Использование больших языковых моделей для создания учебных материалов по дисциплине «Базы данных»

Abstract

Рассмотрена проблема использования больших языковых моделей (LLM) для создания учебных материалов. Предложена и верифицирована практическая методика с целью генерации качественного учебного контента для конкретной дисциплины «Базы данных». Представлена многоступенчатая методика, в которой одна LLM генерирует контент, а вторая, независимая «рассуждающая» модель, верифицирует его на предмет качества и корректности. Для проверки сгенерированных материалов на отсутствие фактических ошибок применялись метод сравнения с авторитетным источником и модифицированный алгоритм «цепочки верификаций». Результаты подтверждают, что данный подход при использовании современных производительных LLM (таких как DeepSeek, Gemini) позволяет создавать высококачественные учебные тексты с низкой вероятностью появления галлюцинаций. Методика способна значительно ускорить разработку надежных учебно-методических материалов и может быть оптимизирована путем сокращения числа итераций при высоком качестве первоначального ответа.

This paper examines the use of large language models (LLM) for creating educational materials. A practical methodology for generating high-quality educational content for the specific discipline of “Databases” is proposed and verified. A multi-stage methodology is presented, in which one LLM generates content, and a second, independent “reasoning” model verifies its quality and correctness. A comparison method with an authoritative source and a modified “verification chain” algorithm was used to check the generated materials for factual errors. The results confirm that this approach, when used with modern, high-performance LLMs (such as DeepSeek and Gemini), enables the creation of high-quality educational texts with a low probability of hallucinations. The methodology can significantly accelerate the development of reliable educational materials and can be optimized by reducing the number of iterations while maintaining a high-quality initial response.