ТРАНСФОРМАЦІЯ НАВЧАЛЬНОГО СЕРЕДОВИЩА З НАЛАГОДЖЕННЯ В ЕПОХУ GITHUB COPILOT: ЯК ЗБЕРЕГТИ ЕФЕКТИВНІСТЬ НАВЧАННЯ?
DOI:
https://doi.org/10.34185/1991-7848.itmm.2026.01.032Ключові слова:
великі мовні моделі, інформаційні технології, налагодження, програмне забезпечення, телеметрія розробки, управління процесамиАнотація
У роботі досліджено проблему трансформації методики навчання налагодженню програмного забезпечення в умовах активного впровадження ШІ-асистентів. Розглянуто феномен «когнітивної пасивності» студентів та обмеження сучасних LLM при роботі зі складними програмними системами. Запропоновано концепцію формування ШІ-резистентних навчальних завдань, що базуються на архітектурній складності та великих обсягах контексту, що є критичним для обмеження можливостей автоматизованого розв’язання. Обґрунтовано впровадження системи збору телеметрії взаємодії студента із середовищем розробки (IDE) як інструменту верифікації самостійності виконання робіт. Визначено ключові метрики відмінності між діями людини та ШІ-агентів, серед іншого, часові параметри опрацювання контексту та патерни використання інструментів налагодження (breakpoints, stack trace, stepping). Описано прототип інструментарію, що реалізує двокомпонентну модель оцінювання, яка враховує як коректність рішення, так і методологічну цілісність процесу налагодження. Результати дослідження спрямовані на створення адаптивних освітніх систем із можливістю формування індивідуальних рекомендацій для студентів.
Посилання
Stasiuk O. L., Khomik O. M., Karpiuk D. R. Analiz pravovykh ryzykiv tsyfrovoho otsiniuvannia v umovakh zmishanoho navchannia. 2025. URL: https://doi.org/10.5281/zenodo.16869553 (date of access: 31.03.2026). [in Ukrainian].
Amoozadeh M. et al. Student-AI Interaction: A Case Study of CS1 students. 2024. URL: https://doi.org/10.48550/arXiv.2407.00305 (date of access: 31.03.2026).
Basha M. et al. CodeWatcher: IDE Telemetry Data Extraction Tool for Understanding Coding Interactions with LLMs. 2025. URL: https://arxiv.org/abs/2510.11536 (date of access: 31.03.2026).
Beleulmi S. Challenges Of Online Assessment During Covid-19 Pandemic: An Experience Of Study Skills Teachers. مجلة آفاق للعلوم. 2022. С. 49. URL: https://doi.org/10.37167/1677-007-002-004 (date of access: 31.03.2026).
Cotroneo D. et al. Human-Written vs. AI-Generated Code: A Large-Scale Study of Defects, Vulnerabilities, and Complexity. 2025. URL: https://doi.org/10.48550/arXiv.2508.21634 (date of access: 31.03.2026).
Denny P. et al. Computing Education in the Era of Generative AI. Communications of the ACM. 2024. URL: https://doi.org/10.1145/3624720 (date of access: 31.03.2026).
Eibl P. et al. Exploring the Challenges and Opportunities of AI-assisted Codebase Generation. 2025. URL: https://arxiv.org/abs/2508.07966 (date of access: 31.03.2026).
Gerlich M. AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies. 2025. Т. 15, № 1. С. 6. URL:https://doi.org/10.3390/soc15010006
(date of access: 31.03.2026).
Ihantola P. et al. Educational Data Mining and Learning Analytics in Programming. ITICSE '15: Innovation and Technology in Computer Science Education Conference 2015. Vilnius, Lithuania. New York, USA, 2015. URL: https://doi.org/10.1145/2858796.2858798 (date of access: 31.03.2026).
Korpimies K. et al. Unrestricted Use of LLMs in a Software Project Course: Student Perceptions on Learning and Impact on Course Performance. 2024. URL: https://doi.org/10.1145/3699538.3699541 (date of access: 31.03.2026).
Kundu D. et al. Keystroke Dynamics Against Academic Dishonesty in the Age of LLMs. 2024. URL: https://arxiv.org/abs/2406.15335 (date of access: 31.03.2026).
Liang S. et al. The SWE-Bench Illusion: When State-of-the-Art LLMs Remember Instead of Reason. 2025. URL: https://arxiv.org/abs/2506.12286 (date of access: 31.03.2026).
McDanel B., Novak E. Designing LLM-Resistant Programming Assignments: Insights and Strategies for CS Educators. SIGCSE TS 2025. Pittsburgh, USA. New York, USA, 2025. S. 756–762. URL: https://doi.org/10.1145/3641554.3701872 (date of access: 31.03.2026).
Messer M. et al. How Consistent Are Humans When Grading Programming Assignments? 2025. Т. 25, № 4. URL: https://doi.org/10.1145/3759256 (date of access: 31.03.2026).
Pădurean V. et al. BugSpotter: Automated Generation of Code Debugging Exercises. 2024. URL: https://arxiv.org/abs/2411.14303 (date of access: 31.03.2026).
Pitts G. et al. Students’ Reliance on AI in Higher Education: Identifying Contributing Factors. Communications in Computer and Information Science. Cham, 2026. С. 86–97. URL: https://doi.org/10.1007/978-3-032-12773-0_9 (date of access: 31.03.2026).
Shen J. H., Tamkin A. How AI Impacts Skill Formation. 2026. URL: https://arxiv.org/abs/2601.20245 (date of access: 31.03.2026).
Shihab M. et al. The Effects of GitHub Copilot on Computing Students’ Programming Effectiveness, Efficiency, and Processes in Brownfield Coding Tasks. 2025. URL: http://dx.doi.org/10.1145/3702652.3744219 (date of access: 31.03.2026).
Wang Z. et al. How Does Naming Affect Language Models on Code Analysis Tasks? 2024. URL: http://dx.doi.org/10.4236/jsea.2024.1711044 (date of access: 31.03.2026).
Xu Z. et al. CodeVision: Detecting LLM-Generated Code Using 2D Token Probability Maps and Vision Models. 2025. URL: https://arxiv.org/abs/2501.03288 (date of access: 31.03.2026).
Yuan E. et al. Debug-gym: an environment for AI coding tools to learn how to debug code like programmers. 2024. URL: https://www.microsoft.com/en-us/research/blog/debug-gym-an-environment-for-ai-coding-tools-to-learn-how-to-debug-code-like-programmers/ (date of access: 31.03.2026).
