Или история о том, как система Frieren помогла нам понять, что происходит в головах 360 студентов, и почему посещаемость всё-таки имеет значение

Пролог: Когда 360 студентов — это не просто число

Представьте себе: вы преподаватель курса "Объектно-ориентированное программирование" в МАИ. У вас 360 студентов, 16 лекций в семестре, 7 домашних заданий, и каждый студент считает, что его случай — особенный. А еще у вас есть ChatGPT, GitHub Copilot и куча других AI-инструментов, которые студенты используют так активно, что вы уже не понимаете, кто из них действительно понимает код, а кто просто копирует.

Знакомо? Если да, то добро пожаловать в клуб. Если нет — считайте, что вам повезло. Но мы решили не просто жаловаться, а сделать что-то полезное. Так родилась система Frieren — комплексная платформа для автоматизации образовательного процесса, которая не только упростила нашу жизнь, но и открыла глаза на некоторые интересные закономерности.

Часть 1: Frieren — не просто красивое имя

Название системы — отсылка к аниме (да, мы такие), но функциональность у неё вполне серьёзная. Frieren — это микросервисная архитектура, состоящая из:

• Backend API (FastAPI) — RESTful API для всех операций

• Frontend (Next.js) — веб-интерфейс для преподавателей

• Telegram Bot (aiogram) — бот для студентов и преподавателей

• N8N Workflows — автоматизация бизнес-процессов

• RabbitMQ — асинхронная обработка событий

• PostgreSQL — база данных

Звучит сложно? На самом деле, всё довольно просто: студент сканирует QR-код на лекции, система автоматически регистрирует посещаемость, отправляет данные в Google Sheets, а преподаватель получает уведомление. Домашние задания проверяются на AI-генерацию через OpenAI GPT-4, и всё это происходит без нашего участия.

Но это ещё не всё. Система также автоматически назначает варианты домашних заданий каждому студенту при регистрации. Больше никаких споров о том, кто какой вариант получил — всё справедливо и прозрачно. А когда студент отправляет работу, система сразу анализирует её на AI-генерацию и готовит предварительный отчёт для преподавателя.

Основные принципы анализа кода на "вайб-кодинг" :

1. Стилистические паттерны: Проверка комментариев, избыточности, консистентности и шаблонности в именовании.

2. Структурная логика: Поиск шаблонных, стандартизированных или излишне абстрактных решений, характерных для обучающих примеров ИИ.

3. Типичные артефакты: Выявление ошибок, недочётов (дублирование, неиспользуемый код) или неестественных, неидиоматичных конструкций.

4. Инновационность vs. стандартность: Оценка степени оригинальности, отклонения от типовых примеров документации и наличия контекстно-зависимых решений.

Но самое интересное началось, когда мы накопили данные.

Часть 2: Цифры, которые заставляют задуматься

Масштаб бедствия (или успеха?)

• 360 студентов в системе

• 7 преподавателей вели практику (и всем им система помогала проверять работы)

• 98.4% сдали хотя бы одну работу (это хорошо!)

• Средний балл: 82.5 из 120 возможных

• Средний процент AI-генерации: 57.5%

• Средняя посещаемость: 8.4 из 16 лекций (52.5%)

Представьте: 7 преподавателей проверяют работы 360 студентов. Без автоматизации это был бы кошмар. Но система взяла на себя рутинные задачи: назначение вариантов, предварительный анализ работ, выявление подозрительных случаев. Преподаватели получили готовые отчёты и могли фокусироваться на проверке качества кода, а не на поиске проблем.

Первое, что бросается в глаза: студенты активно используют AI. И это нормально. Но дальше начинается самое интересное.

Открытие №1: Посещаемость всё-таки имеет значение

Студенты, которые посещали 12–16 лекций из 16, имели в среднем на 15–20% выше баллы, чем те, кто приходил реже.

Но есть и исключения: мы обнаружили 25 «самоучек» — студентов с высокой успеваемостью (≥100 баллов) при низкой посещаемости (≤6 лекции). Это те самые ребята, которые могут пропустить лекцию, но всё равно написать отличный код. Правда, таких меньшинство.

Вывод: Регулярное посещение лекций — это не просто формальность. Оно действительно помогает. Но если вы гений-самоучка, система это тоже заметит.

Открытие №2: Золотая середина AI-использования

Вот тут начинается самое интересное. Мы проанализировали, как процент AI-генерации влияет на качество работ, и обнаружили любопытную закономерность:

• Оптимальный диапазон: 55-75% AI → средний балл 89.2

• Низкий AI (<40%): средний балл 76.4

• Высокий AI (>80%): средний балл 71.8

Да, вы правильно прочитали. Умеренное использование AI даёт лучшие результаты, чем полный отказ или полная зависимость. Это как с кофе: одна чашка бодрит, десять — убивает.

Почему так происходит?

1. Студенты с низким AI (<40%) часто тратят слишком много времени на рутинные задачи, которые можно было бы решить быстрее с помощью AI. Они «изобретают велосипед» вместо того, чтобы фокусироваться на понимании концепций.

2. Студенты с высоким AI (>80%) копируют код, не понимая его. Когда приходит время объяснить решение или исправить ошибку, они теряются.

3. Студенты с оптимальным AI (55-75%) используют AI как инструмент: они получают базовый код, но затем адаптируют его, понимают, как он работает, и улучшают. Это и есть правильный подход.

Открытие №3: Паттерны, которые рассказывают истории

Система автоматически выявила несколько интересных паттернов:

AI-зависимые студенты (12 человек):

• AI > 80%, балл < 70

• Проблема: они полагаются на AI, но не понимают код

• Решение: индивидуальные беседы и задания с запретом AI

Самостоятельные студенты (31 человек):

• AI < 40%, балл > 90

• Это те, кто действительно понимает материал

• Но они могли бы работать эффективнее, используя AI как помощника

Оптимальный баланс:

• 55-75% AI — это "золотая середина"

• Эти студенты показывают лучшие результаты

Часть 3: Как автоматизация изменила нашу работу

Для преподавателей: больше времени на важное

До автоматизации:

• Ручная регистрация посещаемости на каждой лекции

• Поиск подозрительных работ вручную

• Трата времени на рутинные задачи

После автоматизации:

• QR-коды регистрируют посещаемость автоматически

• Система сама назначает варианты домашних заданий каждому студенту

• Система сама анализирует работы на AI-генерацию

• Преподаватель получает готовый отчёт с подозрительными случаями

• Больше времени на индивидуальную работу со студентами

Результат: Мы экономим примерно 3-4 часа в неделю на рутинных операциях. Это время можно потратить на консультации, улучшение материалов или просто на отдых (да, преподаватели тоже люди). А для 7 преподавателей, которые работали с системой, это означало возможность эффективно проверять работы 360 студентов без потери качества.

Для студентов: прозрачность и удобство

Telegram-бот позволяет:

• Быстро зарегистрироваться на лекцию (сканирование QR-кода)

• Отправить домашнее задание одной командой

• Получить уведомление о проверке работы

• Посмотреть свои оценки и комментарии

Всё это работает 24/7, без необходимости писать преподавателю в личку в 2 часа ночи (хотя некоторые всё равно пишут, но это уже другая история).

Раннее выявление проблем

Система автоматически выделяет студентов с подозрительными паттернами:

• Высокий AI % + низкий балл → нужна беседа

• Низкая посещаемость + падающие оценки → нужна поддержка

• Резкое изменение показателей → стоит разобраться

Это позволяет вмешаться вовремя, до того, как ситуация станет критической.

Часть 4: Современные реалии преподавания программирования

Эра AI-инструментов: новая реальность

ChatGPT, GitHub Copilot, Cursor, и куча других инструментов — это уже не будущее, это настоящее. Студенты используют их активно, и это нормально. Вопрос не в том, используют ли они AI, а в том, как они его используют.

Наша задача как преподавателей:

• Не запрещать AI (это бесполезно)

• Учить студентов эффективно использовать AI

• Различать использование AI как помощника и полную зависимость от него

• Фокусироваться на понимании, а не на копировании

Масштабирование без потери качества

360 студентов — это много. Но автоматизация позволяет эффективно работать с таким количеством, не теряя в качестве. Система обрабатывает регистрации, анализирует работы, выявляет проблемы — всё это происходит автоматически, а преподаватель фокусируется на том, что действительно важно: обучении.

Данно-ориентированный подход

Раньше мы оценивали успеваемость субъективно: "Эта группа хорошо работает", "Тот студент старается". Теперь у нас есть данные:

• Точные цифры по посещаемости

• Процент AI-генерации в каждой работе

• Корреляции между различными факторами

• Объективные выводы о том, что работает, а что нет

Это позволяет принимать решения на основе фактов, а не предположений.

Заключение

Автоматизация образовательного процесса через систему Frieren показала свою эффективность. Мы не только упростили рутинные задачи (назначение вариантов, регистрация посещаемости, предварительный анализ работ), но и получили ценную информацию о том, как студенты учатся и как они используют AI.

Главные выводы: Умеренное использование AI (55-75%) даёт лучшие результаты, посещаемость имеет значение для большинства студентов, а автоматизация позволяет 7 преподавателям эффективно работать с 360 студентами без потери качества.

Современные реалии требуют адаптации методик преподавания к эре AI-инструментов. Но это не проблема — это возможность сделать образование лучше, эффективнее и интереснее.

Система же система доступна на GitHub: https://github.com/DVDemon/frieren