РП КВД Программирование и искусственный интеллект СОО 2026-2027

МУНИЦИПАЛЬНОЕ АВТОНОМНОЕ ОБЩЕОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ СРЕДНЯЯ ОБЩЕОБРАЗОВАТЕЛЬНАЯ ШКОЛА № 25 ИМЕНИ В.Г. ФЕОФАНОВА

ПРИНЯТО
на педагогическом совете
Протокол № 25 от 24.06.2026

УТВЕРЖДАЮ
Директор МАОУ-СОШ №25
______________ О.А. Добычина
Приказ № 576-о от 01.07.2026

РАБОЧАЯ ПРОГРАММА

курса внеурочной деятельности

«ПРОГРАММИРОВАНИЕ И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ»
для среднего общего образования (10-11 классы)

ПОЯСНИТЕЛЬНАЯ ЗАПИСКА
Актуальность программы
Рабочая программа курса внеурочной деятельности «Программирование и
искусственный интеллект» для 10–11 классов разработана в соответствии с
требованиями федерального государственного образовательного стандарта
среднего общего образования (утверждён приказом Минпросвещения России
от 17.05.2012 № 413) и федеральной образовательной программы среднего
общего образования (утверждена приказом Минпросвещения России от
18.05.2023 № 371).
Программа учитывает приоритеты, обозначенные в Стратегии научнотехнологического развития Российской Федерации (утверждена Указом
Президента Российской Федерации от 28.02.2024 № 145), Национальной
стратегии развития искусственного интеллекта на период до 2030 года
(утверждена Указом Президента Российской Федерации от 10.10.2019 № 490),
а также федеральный проект «Искусственный интеллект», входящий в
национальный проект «Экономика данных и цифровая трансформация
государства».
Актуальность курса обусловлена стремительным развитием технологий
искусственного интеллекта и возрастающей потребностью общества и
экономики в специалистах, способных не только использовать готовые ИИсервисы, но и понимать принципы их устройства, разрабатывать собственные
алгоритмы и модели, а также обеспечивать безопасность и этичность их
применения. Курс интегрирует знания информатики, математики и
технологий искусственного интеллекта, формирует межпредметные связи и
способствует профессиональному самоопределению обучающихся в сфере
ИТ.
Программа реализуется в рамках внеурочной деятельности и соотносится с
целями и задачами Единой модели профориентации, дополняя
профориентационный курс «Россия — мои горизонты» в части знакомства с
профессиями на стыке программирования и искусственного интеллекта. Курс
ориентирует обучающихся на выбор профильных предметов (информатика,
математика), планирование личной образовательной траектории с учётом
требований ЕГЭ и возможность поступления на ИТ-направления в вузы и
колледжи.
Цель программы
Получение обучающимися знаний, умений и навыков в области
программирования и технологий искусственного интеллекта, формирование

и развитие компетенций в сфере разработки и применения ИИ-решений,
воспитание ответственного и критического отношения к результатам работы
интеллектуальных систем.
Задачи программы











овладение знаниями об основах программирования, алгоритмизации и
технологиях искусственного интеллекта, их применении в современном мире;
формирование представлений об устройстве и принципах работы нейронных
сетей и больших языковых моделей, границах их применимости и
необходимости верификации результата;
формирование умений разрабатывать алгоритмы и программы на языке Python
для решения учебных и прикладных задач, в том числе с использованием
библиотек машинного обучения;
овладение умениями работать с данными: сбор, очистка, анализ и
визуализация данных, подготовка обучающих выборок;
развитие логического, алгоритмического и критического мышления как
необходимого
условия
профессиональной
деятельности
в
высокотехнологичном обществе;
формирование цифровых навыков, включая основы информационной
безопасности при работе с ИИ-инструментами и данными;
знакомство с профессиями в области программирования, анализа данных и
искусственного интеллекта, требованиями к ним и траекториями
профессионального входа.
Общая характеристика курса
Курс «Программирование и искусственный интеллект» носит интегративный
и практико-ориентированный характер. Содержание программы выстроено
вокруг сквозной идеи: «ИИ — это инструмент, а решение и
ответственность остаются за человеком». Обучающиеся последовательно
осваивают путь от основ программирования и алгоритмизации к работе с
данными, построению простейших моделей машинного обучения и
знакомству с современными большими языковыми моделями.
Программа предполагает практическую направленность: значительная часть
занятий отводится на выполнение практических работ, решение кейсов,
разработку мини-проектов. Занятия проводятся в форме, отличной от урочной
(практикумы, проектные мастерские, разбор кейсов, тренажёры, хакатоны).
Курс рассчитан на 34 часа в год (1 академический час в неделю) для каждого
класса. Программа может реализовываться как в 10, так и в 11 классе с учётом
уровня подготовки обучающихся.

ПЛАНИРУЕМЫЕ РЕЗУЛЬТАТЫ
Личностные результаты
1. Патриотическое воспитание:





понимание роли науки и технологий, в том числе информационных, в
обеспечении устойчивого развития и будущего российского государства;
ценностное отношение к достижениям российских учёных и инженеров в
области информатики, кибернетики и искусственного интеллекта (М.А.
Бурцев, В.Н. Вапник, А.И. Галушкин, В.М. Глушков, А.Н. Колмогоров, А.А.
Ляпунов, Д.А. Поспелов, А.Я. Червоненкис и др.);
готовность
к
обучению
и
заинтересованность
в
дальнейшей
профессиональной деятельности в сфере информационных технологий и
искусственного интеллекта.
2. Гражданское воспитание:






готовность участвовать в переходе к передовым цифровым и
интеллектуальным технологиям, созданию систем обработки больших данных
и машинного обучения;
понимание основных преимуществ технологий искусственного интеллекта и
связанных с ними рисков;
принятие базового правила безопасного использования ИИ: совет даёт ИИ,
решение и ответственность остаются за человеком.
3. Духовно-нравственное воспитание:





способность критически оценивать этические и моральные аспекты
использования искусственного интеллекта и нести ответственность при его
использовании;
уважение к интеллектуальному труду и авторству, следование правилам
академической честности при работе с ИИ-инструментами.
4. Эстетическое воспитание:




понимание эмоционального воздействия искусства при генерации текстов и
изображений с помощью ИИ;
умение отличать творческий замысел человека от ИИ-генерации по образцу;
понимание того, что модель является инструментом, а автором смыслового
решения остаётся человек.
5. Физическое воспитание, формирование культуры здоровья и
эмоционального благополучия:





осознание возможных негативных последствий использования ИИ для
физической безопасности человека;
критическое отношение к рекомендациям ИИ-сервисов в сфере здоровья;
понимание влияния непрерывного пребывания в цифровой среде на
самочувствие и готовность дозировать цифровую активность.
6. Трудовое воспитание:





интерес к практическому изучению профессий в сфере ИКТ, искусственного
интеллекта и защиты информации, осознание их актуальности и
перспективности;
уважение к профессиональной деятельности в сфере информационных
технологий, её результатам и достижениям.
7. Экологическое воспитание:




понимание возможностей использования ИИ для решения экологических
проблем;
осознание собственной экологической ответственности при пользовании
цифровыми сервисами (потребление электроэнергии инфраструктурой
данных, электронные отходы).
8. Ценности научного познания:






формирование представлений об информации, информационных процессах и
технологиях, соответствующих современному уровню развития науки;
понимание научного пути развития искусственного интеллекта: смена
парадигм от символьных систем к статистическому обучению и генеративным
моделям;
привычка проверять полученные с помощью ИИ сведения по независимым
источникам и опираться на первичные данные.
Метапредметные результаты
Познавательные универсальные учебные действия:






выявлять и характеризовать существенные признаки объектов (понятий
«алгоритм», «программа», «модель», «данные», «обучение», «признак»);
устанавливать существенный признак классификации, основания для
обобщения и сравнения (например, различать задачи, которые решает
обычный алгоритм, и задачи, для которых требуется обучаемая модель);
выявлять причинно-следственные связи в цепочке «данные — алгоритм —
результат — решение человека»;






устанавливать связи между понятиями курса информатики (алгоритмизация,
моделирование, программирование) и явлениями сферы искусственного
интеллекта;
применять различные методы, инструменты и запросы при поиске и отборе
информации из источников;
формулировать запрос к ИИ-сервису, уточнять его и интерпретировать ответ,
проверять его на соответствие поставленной задаче.
Коммуникативные универсальные учебные действия:






принимать цель совместной деятельности, коллективно строить действия по
её достижению (распределять роли, договариваться, обсуждать процесс и
результат совместной работы);
уметь обобщать мнения нескольких людей, проявлять готовность руководить
и выполнять поручения;
договариваться о правилах использования ИИ-инструментов в совместной
работе и открыто указывать, какая часть результата получена с их помощью.
Регулятивные универсальные учебные действия:








самостоятельно составлять алгоритм решения задачи, выбирать способ
решения с учётом имеющихся ресурсов и собственных возможностей;
выстраивать личный регламент работы с ИИ-сервисами: с какими сервисами
и для каких задач работать, как проверять результат, каких задач не
делегировать модели;
соблюдать приём «пауза перед действием»: не выполнять опасное действие
под влиянием срочности и эмоционального давления, проверять информацию
по независимому каналу;
применять правило учебной честности: сначала решить самостоятельно,
потом сверяться с результатом, полученным с помощью ИИ.
Предметные результаты
В области программирования и алгоритмизации:






характеризовать понятия «алгоритм», «программа», «переменная», «тип
данных», «условие», «цикл», «функция», «структура данных»;
разрабатывать алгоритмы и реализовывать их на языке Python для решения
учебных задач;
применять базовые структуры данных (списки, словари, кортежи, множества)
при решении практических задач;
использовать библиотеки Python для работы с данными (NumPy, Pandas,
Matplotlib) и основами машинного обучения (scikit-learn).
В области искусственного интеллекта:










объяснять отличие обучаемой модели от обычной программы: результат
формируется на основе обработки данных, а не задаётся жёсткой инструкцией;
характеризовать этапы развития ИИ: символьный подход, экспертные
системы, статистическое машинное обучение, нейронные сети, большие
языковые модели;
описывать принцип работы формального нейрона и идею обучения нейронной
сети на данных;
объяснять статистическую природу генерации текста и связанную с ней
способность модели правдоподобно ошибаться («галлюцинации»);
различать задачи, которые решает обычный алгоритм, и задачи, для которых
требуется обучаемая модель;
применять простейшие модели машинного обучения (линейная регрессия,
классификация) для решения учебных задач;
оценивать качество модели с помощью метрик (точность, полнота, F-мера) и
понимать цену ложноположительного и ложноотрицательного результата.
В области информационной безопасности и этики:







объяснять базовое правило безопасного применения ИИ: совет даёт ИИ,
решение и ответственность остаются за человеком;
характеризовать риски применения ИИ: предвзятость алгоритмов,
непрозрачность, утрата контроля над автономными системами;
раскрывать правовое содержание понятия персональных данных и правила их
обработки;
соблюдать правила академической честности при использовании ИИинструментов в учебной деятельности;
выявлять признаки недостоверной информации и верифицировать результат
работы ИИ по независимым источникам.
СОДЕРЖАНИЕ ПРОГРАММЫ
Раздел 1. Введение в программирование и искусственный интеллект (4 ч)
Тема 1.1. Искусственный интеллект: какие задачи он решает и где
ошибается
(1
ч).
Задачи, которые ИИ решает на уровне человека: распознавание образов и речи,
генерация текста и изображений, планирование, игра. Отличие обучаемой
модели от обычной программы. Границы применимости: почему модель,
хорошо решающая одну задачу, беспомощна в другой. Ключевое правило
безопасного применения ИИ: совет даёт ИИ, а решение и ответственность —
за человеком.
Тема 1.2. Эволюция искусственного интеллекта: от символического ИИ
к
большим
языковым
моделям
(1
ч).

Символический ИИ и экспертные системы, статистическое машинное
обучение, глубокое обучение нейронных сетей, трансформеры и большие
языковые модели, автономные ИИ-агенты. Движущие факторы развития ИИ.
Чем автономнее система, тем выше цена её ошибки.
Тема 1.3. Отечественная научная школа и развитие искусственного
интеллекта
(1
ч).
Вклад отечественных учёных в становление ИИ: М.А. Бурцев, В.Н. Вапник,
А.И. Галушкин, А.В. Гасников, В.М. Глушков, А.Н. Колмогоров, С.И.
Корсаков, А.А. Ляпунов, Ю.Е. Нестеров, Д.А. Поспелов, А.Я. Червоненкис и
др. Роль отечественных разработок в обеспечении технологического
суверенитета.
Тема 1.4. Язык Python как инструмент программирования и ИИ (1 ч).
Среда разработки, синтаксис, переменные и типы данных, ввод и вывод.
Первая программа. Основы работы с библиотеками.
Раздел 2. Основы алгоритмизации и программирования (8 ч)
Тема
2.1.
Алгоритмы
и
их
свойства
(1
ч).
Понятие
алгоритма,
свойства
алгоритмов
(дискретность,
детерминированность, результативность, массовость). Способы записи
алгоритмов: блок-схемы, псевдокод, программа.
Тема
2.2.
Линейные
алгоритмы
и
ветвление
(1
ч).
Условный оператор. Логические выражения. Решение задач на ветвление.
Тема
2.3.
Циклы
(1
ч).
Циклы с предусловием и постусловием, циклы со счётчиком. Решение
вычислительных задач.
Тема
2.4.
Функции
и
модули
(1
ч).
Определение и вызов функций, параметры и возвращаемые значения. Область
видимости переменных. Подключение модулей.
Тема 2.5. Структуры данных: списки, кортежи, множества, словари (2 ч).
Операции над списками, срезы, методы. Словари как основа хранения
структурированных данных. Практическая работа: обработка набора данных.
Тема 2.6. Работа с файлами и обработка данных (1 ч).
Чтение и запись файлов. Форматы CSV и JSON. Практическая работа: загрузка
и обработка табличных данных.
Тема 2.7. Основы объектно-ориентированного программирования (1 ч).
Понятия класса и объекта. Инкапсуляция. Простейшие классы на Python.

Раздел 3. Данные и машинное обучение (8 ч)
Тема
3.1.
Данные
как
основа
ИИ
(1
ч).
Типы данных: числовые, категориальные, текстовые. Признаки и целевая
переменная. Качество данных: полнота, шум, выбросы.
Тема 3.2. Библиотеки для работы с данными: NumPy и Pandas (2 ч).
Массивы NumPy, векторизованные вычисления. DataFrame в Pandas: загрузка,
фильтрация, группировка, агрегация. Практическая работа: анализ набора
данных.
Тема
3.3.
Визуализация
данных
(1
ч).
Библиотека Matplotlib. Построение графиков и диаграмм. Практическая
работа: визуализация результатов анализа.
Тема
3.4.
Введение
в
машинное
обучение
(1
ч).
Постановка задачи машинного обучения. Обучение с учителем и без учителя.
Обучающая и тестовая выборки. Переобучение и обобщающая способность.
Тема 3.5. Простейшие модели: линейная регрессия и классификация (2
ч).
Линейная регрессия: идея метода, обучение модели, оценка качества.
Логистическая регрессия и классификация. Практическая работа: построение
и оценка модели на учебном наборе данных.
Тема
3.6.
Метрики
качества
моделей
(1
ч).
Точность, полнота, F-мера. Матрица ошибок. Цена ложноположительного и
ложноотрицательного результата. Практическая работа: оценка качества
модели.
Раздел 4. Нейронные сети и большие языковые модели (7 ч)
Тема 4.1. Основы нейронных сетей: от модели нейрона к большой
языковой
модели
(2
ч).
Формальный нейрон. Идея обучения нейросетей. Почему обучение на данных
не равно пониманию: обобщающая способность, переобучение, роль объёма
и качества обучающей выборки. Статистические методы в основе генерации
текста.
Тема 4.2. Практикум: построение простейшей нейронной сети (1 ч).
Реализация простейшей нейронной сети с использованием библиотек.
Обучение на учебном наборе данных.
Тема 4.3. Большие языковые модели и их применение (1 ч).
Устройство больших языковых моделей. Промптинг: формулирование

запроса, уточнение, оценка результата. Практическая работа: работа с
генеративной моделью, критическая оценка вывода.
Тема 4.4. Компьютерное восприятие: распознавание изображений, речи
и
текста
(1
ч).
Дискретное представление изображений и звука. Распознавание речи и синтез
голоса, оптическое распознавание текста, компьютерное зрение. Трудности
распознавания. Риск слежки и этические ограничения работы с биометрией.
Тема 4.5. Генеративные модели: синтетические медиа и дипфейки (1 ч).
Технологии генерации синтетического контента. Методы выявления
подделок: анализ артефактов, метаданные, цифровые водяные знаки. Гигиена
достоверности: верификация источника.
Тема 4.6. Ошибки и ограничения ИИ: «галлюцинации» и верификация
результатов
(1
ч).
Специфические ошибки генеративных алгоритмов: «галлюцинации»,
правдоподобная недостоверность. Практика верификации ответов ИИ по
независимым источникам.
Раздел 5. Этика, право и безопасность в сфере ИИ (4 ч)
Тема 5.1. Этика и право в сфере искусственного интеллекта (1 ч).
Ключевые этические проблемы: предвзятость алгоритмов и справедливость,
прозрачность и объяснимость, ответственность за решение, приватность.
Права человека в цифровой среде: право на объяснение автоматизированного
решения, защита от дискриминации, значимые решения — только при участии
человека.
Тема 5.2. Персональные данные, цифровой след и правовые основы их
защиты
(1
ч).
Правовое содержание понятия персональных данных: категории, основания и
цели обработки, права субъекта и обязанности оператора. Цифровой след и
профиль: cookie и метаданные, геолокация, поведенческие данные.
Управление приватностью.
Тема 5.3. Социальная инженерия и принцип нулевого доверия (1 ч).
Атака через доверие: разведка цели, подготовка легенды, канал воздействия,
момент действия. ИИ как инструмент атакующего: клонирование голоса и
лица, генерация убедительных текстов. Правило «нулевого доверия» к
просьбам о данных и деньгах.
Тема 5.4. Генеративный ИИ и интеллектуальное право: вопрос авторства
(1
ч).
Правовые режимы сгенерированного контента: объект и субъект авторского
права, права на изображение и голос, лицензионные условия сервисов,

маркировка ИИ-контента. Академическая честность при использовании ИИ в
учебной деятельности.
Раздел 6. ИИ в учебной и профессиональной деятельности (3 ч)
Тема 6.1. ИИ в учебной деятельности: инструменты и честность (1 ч).
ИИ-инструменты в учёбе: объяснение и систематизация материала, генерация
задач и тестов, редактура, границы допустимого. Последовательность
выполнения учебных заданий: самостоятельное выполнение, дополнение с
помощью ИИ, проверка результатов.
Тема 6.2. Профессии на стыке программирования, ИИ и информационной
безопасности
(1
ч).
Профессии в индустрии ИИ и анализа данных: исследователь машинного
обучения, инженер данных, аналитик, промпт-инженер, специалист по этике
и качеству моделей, инженер по кибербезопасности, разработчик бортовых
систем ИИ. Траектория «входа» в профессию: профильное обучение и ЕГЭ,
олимпиады, ИТ-специальности вузов и колледжей, портфолио проектов.
Тема 6.3. Итоговая рефлексия. Личная стратегия работы с ИИ (1 ч).
Формирование персональной методики: с какими ИИ-сервисами работаю, для
каких задач, как проверяю результат и что не доверяю модели. Закрепление
главного принципа: совет даёт ИИ, решает человек. План развития
компетенций после окончания школы.
ТЕМАТИЧЕСКОЕ ПЛАНИРОВАНИЕ
№ п/п

Тема занятия

Раздел 1. Введение
в
программирование
и искусственный
интеллект

Количество часов

4

1

Искусственный интеллект: какие
задачи он решает и где ошибается

1

2

Эволюция
искусственного
интеллекта: от символического
ИИ к большим языковым

1

№ п/п

Тема занятия

Количество часов

моделям
3

Отечественная научная школа и
развитие
искусственного
интеллекта

1

4

Язык Python как инструмент
программирования и ИИ

1

Раздел 2. Основы
алгоритмизации и
программирования

8

5

Алгоритмы и их свойства

6

Линейные
ветвление

7

Циклы

1

8

Функции и модули

1

9

Структуры данных: списки,
кортежи, множества, словари

2

10

Работа с файлами и обработка
данных

1

11

Основы
ориентированного
программирования

1

алгоритмы

Раздел 3. Данные и
машинное
обучение
12

1
и

объектно-

1

8
Данные как основа ИИ

1

№ п/п

Тема занятия

Количество часов

13

Библиотеки для работы
данными: NumPy и Pandas

14

Визуализация данных

1

15

Введение в машинное обучение

1

16

Простейшие модели: линейная
регрессия и классификация

2

17

Метрики качества моделей

1

с

Раздел
4.
Нейронные сети и
большие языковые
модели

2

7

18

Основы нейронных сетей: от
модели нейрона к большой
языковой модели

2

19

Практикум:
построение
простейшей нейронной сети

1

20

Большие языковые модели и их
применение

1

21

Компьютерное
распознавание
речи и текста

1

22

Генеративные
модели:
синтетические медиа и дипфейки

1

23

Ошибки и ограничения ИИ:
«галлюцинации» и верификация
результатов

1

восприятие:
изображений,

№ п/п

Тема занятия

Количество часов

Раздел 5. Этика,
право
и
безопасность
в
сфере ИИ

4

24

Этика и право в сфере
искусственного интеллекта

1

25

Персональные данные, цифровой
след и правовые основы их
защиты

1

26

Социальная
инженерия
принцип нулевого доверия

1

27

Генеративный
ИИ
и
интеллектуальное право: вопрос
авторства

и

Раздел 6. ИИ в
учебной
и
профессиональной
деятельности

1

3

28

ИИ в учебной деятельности:
инструменты и честность

1

29

Профессии
на
стыке
программирования,
ИИ
и
информационной безопасности

1

30

Итоговая рефлексия.
стратегия работы с ИИ

1

ИТОГО

Личная

34

ФОРМЫ И ВИДЫ ДЕЯТЕЛЬНОСТИ ОБУЧАЮЩИХСЯ








практические работы по программированию на языке Python;
работа с библиотеками анализа данных и машинного обучения;
разбор кейсов и ситуационных задач;
проектная деятельность (индивидуальные и групповые мини-проекты);
тренажёры и интерактивные задания;
дискуссии и рефлексия;
итоговая защита проектов.
ФОРМЫ КОНТРОЛЯ И ОЦЕНИВАНИЯ
Оценивание результатов освоения курса носит безотметочный характер и
осуществляется в форме наблюдения, анализа практических работ, защиты
мини-проектов, рефлексивных заданий. Итоговый результат фиксируется в
портфолио обучающегося.
УЧЕБНО-МЕТОДИЧЕСКОЕ
ОБЕСПЕЧЕНИЕ








И

МАТЕРИАЛЬНО-ТЕХНИЧЕСКОЕ

компьютерный класс с доступом в интернет;
среда разработки на языке Python (IDLE, PyCharm, VS Code или др.);
библиотеки NumPy, Pandas, Matplotlib, scikit-learn;
учебные наборы данных;
доступ к генеративным ИИ-сервисам (в рамках учебных задач с соблюдением
правил безопасности);
мультимедийное оборудование.


Наверх
На сайте используются файлы cookie. Продолжая использование сайта, вы соглашаетесь на обработку своих персональных данных (согласие). Подробности об обработке ваших данных — в политике конфиденциальности.
Яндекс Метрика не установлена на сайте

Функционал «Мастер заполнения» недоступен с мобильных устройств.
Пожалуйста, воспользуйтесь персональным компьютером для редактирования информации в «Мастере заполнения».