качественном анализе образовательного процесса и выработке эффективных педагогических стратегий.

Литература:

1. Документация Yandex Cloud: YandexGPT API [Электронный ресурс]. URL: https://yandex.cloud/ru/docs/yandexgpt/ (дата обращения: 06.04.2026).
2. Официальная документация фреймворка Django [Электронный ресурс]. URL: https://docs.djangoproject.com/ (дата обращения: 06.04.2026).
3. Официальная документация фреймворка Vue.js [Электронный ресурс]. URL: https://vuejs.org/guide/introduction.html (дата обращения: 06.04.2026).
4. Зайцева Л. В. Системы адаптивного обучения и контроля знаний // Образовательные технологии и общество. 2013. Т. 16. № 4. С. 401–414.