Бабенко Д.В., кандидат технічних наук, професор, перший проректор, Миколаївський національний аграрний університет, м. Миколаїв, Україна

ORCID ID: 0000-0003-2239-4832
e-mail: babenko@mnau.edu.ua

Доценко Н. А., доктор педагогічних наук, професор, професор кафедри загальнотехнічних дисциплін, Миколаївський національний аграрний університет, м. Миколаїв, Україна

ORCID ID: 0000-0003-1050-8193
e-mail: dotsenkona@mnau.edu.ua

Горбенко О. А., кандидат технічних наук, доцент, доцент кафедри агроінженерії, Миколаївський національний аграрний університет, м. Миколаїв, Україна

ORCID ID: 0000-0001-6006-6931
e-mail: gorbenko_ea@mnau.edu.ua

Баранова О.В., асистент кафедри загальнотехнічних дисциплін, Миколаївський національний аграрний університет, м. Миколаїв, Україна

ORCID ID: 0000-0002-4871-8914
e-mail: baranova.ovprime@gmail.com

Інтеграція технологій штучного інтелекту в систему управління агротехнічною освітою

Анотація. Інтеграція штучного інтелекту в систему управління освітою підвищує залученість студентів, забезпечуючи інтерактивний та персоналізований навчальний досвід. В контексті викладацької діяльності відбувається підвищення ефективності у створенні контенту, наданні зворотного зв’язку та процесах оцінювання. Крім того, штучний інтелект допоможе студентам розвивати критичне мислення та сучасні цифрові навички, які є важливими для фахівців в галузі агроінженерії. Використання штучного інтелекту також може підвищити нашу здатність здійснювати складний аналіз даних та моделювання технічних процесів, збагачуючи практичне розуміння студентів та спрощуючи адміністративні процеси. 

У статті досліджено способи інтеграції технологій штучного інтелекту в систему управління агротехнічною освітою. 

Залучення інструментів штучного інтелекту дозволяє адаптувати навчання до індивідуальних потреб студентів та звільнити час, автоматизуючи рутинні завдання, що надає можливість присвятити більше зусиль дослідженням та інноваціям у навчальній програмі. Дослідження інтеграції технологій штучного інтелекту в систему управління технічною аграрною освітою полягало в порівнянні ефективності двох підходів: комбінованого, тобто застосування широкого спектру засобів ШІ для реалізації освітніх та управлінських процесів закладів вищої освіти та диференційованого, тобто коли технології ШІ поділені на три групи та реалізують наступні спеціалізовані завдання: створення візуального та медіа контенту; здійснення моделювання, розрахунків та 3Д візуалізації; чат-бот асистенти для планування, консультування та підтримки навчального процесу. З метою оцінки розроблено критерії інтеграції технологій штучного інтелекту в систему управління агротехнічною освітою, до яких відносяться:  відповідність цільовому призначенню; модерація освітнього процесу; доступність; якість створеного контенту та технічна підтримка. Здійснено статистичну оцінку на основі критерія Спірмена і визначено, що попередня диференціація засобів ШІ в залежності від очікуваних результатів їх застосування є більш ефективним підходом. 

Інтеграція технологій штучного інтелекту в систему управління агротехнічною освітою може трансформувати роль викладача, змістивши фокус з о надання контенту на сприяння глибшому навчанню та критичному аналізу. Але треба звернути увагу на необхідність посилення наставництва та керівництва студентами щодо етичного та ефективного використання штучного інтелекту, питань академічної доброчесності. В контексті застосування технологій ШІ для покращення системи управління освітою, що спрямована на підготовку здобувачів вищої освіти агротехнічного напрямку визначено, що викладання стає більш динамічним, ефективним та реагує на індивідуальні потреби здобувачів вищої освіти.

Ключові слова: штучний інтелект; система управління освітою; аграрна освіта; технічні дисципліни.

Література:

1. Antoniuk, D. S., Vakaliuk, T. A., Didkivskyi, V. V., Vizghalov, O., Oliinyk, O. V., & Yanchuk, V. M. (2021). Using a business simulator with elements of machine learning to develop personal finance management skills. Proceedings of the 9th Illia O. Teplytskyi Workshop on Computer Simulation in Education (CoSinE 2021) co-located with the 17th International Conference on ICT in Education, Research, and Industrial Applications: Integration, Harmonization, and Knowledge Transfer (ICTERI 2021), Kherson, Ukraine, October 1, 2021 (CEUR Workshop Proceedings, vol. 3083), 59–70. CEUR-WS.org. https://ceur-ws.org/Vol-3083/paper131.pdf [in English].
2. Babenko, D., Dotsenko, N., Polyansky, P., & Baranova, O. (2025). Application of a Learning Management System for the Formation of Agroecological Competence of Future Engineers. Modern Economics, 49(2025), 6–14. DOI: https://doi.org/10.31521/modecon.V49(2025)-01 [in English].
3. Blanke, T., Colavizza, G., & Hout, Z. (2023). An open educational resource to introduce data analysis in Python for the Humanities. Education for Information, 39, 1–15. DOI: https://doi.org/10.3233/EFI-230020 [in English]
4. Cai, Z., Gui, Y., Mao, P., Wang, Z., Hao, X., Fan, X., & Tai, R. (2023). The effect of feedback on academic achievement in technology-rich learning environments (TREs): A meta-analytic review. Educational Research Review, 39, 100521. https://doi.org/10.1016/j.edurev.2023.100521 [in English].
5. Dotsenko, N. (2022). The technology of application online learning platforms in electrical engineering education. 2022 IEEE 4th International Conference on Modern Electrical and Energy System (MEES), Kremenchuk, Ukraine, 20–23 October 2022. https://doi.org/10.1109/mees58014.2022.10005776 [in English].
6. Gorbenko, O., Ivanov, G., Haleeva, A., & Khramov, M. (2025). Problems and Prospects of Staffing of Food Industry Enterprises in the Conditions of Digital Economy. Modern Economics, 49(2025), 50–56. https://doi.org/10.31521/modecon.V49(2025)-07 [in English].
7. Hodlevskyi, Y. O., Vakaliuk, T. A., Chyzhmotria, O. V., Chyzhmotria, O., & Vlasenko, O. V. (2023). Finding anomalies in the operation of automated control systems using machine learning. Proceedings of the 4th International Workshop on Intelligent Information Technologies & Systems of Information Security, Khmelnytskyi, Ukraine, March 22–24, 2023 (CEUR Workshop Proceedings, vol. 3373), 681–698. CEUR-WS.org. URL: https://ceur-ws.org/Vol-3373/paper47.pdf [in English].
8. Jiang, D., Dahl, B., Chen, J., & Du, X. (2023). Engineering students’ perception of learner agency development in an intercultural PBL (problem- and project-based) team setting. IEEE Transactions on Education, 1–11. https://doi.org/10.1109/te.2023.3273177 [in English].
9. Kohli, J. K., Raj, R., Rawat, N., Gupta, A., & Kumar, V. (2024). AI empowered MOOCs usage and its impact on service quality in higher education institute in India. 2024 2nd International Conference on Device Intelligence, Computing and Communication Technologies (DICCT), 559–563.  https://doi.org/10.1108/JARHE-11-2023-0517 [in English].
10. Kucher, S. L., Horbatiuk, R. M., Ozhha, M. M., & Hryniaieva, N. M. (2023). Use of information and communication technologies in the organization of blended learning of future vocational education professionals. Proceedings of the 11th Workshop on Cloud Technologies in Education (CTE 2023), Kryvyi Rih, Ukraine, December 22, 2023 (CEUR Workshop Proceedings, vol. 3679), 54–66. CEUR-WS.org. URL: https://ceur-ws.org/Vol-3679/paper39.pdf [in English].
11. Martin, F., Sun, T., Westine, C. D., & Ritzhaupt, A. D. (2022). Examining research on the impact of distance and online learning: A second-order meta-analysis study. Educational Research Review, 36, 100438. DOI: https://doi.org/10.1016/j.edurev.2022.100438 [in English].
12. Olson, L. (2024). Custom developer GPT for ethical AI solutions. 2024 IEEE/ACM 3rd International Conference on AI Engineering – Software Engineering for AI (CAIN), 282–283. [in English].
13. Schwarz, B., Swidan, O., Prusak, N., & Palatnik, A. (2021). Collaborative learning in mathematics classrooms: Can teachers understand progress of concurrent collaborating groups? Computers & Education, 165, 104151. DOI: https://doi.org/10.1016/j.compedu.2021.104151 [in English].
14. Tsvetkova, O., Piatykop, O., Dzherenova, A., Pronina, O., Vakaliuk, T. A., & Fedosova, I. (2023). Development and implementation of virtual physics laboratory simulations for enhanced learning experience in higher education. Proceedings of the 11th Workshop on Cloud Technologies in Education (CTE 2023), Kryvyi Rih, Ukraine, December 22, 2023 (CEUR Workshop Proceedings, vol. 3679), 98–110. CEUR-WS.org. https://ceur-ws.org/Vol-3679/paper10.pdf [in English].
15. Wang, C., & Hu, X. (2024). Exploring the influential factors of online professional learning completion of college teachers from the Global South in an international training program. The Internet and Higher Education, 64, 100963. DOI: https://doi.org/10.1016/j.iheduc.2024.100963 [in English].
16. Tai, T. Y. (2023). Comparing the effects of intelligent personal assistant-human and human-human interactions on e-learners’ willingness to communicate beyond the classroom. Computers & Education, 210, 104965. https://doi.org/10.1016/j.compedu.2023.104965 [in English].Vhatkar, A., Pawar, V., Dash, S., Brahme, M., & Patil, L. (2023). Exploring the impact of AI and machine learning algorithms on engineering education: A comprehensive analysis of research articles in the journal of engineering education. 2023 12th International Conference on System Modeling Advancement in Research Trends (SMART), 449–453. https://doi.org/10.1109/SMART59791.2023.10428329 [in English].
17. Wang, Y., & Yu, F. (2023). Visualization and analysis of mapping knowledge domains for AI education system studies. 2023 11th International Conference on Information and Education Technology (ICIET), 475–479. https://doi.org/10.1109/ICIET56899.2023.10111115 [in English].
18. Wang, Y., & Yu, F. (2023). Visualization and analysis of mapping knowledge domains for AI education system studies. 2023 11th International Conference on Information and Education Technology (ICIET), 475–479. https://doi.org/10.1109/ICIET56899.2023.10111115 [in English].