Adaptive LLM-based learning environments as a means of overcoming knowledge deficits under martial law

Abstract

У цій статті розглянуто глибокі освітні порушення, спричинені повномасштабним військовим вторгненням в Україну, та запропоновано адаптивні навчальні середовища (ALE) на основі великих мовних моделей (LLM) як критичний механізм пом’якшення наслідкових прогалин у знаннях. Наголошуючи на неспроможності традиційних педагогічних моделей в умовах руйнування інфраструктури та безперервного переміщення населення, дослідження вивчає, як LLM сприяють персоналізованій підтримці навчання в режимі реального часу. Завдяки поєднанню діагностичного оцінювання, адаптивного відпрацювання прогалин, керованої практики та верифікації вчителем ці середовища забезпечують необхідну компенсаційну адаптивність для перерваного навчання. Крім того, розгортання LLM за допомогою периферійних обчислень і мультимодальних інтерфейсів забезпечує педагогічну безперервність навіть за умов дефіциту ресурсів і низької пропускної здатності. Визнаючи притаманні ризики галюцинацій моделей і надмірної залежності, у дослідженні обґрунтовано, що інтеграція генерації з доповненням пошуком (RAG) разом із суворим людським наглядом може ефективно захистити академічну доброчесність. Зрештою, ALE на основі LLM становлять стійкий, чутливий до травми педагогічний інструмент, здатний перетворити фрагментовані моделі навчання на керований безперервний прогрес під час тривалих воєнних криз.

This paper examines the profound educational disruptions precipitated by the full-scale military invasion of Ukraine and posits adaptive learning environments (ALEs) driven by large language models (LLMs) as a critical mechanism for mitigating consequent knowledge deficits. Highlighting the inadequacy of conventional pedagogical models amidst infrastructural collapse and continuous displacement, the study explores how LLMs facilitate real-time, personalised instructional scaffolding. By incorporating diagnostic assessment, adaptive remediation, guided practice, and teacher-led verification, these environments deliver essential compensatory adaptability for interrupted studies. Furthermore, the deployment of LLMs through edge computing and multimodal interfaces ensures pedagogical continuity even within resource-scarce and low-bandwidth conditions. Whilst acknowledging the inherent risks of model hallucination and over-reliance, the research argues that integrating retrieval-augmented generation (RAG) alongside rigorous human oversight can effectively safeguard academic integrity. Ultimately, LLM-based ALEs represent a resilient, trauma-informed pedagogical instrument capable of converting fragmented study patterns into manageable, continuous progression during prolonged wartime crises.