Трансформація навчального середовища з налагодження в епоху GitHub Copilot: як зберегти ефективність навчання?

UKR: 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.

ENG: This paper investigates the transformation of software debugging instructional methodologies amidst the active integration of AI assistants. It explores the phenomenon of student «cognitive passivity» and the limitations of current Large Language Models (LLMs) when dealing with complex software systems. A framework for designing «AI-resistant» learning tasks is proposed, leveraging architectural complexity and extensive context volumes to mitigate the potential for automated problem-solving. The study justifies the implementation of a telemetry collection system to monitor student interactions within the Integrated Development Environment (IDE) as a mechanism for verifying academic integrity and task autonomy. Key metrics for distinguishing between human and AI-agent activities are identified, including temporal context-processing parameters and debugging tool usage patterns (breakpoints, stack trace, stepping). Furthermore, the paper describes a prototype toolkit that implements a dual-component assessment model, considering both the correctness of the final code and the methodological integrity of the debugging process. The findings are aimed at developing adaptive educational systems capable of generating personalized recommendations for students.