Работа посвящена разработке системы автоматизированной проверки заданий с использованием статического и динамического анализа кода в сочетании с большими языковыми моделями (LLM). Особое внимание уделяется персонализации обратной связи: анализируются как исходный код, так и история решений студента, что позволяет формировать индивидуальную траекторию обучения и точнее выявлять ошибки. Рекомендации по стандартам кодирования (Google Style Guides) улучшают читаемость и структурированность кода, а LLM автоматически генерируют подробные отчёты и предложения по рефакторингу. Исследование показало значительный потенциал подхода, а также ограничения, связанные с доступностью зарубежных моделей, объёмами данных и вычислительными ресурсами.

Кривоносов Е.Д. (науч. рук. Перл И.А.) Исследование возможности применения LLM для генерации персонализированных подсказок на платформе Code&Test // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2025]. URL: https://kmu.itmo.ru/digests/article/15675