Архив журнала

Аннотация: Развитие генеративного искусственного интеллекта приводит к очевидной необходимости менять как традиционные формы оценки знаний, так и сами задания. На олимпиадах по литературе тестовые задания традиционно формировали «зону объективности» – однозначных ответов. Однако если участники олимпиады получают доступ к сети Интернет (что запрещено правилами, но технологически возможно), тестовые задания теряют смысл, так как современные нейросети способны мгновенно находить ответы на любые фактологические вопросы, ставя честных участников в заведомо проигрышную позицию. Основная цель данной работы – проверить олимпиадные задания по литературе на устойчивость к алгоритмам искусственного интеллекта. Автор стремится выявить типы заданий, которые остаются «неуязвимыми» для нейросетей и, следовательно, могут обеспечить конкурентоспособность интеллектуальных состязаний. В статье описана серия экспериментов с использованием популярных и доступных нейросетей: ChatGPT, Gemini, Grok, DeepSeek и Claude (только бесплатные версии). В качестве материала были взяты тестовые задания регионального и задания устного тура заключительного этапов всероссийской олимпиады школьников последних лет. Тестировались разные форматы: определение произведения по трем фактам, анализ вымышленных диалогов персонажей в мессенджерах, опознание литературных ситуаций (например, шахматной партии) и задания на основе визуальных метафор. Задания, содержащие уникальные маркеры (имена собственные, редкие термины, топонимы, окказионализмы), решаются нейросетями без ошибок. Наиболее защищенными оказались задания, лишенные вербального компонента. Использование визуальных рядов, построенных по принципу метафоры или ассоциации (например, связь изображений бильярда, калош и топора с «Вишневым садом»), делает задачу для искусственного интеллекта крайне трудной. При этом в отдельных случаях нейросеть Gemini показала неожиданную способность к глубокому метафорическому анализу сложных изображений (например, связь «Герники» Пикассо со «Словом о полку Игореве»), демонстрируя уровень понимания, сопоставимый с лучшими работами школьников. Выводы: использование в олимпиадных заданиях по литературе изображений, схем, графиков, диаграмм как базиса для аналитической работы с художественным произведением позволяет актуализировать сложные внутритекстовые связи, учитывать взаимодействие структурных элементов, что даже тестовые задания делает «непрозрачными» для искусственного интеллекта. За ответом из 1–2 слов должна стоять серьезная мыслительная работа, требующая не столько знания фактов, сколько умения их соотносить, оценивать, интерпретировать.

Об авторе (авторах) :

Кучина Т. Г.

Ярославский государственный педагогический университет
им. К. Д. Ушинского (Ярославль, Российская Федерация)

ORCID ID: http://orcid.org/0000-0002-1837-8429

SPIN-код: 1249-4551

Сроки публикации:

Дата поступления: 11.05.2026; дата публикации: 31.10.2026

Список литературы:

Архипов, П. А. Искусственный интеллект в образовании – конкурент или помощник учителя? / П. А. Архипов, Н. Д. Десяева // Hominum. – 2024. – № 1 (13). – С. 16–33. – EDN TJXQJL.

A real-world test of artificial intelligence infiltration of a university examinations system: A “Turing Test” case study / P. Scarfe, K. Watcham, A. Clarke, E. Roesch // PLoS ONE. – 2024. – Vol. 19, no. 6. – P. e0305354. – DOI: 10.1371/journal.
pone.0305354. – EDN ADZATF.

Academic cheating with generative AI: Exploring a moral extension of the theory of planned behavior / D. Huang, N. Hash, Ja. J. Cummings, K. Prena // Computers and Education: Artificial Intelligence. – 2025. – Vol. 8. – P. 100424. – DOI: 10.1016/
j.caeai.2025.100424. – EDN NZIOUZ.

Anderson, L. W. A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives / L. W. Anderson, D. R. Krathwohl. – Boston, MA : Pearson Education Group, 2001. – 352 p. – ISBN 9780801319037.

Bhayana, R. Performance of ChatGPT on a Radiology Board-style Examination: Insights into Current Strengths and Limitations / R. Bhayana, S. Krishna, R. R. Bleakney // Radiology. – 2023. – Vol. 307, no. 5. – DOI: 10.1148/radiol.230582. – EDN ATPNVQ.

Bloom, B. S. Taxonomy of educational objectives: The classification of educational goals / B. S. Bloom. – New York : Longmans, 1956.

ChatGPT for good? On opportunities and challenges of large language models for education / E. Kasneci, K. Sessler, S. Küchemann [et al.] // Learning and Individual Differences. – 2023. – Vol. 103. – P. 102274. – DOI: 10.1016/j.lindif.2023.102274. – EDN DTFXQN.

Kofinas, A. K. The impact of generative AI on academic integrity of authentic assessments within a higher education context / A. K. Kofinas, C. H. H. Tsay, D. Pike // British Journal of Educational Technology. – 2025. – Vol. 56, no. 6. – P. 2522–2549. – DOI: 10.1111/bjet.13585. – EDN MAXZUP.

Luong, T. Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the International Mathematical Olympiad / T. Luong, E. Lockhart. – URL: https://deepmind.google/blog/advanced-version-of-gemini-with-deep-think-officially-achieves-gold-medal-standard-at-the-international-mathematical-olympiad/ (mode of access: 12.05.2026).

Surahman, E. Academic dishonesty and trustworthy assessment in online learning: A systematic literature review / E. Surahman, T. H. Wang // Journal of Computer Assisted Learning. – 2022. – Vol. 38, no. 6. – P. 1535–1553. – DOI: 10.1111/jcal.12708. – EDN MYYYZU.

Susnjak, T. ChatGPT: The End of Online Exam Integrity? / T. Susnjak, T. Mcintosh // Education Sciences. – 2024. – Vol. 14, no. 6. – P. 656. – DOI: 10.3390/educsci14060656. – EDN RKEZPA.