Интеллектуальная информационная система LUMIQа как цифровая инфраструктура разработки и применения адаптивных методик преподавания естественно-научных предметов

Представлено научно-методическое описание платформы LumiQa, спроектированной и разработанной автором как адаптивной открытой электронной образовательной платформы, в качестве интеллектуальной информационной системы и цифровой инфраструктуры разработки и применения адаптивных методик преподавания естественно-научных предметов. Платформа рассматривается как рабочий контур, объединяющий локальные предметные графы знаний, цифровой след обучающегося, генерацию, дополненную поиском (RetrievalAugmented Generation, RAG), ИИ-ассистентов, автоматизированную проверку и управляемое преподавательское вмешательство. На материале курса Python показан демонстрационный экран визуализации предметного графа знаний, а также сценарии сопровождения лабораторной работы, подготовки к итоговому тесту и прохождения контрольного задания. Разделение продвижения по маршруту темы и качества освоения материала рассматривается как один
из механизмов контрольно-оценочного контура. Методологическим основанием выступает общая логика разработки и применения адаптивных методик: диагностика, аналитика и адаптация. Локальные графы естественно-научных предметов, таких как физика, химия, астрономия и информатика, а также междисциплинарные связи между ними описаны как компоненты архитектуры развития LumiQa, находящиеся в активной разработке, интеграции и методической настройке командой гранта.

1. Xie, H., Chu, H. C., Hwang, G.-J., Wang, C. C. Trends and development in technology-enhanced adaptive/personalized learning: A systematic review of journal publications from 2007 to 2017 // Computers & Education. – 2019. – Vol. 140. – Art. 103599. – DOI: 10.1016/j.compedu.2019.103599.

2. Khor, E. T., Mutthulakshmi, K. A Systematic Review of the Role of Learning Analytics in Supporting Personalized Learning // Education Sciences. – 2024. – Vol. 14. – №. 1. – Art. 51. – DOI: 10.3390/educsci14010051.

3. Власова, Е. З., Власов, Д. В. Большие данные в анализе IT-успешности преподавателей университета // Известия Балтийской государственной академии рыбопромыслового флота: психолого-педагогические науки. – 2024. – № 1(67). – С. 7–12. – DOI:10.46845/2071-5331-2024-1-67-7-12. – URL: https://brarf.journal.klgtu.ru/jour/article/view/4 (дата обращения: 08.06.2026).

4. Власов, Д. В. Автоматизация диагностики знаний обучающихся средствами больших языковых моделей и облачных интеграционных платформ // Современные информационные технологии и ИТ-образование. – 2026. – Т. 21. – № 4. – URL: http://sitito.cs.msu.ru/index.php/SITITO/article/view/1279 (дата обращения: 08.07.2026).

5. Власов, Д. В. Автоматизация тестирования обучающихся средствами генеративного искусственного интеллекта и современных интеграционных платформ // Педагогика информатики. – 2025. – № 1-2. – С. 28–46. – URL: https://pcs.bsu.by/2025_1-2/3ru.pdf (дата обращения: 08.06.2026).

6. Власов, Д. В. Средства генеративного искусственного интеллекта и современных интеграционных платформ: новое поколение систем тестирования учебных достижений, обучающихся // Инноватика в профессиональном образовании: технологический подход / под науч. ред. И. Д. Рудинского, Е. З. Власовой. – Москва: Горячая линия – Телеком, 2026. – С. 200–218. – ISBN 978-5-9912-1191-8. –URL: https://www.techbook.ru/book.php?id_book=1442 (дата обращения: 08.06.2026).

7. Abu-Salih, B., Alotaibi, S. A systematic literature review of knowledge graph construction and application in education // Heliyon. – 2024. – Vol. 10. – №. 3. – Art. e25383. – DOI: 10.1016/j.heliyon.2024.e25383.

8. Li, A., Li, Y., Gao, X. Personalized Learning Path Recommendation Based on Knowledge Graphs: A Survey // Electronics. – 2026. – Vol. 15. – №. 1. – Art. 238. – DOI: 10.3390/electronics15010238.

9. Soumya, M. D., Krishnamoorthy, S. Knowledge Graphs for Representing Knowledge Progression of Students across Heterogeneous Learning Systems // International Journal of Artificial Intelligence in Education. – 2025. – Vol. 35. – №. 4. – Pр. 1695–1723. – DOI: 10.1007/s40593-024-00434-w.

10. Бойцова, Т. Б., Власова, Е. З., Горбунова, В. В., Исаева, Е. И. Междисциплинарная интеграция химии и информатики при реализации образовательной программы двухпрофильного бакалавриата в Герценовском университете // Современные проблемы науки и образования. – 2026. – № 2. – Ст. 23. – DOI: 10.17513/spno.34456. – URL: https://s.science-education.ru/pdf/2026/2/34456.pdf (дата обращения: 08.07.2026).

11. Li, Z., Wang, Z., Wang, W., Hung, K., Xie, H., Wang, F. L. Retrieval-augmented generation for educational application: A systematic survey // Computers and Education: Artificial Intelligence. – 2025. – Vol. 8. – Art. 100417. – DOI: 10.1016/j.caeai.2025.100417.

12. Wang, H., Tlili, A., Huang, R., Cai, Z., Li, M., Cheng Z. Examining the applications of intelligent tutoring systems in real educational contexts: A systematic literature review from the social experiment perspective // Education and Information Technologies. – 2023. – Vol. 28. – №. 7. – Pр. 9113–9148. – DOI: 10.1007/s10639-022-11555-x.

13. Memarian, B., Doleck, T. Human-in-the-loop in artificial intelligence in education: A review and entity-relationship analysis // Computers in Human Behavior: Artificial Humans. – 2024. – Vol. 2. – №. 1. – Art. 100053. – DOI: 10.1016/j.chbah.2024.100053.

14. Bikanga Ada M. Using design-based research to develop a Mobile Learning Framework for Assessment Feedback // Research and Practice in Technology Enhanced Learning. – 2018. – Vol. 13. – Art. 3. – DOI: 10.1186/s41039-018-0070-3.

15. Ruan, S., Lu, K. Adaptive deep reinforcement learning for personalized learning pathways: A multimodal data-driven approach with real-time feedback optimization // Computers and Education: Artificial Intelligence. – 2025. – Vol. 9. – Art. 100463. – DOI: 10.1016/j.caeai.2025.100463.