ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ АВТОМАТИЗОВАНОГО ОЦІНЮВАННЯ СИТУАТИВНИХ ЗАВДАНЬ У НАВЧАННІ КІБЕРБЕЗПЕКИ
DOI: 10.31673/2786-8362.2025.012293
Анотація
У статті розглядається проблема об'єктивного оцінювання результатів виконання
ситуативних завдань кібербезпеки. Аналіз наукових публікацій виявив труднощі оцінювання
великого обсягу текстових відповідей, впливом ефекту контрастності при оцінюванні і ризиками
суб’єктивізму під час традиційного оцінювання. Запропонований метод застосування штучного
інтелекту для оцінювання, побудована розширена модель оцінювання з використанням стандартних
бібліотек мови програмування Python. Перевагою моделі є визначення внутрішнього плагіату між
відповідями студентів з метою дотримання академічної доброчесності, значне скорочення часу
оцінювання у порівнянні з традиційним підходом та візуалізація можливих збігів.
Ключові слова: інформаційні технології; штучний інтелект; ситуативне навчання;
автоматичне оцінювання; кібербезпека
Список використаної літератури
1. Increasing Teacher Competence in Cybersecurity Using the EU Security Frameworks / I.
Ievgeniia Kuzminykh et al. International Journal of Modern Education and Computer Science. 2021.
Vol. 13, no. 6. P. 60–68. URL: https://doi.org/10.5815/ijmecs.2021.06.06.
2. Brandão A., Pedro L., Zagalo N. Teacher professional development for a future with
generative artificial intelligence – an integrative literature review. Digital Education Review. 2024.
No. 45. P. 151–157. URL: https://doi.org/10.1344/der.2024.45.151-157.
3. Gallego-Arrufat M.-J., Torres-Hernández N., Pessoa T. Competence of future teachers in the
digital security area. Comunicar. 2019. Vol. 27, no. 61. P. 57–67. URL: https://doi.org/10.3916/c61-
2019-05.
4. P.A.L. Nadeesha, T.A. Weerasinghe, W.R.N.S Abeyweera. Automatic scoring of knowledge
gained and shared through discussion forums: based on the community of inquiry model. Information
Technologies and Learning Tools. 2025. Vol. 105, no. 1. P. 85–102. URL:
https://doi.org/10.33407/itlt.v105i1.5912.
5. Application of artificial intelligence for improving situational training of cybersecurity
specialists / Y. V. Shchavinsky et al. Information Technologies and Learning Tools. 2023. Vol. 97,
no. 5. P. 215–226. URL: https://doi.org/10.33407/itlt.v97i5.5424.
6. Bi X., Shi X., Zhang Z. Cognitive machine learning model for network information safety.
Safety Science. 2019. Vol. 118. P. 435–441. URL: https://doi.org/10.1016/j.ssci.2019.05.032.
7. The Current Research Status of AI-Based Network Security Situational Awareness / M. Wang
et al. Electronics. 2023. Vol. 12, no. 10. P. 2309. URL: https://doi.org/10.3390/electronics12102309.
8. AI-Empowered Multimodal Hierarchical Graph-Based Learning for Situation Awareness on
Enhancing Disaster Responses / J. Chen et al. Future Internet. 2024. Vol. 16, no. 5. P. 161. URL:
https://doi.org/10.3390/fi16050161.
9. Burrows S., Gurevych I., Stein B. The Eras and Trends of Automatic Short Answer Grading.
International Journal of Artificial Intelligence in Education. 2014. Vol. 25, no. 1. P. 60–117. URL:
https://doi.org/10.1007/s40593-014-0026-8.
10. Progress in Neural NLP: Modeling, Learning, and Reasoning / M. Zhou et al. Engineering.
2020. Vol. 6, no. 3. P. 275–290. URL: https://doi.org/10.1016/j.eng.2019.12.014.
11. Reimers N., Gurevych I. Sentence-BERT: Sentence Embeddings using Siamese BERTNetworks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language
Processing and the 9th International Joint Conference on Natural Language Processing (EMNLPIJCNLP), Hong Kong, China. Stroudsburg, PA, USA, 2019. URL: https://doi.org/10.18653/v1/d19-
1410.
