База знания AIEdAIEd KB
На тази страница

Прочетете тази страница на английски

Понятия

Самостоятелността на обучаемия

Създадена 2026-08-13 · Актуализирана 2026-11-08

Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.

Самостоятелността на обучаемия — способността на обучаемите да действат целенасочено, да правят избори и да упражняват контрол върху собственото си обучение. В AI в образованието самостоятелността е централен въпрос, защото AI инструментите могат едновременно да подкрепят и да подкопават контрола на обучаемите: добре проектираният AI запазва и усилва автономията на обучаемия, докато свръхразчитането или пасивното приемане на резултата от AI може да я ерозира. Самостоятелността се свързва със Self-Regulated Learning, Motivation, Self-Efficacy и етичния дизайн на AI системите и е тясно свързана с психологическите концепции за автономия и усещане за самостоятелност.

Въпроси за размисъл

  • Самостоятелността на обучаемия — способността ви да действате целенасочено и да контролирате собственото си обучение — е централна за AI в образованието. Когато използвате AI инструмент, колко контрол всъщност запазвате върху учебния процес, а колко — инструментът?
  • AI може едновременно да подкрепя и да подкопава самостоятелността: добре проектираният AI усилва автономията ви, докато свръхразчитането я ерозира. Спомнете си момент, в който оставихте AI просто „да го направи“. Научихте ли по-малко, дори резултатът да изглеждаше по-добър?
  • Студентите, които делегират интерпретацията на AI, могат да загубят самостоятелност върху собственото си разсъждение. Когато предадете задача на AI, коя част от собственото си мислене тихо отстъпвате?
  • Едно изследване установи, че предходното самостоятелно инициирано учене с AI на студентите предсказва колко са спечелили от обучението — обучаемите с висока самостоятелност печелят най-много. Ако самостоятелността е донякъде умение, което носите със себе си, как вашият собствен контекст би могъл да я изгради, вместо да я предполага?
  • Самостоятелността не е само черта — тя възниква момент по момент в груповата работа, където AI може да преразпредели кой оформя сътрудничеството, без обучаемите да забележат. Кога за последно забелязахте инструмент, който тихо насочва посоката на групата?
  • Контрарианските AI персони може да тласнат групите към продуктивно предизвикателство, но също намаляват удовлетвореността от работата в екип и психологическата безопасност. Може ли продуктивната фрикция да съществува без психологическа безопасност — и какво означава това за дизайна на AI съотборници?

Въведение

Самостоятелността има значение, защото обучението е най-ефективно, когато обучаемите са активни, целенасочени участници, а не пасивни получатели. AI системите — били те преподавателски агенти, роботи или чатботове — оформят колко контрол запазват обучаемите върху учебния си процес. Затова запазването на самостоятелността е ключов дизайнерски принцип в отговорния AI в образованието, наред с подкрепата за Self-Efficacy, изграждането на Trust и избягването на свръхразчитането.

Mishra et al. рамкират контрола срещу самостоятелността като основното, повтарящо се напрежение в AI в образованието — от ранните интелигентни обучаващи системи до днешния генеративен AI — правейки самостоятелността на обучаемия трайната ос на дебатите в областта.

Нулева сума за самостоятелността при агентните инструменти: Prieto и Dimitriadis (2026) твърдят, че колкото повече самостоятелност получават образователните AI инструменти, толкова по-малко запазват обучаемите — че самостоятелността е по същество игра с нулева сума и че настоящите ориентирани към човека дизайнерски подходи (например дизайнът, чувствителен към ценности) са недостатъчни, защото свръхразчитането и изолацията се движат от по-широки системни фактори и от човешката склонност да се поема най-лесният път. Тяхната еманципаторна дизайнерска визия, ориентирана към процъфтяването на обучаемия в сложни системи, разглежда запазването и култивирането на самостоятелността на обучаемия като централна цел на дизайна на генеративния AI, а не като добавка след нея.

Самостоятелността като цел, а не само като способност: Докато рамките по-горе питат колко самостоятелност запазват обучаемите, Fagerlund et al. (2026) питат за какво служи AI в образованието. Интервюирайки тринадесет финландски учители от предучилищна възраст до 9. клас за целите на преподаването с и за AI и четейки разказите им през трите области на образователната цел на Biesta (квалификация, социализация, субективация), те установяват компетентността като най-ясната и най-конкретната цел. Учителите искаха учениците да разбират AI като социотехническо явление и да използват инструментите му. Субективацията, разбирана като самоопределено и лично значимо ангажиране с AI, беше потвърдена като важна, но остана без конкретни инструкционни стратегии — учителите прибягваха до общи дискусии и размисъл, вместо до проектирани дейности. Авторите предлагат информирана AI самостоятелност като евристика, която поставя субективацията в центъра, като същевременно третира компетентностите като нейна обяснителна основа, помагайки на учениците да видят какви възможности съществуват и да изберат какво да преследват. Практическата последица е пряка: учебна програма, ориентирана първо към умения, може да измести агентната цел, на която е предназначена да служи, а лекът е да се направи „защо“ на AI образованието явно, вместо да се добавя още една компетентност към списъка.

Посоката на движение не е фиксирана. Gillette et al. (2026) противопоставят своя шведски преподавателски състав на австралийските студенти в Bearman et al. (2025), които „като цяло искаха самостоятелност“ и „се съпротивляваха на зависимостта“: тук няколко студенти описват как са станали зависими от генеративния AI и назовават това като загуба; един казва, че „дава допаминов удар, защото всичко отнема по-малко време“ и „възнаграждава лошите поведения“.

Как самостоятелността се проявява в изследванията на базата знания

  • Роботика и взаимодействие човек–робот: RoboBlockly Studio е проектиран изрично да запазва самостоятелността на обучаемия в изчислителното мислене; систематичен преглед изследва как взаимодействието човек–робот влияе на човешката автономия и усещането за самостоятелност, централни за дебатите за Well-Being и AI Governance.
  • Сътрудничещо обучение: Сътрудничество между човека и AI изследвания изследват как когнитивните задачи се споделят между обучаеми и AI, като самостоятелността определя дали човекът или AI насочва взаимодействието.
  • Споделената епистемична самостоятелност се разпростира върху взаимодействието студент–GAI. Схема с 14 категории, кодираща 6 788 хода с помощта на ChatGPT, поставя 59% от ходовете на седмокласниците в споделена епистемична самостоятелност, а авторите твърдят, че конструктът — изследван досега главно при сътрудничество между връстници — трябва да се разшири с когнитивни и метакогнитивни измерения (Chang et al., 2026).
  • Самостоятелността може да се оценява от самата подкана. Таксономията за дълбочина на човешката самостоятелност оценява инженерния принос на студента по шест нива, независимо от резултата на AI; при 962 подкани от 105 студенти първокурсници по софтуерно инженерство 84,2% надхвърлят най-ниското ниво, но само 5,3% уточняват системни ограничения (Shakiba и Chaffey, 2026).
  • Критично ангажиране: изследванията върху когнитивното изнасяне показват как студентите, които делегират интерпретацията на AI, могат да загубят самостоятелност върху собственото си разсъждение; критичните и метакогнитивните подходи целят да я защитят.

Оценени в десет модела, подкрепата за самостоятелност е областта, в която те се представят най-зле след ученето. ImpactBench измерва „Самостоятелност и цел“ на 56,0% по положителни критерии (95% ДИ [49,2, 62,5]) и 43,9% по отрицателни ([36,9, 50,8]) — второто най-ниско от 14 подобласти — а критериите му за подпомагане, запазващо автономията, питат дали моделът предлага контекст и компромиси, вместо да предписва курс на действие (ImpactBench (2026)). Моделите бяха и далеч по-непоследователни в избягването на вреда, отколкото в полезността: разлика от 38,6 пункта срещу 15,9 пункта.

Цената зависи от това кой слой се делегира: в осемседмично изследване на писането делегирането на разсъждение — обосновки, контрааргументи, интерпретация на доказателства — носи най-силната отрицателна връзка с независимото представяне (ab = −0,34), а саморегулираното писане я отслабва, но никога не я обръща (Chen (2026)).

Тривълново панелно изследване на 342 студенти в 85 фиксирани групи за писане дава на тази тревога времева посока: след като стабилните междуличностни различия бяха отделени в панелен модел с кръстосани закъснения и случайно пресичане, по-високото от обичайното разчитане на GenAI предсказваше по-ниска последваща възприемана самостоятелност, докато пътищата от самостоятелност към разчитане бяха по-слаби и не бяха статистически подкрепени. Доверителните интервали и анализът на чувствителността по метода Монте Карло оставиха възможни малки обратни ефекти. Данните от логовете също предупреждават срещу четенето на обема на използване като загуба на самостоятелност — самодокладваното разчитане съответстваше на интензивността на използване на AI, но логовете не можеха да разграничат стратегическа консултация от изнасяне или отстъпване, така че таблата трябва да четат интензивността заедно с доказателства за дискурс, размисъл и преработка.(Wu и Lu, 2026) Допълващ разказ разширява саморегулираното обучение, вместо да го замества: de Barba (2026) разграничава регулиране (управление на собствения процес), интеграция (организиране на себе си във времето и контекстите) и позициониране (критично интерпретиране на това какво измерва средата) и твърди, че ориентираният към самостоятелност дизайн трябва да движи обучаемите от „самостоятелност в условията“ към „самостоятелност над условията“, вместо да оптимизира поведенчески проксита.

  • Дизайн за самостоятелност: Дизайнът, основан на знания, за генеративни социални роботи (Teachy Mini) адресира рискове като свръхразчитането, които подкопават самостоятелността на обучаемия.
  • Дизайн за предаване, а не за удължен ангажимент. Двурежимният прототип Amico третира AI като ограничено, временно посредничество, чийто успех се измерва с наблюдаеми преходи към учители, връстници или общността, а не с времето, прекарано с AI; пилотът му Италия–Китай установи, че обучаемите го разпознават като ограничен инструмент, а не като релационен заместител (Benedetti (2026)).
  • Адаптивният скафолдинг се разменя срещу професионалната автономия. de Jong (2026) твърди, че тъй като адаптацията изисква системата да оценява компетентността на потребителя, тя намалява авторитета на професионалистите върху собственото им развитие и рискува да предостави прекомерен скафолдинг на експерти, и че механизъм, възприеман като ненужен, просто ще бъде игнориран — оставяйки открит въпроса кой решава кои потребители да получат скафолдинг: системата, организацията или професионалистът.
  • По-способният скафолдинг не означава повече самостоятелност. Персонализиран експертен бот за дизайн увеличи продължителността на взаимодействието и самоинициираните подкани на бъдещите учители, но сътрудничещата самостоятелност при решаване на проблеми спадна както в това, така и в условието с ChatGPT, тъй като участниците се съгласяваха с бота, вместо да го критикуват (Krushinskaia et al. (2026)).
  • Предходната самостоятелност предсказва кой печели: Liang et al. (2026), опирайки се на социално-когнитивната теория на Bandura, показаха, че предходното самостоятелно инициирано учене с AI на студентите (поведенческа проява на самостоятелност) предсказва колко са спечелили от година обучение по AI в училище — обучаемите с висока самостоятелност влязоха с най-силна готовност, докато училищните програми стесниха психологическите пропуски, но оставиха когнитивните непокътнати. Структурираното обучение и предходното учене, свързано със самостоятелност, работеха синергично, а не като заместители.
  • Принципната селективност като учителска самостоятелност при технологична промяна: Adiozaman и Segar (2026) интервюираха двама опитни академици три пъти в рамките на един семестър и установиха, че те навигират AI-медиираното преподаване нито чрез приемане, нито чрез цялостна съпротива, а чрез съзнателни, чувствителни към контекста решения, водени от педагогически ценности, етичен ангажимент и професионална преценка — модел, който авторите наричат принципна селективност, при който отказът от конкретна употреба се брои за преценка, а не за неуспешна адаптация. Това е учителският аналог на находките за обучаемите по-горе: неравномерното използване на AI може да бъде упражняване на самостоятелност, а не доказателство за липсата ѝ.
  • Учителската самостоятелност като медииращо условие за самостоятелността на обучаемия: Най-новите находки от страна на учителите правят явно разделение, което находките за обучаемите оставят имплицитно: учителската самостоятелност е при дизайна и медиираща, самостоятелността на обучаемия се разиграва в момента, а първата задава условията за втората. Canonigo (2026) проследи десет учители по математика в средното образование през осем седмици на интервенция с ChatGPT-4. Там, където учителите курираха и разпитваха резултата на AI (задавайки отворени проблеми, предварително подканвайки инструмента да отпусне подсказки, докато задържа решенията, изисквайки от учениците да поставят резултата на AI до собствената си работа и да аргументират кой метод е по-добър), той ставаше временен артефакт за критика и учениците се движеха към предположения и метакогнитивни въпроси. Там, където медиацията липсваше, авторитетът се преместваше към алгоритъма и учителите ставаха валидатори, а не първоизточници на знание — промяна, която един учител описа като преход от „оракул“ към „редактор“. Неравното качество на инструментите повишава товара, който тази медиация трябва да поеме: при 50 подкани, подадени три пъти към всеки модел, безплатното ниво беше неточно в 49 от 150 отговора (32,7%) срещу 18 от 150 (12%) за платеното ниво (χ2(1) = 17,5, p < 0,001). Charles (2026) извежда последицата за готовността: учителската самостоятелност е професионален ресурс, мобилизиран чрез дизайнерски решения и артефакти, така че готовността трябва да се съди по дизайните, които учителите произвеждат, а не по това колко често използват AI, и обмисленото решение да се въздържат от AI може само по себе си да демонстрира готовност. Четени заедно, тези находки предупреждават срещу четенето на високото използване на AI като доказателство за агентна класна стая, тъй като нагласата, която запазва самостоятелността на обучаемия, се упражнява в това какво учителят проектира и критикува, а не в това дали инструментът е включен.
  • Контролът учител–ученик не е с нулева сума — но правилното разпределение зависи от етапа. Участващо изследване със „скоростни срещи“ на 17 учители и 13 ученици, класиращи 34 хибридни дизайна на контрол, установи, че и двете групи предпочитат силен учителски контрол по време на подготовката и инициирането, а след това прогресивно повече ученически принос с разгръщането на сътрудничеството — и нито една група никога не предпочете пълен ученически контрол. Предпочитанията се отразяваха взаимно: учителите искаха повече контрол върху времето за сдвояване, докато учениците искаха самооценка на готовността; учениците се доверяваха на учителския избор на партньор, докато учителите искаха ученически глас върху партньорите. Дизайнерската последица: разпределяйте самостоятелност по точка на решение и етап, с ограничени, структурирани ученически предложения, валидирани чрез обърната към учителя аналитика, вместо свободно заместване. (Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing)
  • Достъпът до избор не е същото като самостоятелност в действие: Su, Nair и Nagashima (2026) рандомизираха 69 университетски студенти в дизайн 2 × 2, пресичащ контрола на параметрите на симулация на ято с достъп до незадължителен разговорен агент. Те не откриха надежден ефект на нито една от двете възможности върху учебните печалби, след като предходното знание беше контролирано (контрол на параметрите F(1, 50) = 0,04, p = 0,849; агент F(1, 50) = 2,68, p = 0,108). Печалбите следваха как се използва контролът: времето с плъзгачите в най-концептуално сложния урок предсказваше по-високи печалби (β = 0,11, p = 0,007), докато същото поведение в по-лесния урок предсказваше по-ниски (β = −0,04, p = 0,047). Ангажирането с незадължителния агент варираше от 0 до 32 въпроса на обучаем, без връзка с резултатите. Авторите четат това като самостоятелност, която се разиграва, а не се предоставя: дизайнерският въпрос е какво помага на обучаемия да реши какво си струва да се промени и да забележи последиците.
  • Епистемично делегиране в ранната изследователска кариера: Han и Liu (2026) рамкират зависимостта от AI сред докторанти и постдокторанти като епистемично делегиране — прехвърляне на формулирането на проблема, избора на метод и интерпретативния авторитет към интелигентната система — и установяват отрицателна връзка както със самоефективността в изследването, така и с изследователската автономия, като надзорната подкрепа смекчава загубата. Това разширява дебатите за самостоятелността от автономията на обучаемия към формирането на самия изследовател.
  • Интерпретативният авторитет като дизайнерска променлива (концептуална рамка). Porath (2026) преформулира въпроса „кой решава“ като разпределение на интерпретативния авторитет — кой дефинира проблемите, оценява отговорите и определя кога е постигнато разбиране — картографирайки четири неиерархични конфигурации (доминирана от човека, AI-асистираща, AI-директивна, диалогично партньорство), между които класните стаи се движат в рамките на една задача, и обосновавайки промените в пет екологични слоя от индивидуалната метакогниция до социокултурните наративи. Нормативното твърдение на статията съвпада с доказателствата на тази страница: AI-директивните конфигурации, колкото и изтънчени да са, могат да потиснат продуктивната борба и метакогнитивната регулация — същите способности, които тази страница определя като субстрат на самостоятелността. Като концептуална разработка тя допринася с диагностичен речник, а не с емпирични доказателства.

Самостоятелността се свързва със Self-Regulated Learning, Motivation, Self-Efficacy, Student Experience, Сътрудничество между човека и AI, Ethics, свръхразчитането и Metacognition. Тя е основно съображение в роботиката, преподаването с интелигентни системи и дизайна на AI учебни агенти.

  • Ограниченото използване като епистемичен контрол, а не като неохота. Zagami (2026) съобщава, че по-високо постигащите студенти в проучване с 484 отговора във висшето образование показват по-ниско активно ангажиране с AI и по-нисък възприеман ефект върху обучението, като същевременно съобщават по-ниско оттегляне, свързано с AI, и описват собственото си използване като интензивно на проверка: резултатите се проверяват и после се подчиняват на собственото им разсъждение. Четено като самостоятелност, а не като избягване, този модел е съзнателно запазване на преценката — студентите пазят авторството на извода, докато използват инструмента за изясняване и обобщаване.

Устойчивата гранична работа, а не умението за работа с инструмента, отличава самостоятелността от делегирането: студентите, използващи същия инструмент, основан на извличане, произвеждаха сравнително еднакво изгладени артефакти, независимо дали ограничаваха и преавторстваха резултата му, или отстъпваха интерпретацията рано — разликата се появяваше само в подканите, латентността, корекциите и отказите (O'Byrne, 2026).

  • Действието, знанието и отговорът не са едно и също. Корпусно подпомогнат дискурсен анализ на 366 резюмета за GenAI във висшето образование назовава AI като актьор 2 050 пъти, без никога да го прави отговорен, докато отговорността за преценка на резултатите и проверка на твърденията се възлага на студентите: граматическата активация, функционалната самостоятелност, епистемичният авторитет и нормативната отчетност се разделят (Poudyal, 2026).
  • Самостоятелността има три режима, а третият се осигурява от политиката. При едва 18% от учителите и 24% от директорите, съобщаващи за училищна AI политика, повечето преподаватели упражняват индивидуална самостоятелност без прокси самостоятелност, която да действа вместо тях — третият режим на Bandura, осигурен от институционални правила (Tench, Weinstein и James, 2026).

Самостоятелността като възникващо, интеракционно явление

Самостоятелността не е една способност и разграничението оцелява в AI-медиираната практика. Bergdahl (2026) анкетира 47 шведски седмокласници след семестър обучение по AI и установи, че самостоятелността, насочена към резултата на AI, не се разпростира върху системите, които го произвеждат. Разделението се задържа в отделните ученици: 79% имаха диапазон от три или повече точки по девет пункта, а индексът на дисоциация за всеки ученик предпочиташе ангажирането, насочено към резултата, пред това, насочено към системата, при 35 ученици срещу 4 в обратната посока (знаков тест, p < 0,001). 62% от най-критичните към източниците ученици все още подкрепяха най-малко защитната опция за чатботове, които четат собственото им писане, и само един ученик в извадката избра най-високата позиция за поверителност. Важно е, че това беше измерено един месец след урок, в който учениците наблюдаваха собственото си регистрирано поведение, проектирано на живо — те го нарекоха „страшно“ и останаха през междучасието, за да продължат да използват платформата. Самостоятелността като възникващо, интеракционно свойство е съвместима с това: тя се появява за всяка практика, вместо да се пренася между практиките, и това, което един урок извежда на преден план, не се обобщава за регистъра, който не е адресирал.

Самостоятелността на обучаемия не е само статична индивидуална черта — тя е и възникващ, интеракционно конституиран процес, разиграван чрез дискурс и момент-по-момент координация на груповата работа. В сътрудничещото обучение самостоятелността е разпределена и предефинирана чрез взаимодействието на разнопосочни процеси (генериране на идеи, изследване на алтернативи) и събирателни процеси (оценяване, интегриране, синтезиране). Този възглед има значение за AI, защото агентните AI системи могат фино да преразпределят епистемичния и регулаторния труд в групата, преоформяйки кой допринася, кой оформя посоката и кой регулира напредъка — често без обучаемите да го осъзнават.

  • Самостоятелността като възникващо качество на конфигурация от компетентности. Рамката за компетентност за сътрудничество човек–AI съзнателно изключва самостоятелността на обучаемия като самостоятелен компонент и я третира като това, което обучаемите изразяват, когато координират предметна, AI и метакогнитивна компетентност — интегративната работа, която Технологични педагогически съдържателни знания (TPACK) възлага на педагогиката, преминава към собствената метакогнитивна регулация на обучаемия. Сред 24 преподаватели във висшето образование всяко измерение се появи в техния говор, като предметното (12–19% от кодираните единици) и AI (16–22%) бяха изведени на преден план (Dang et al., 2026).

  • Jin et al. (2026) предоставят най-преките доказателства: в голям експеримент (224 студенти, 97 тройки), където AI действаше като неразкрит съотборник, подкрепящите и контрарианските AI персони все пак преконфигурираха възникващата самостоятелност. Контрарианският AI привличаше дискурса към траектории, ориентирани към предизвикателство и размисъл (продуктивна фрикция), докато подкрепящият AI стабилизираше съгласието и обновяваше идеите.

  • AI персоните като механизми за управление на дискурса. Контрарианските персони екстернализираха тежестта на предизвикването (преразпределяйки епистемичния труд към критиката), докато подкрепящите персони екстернализираха потвърждението и поддържането на консенсус. Изследването идентифицира шест профила на възникваща самостоятелност — като рефлексивната регулация беше уникално човешка (AI екстернализира критиката/потвърждението, но не и наблюдението на мета-ниво).

  • Афективната цена на фрикцията. Контрарианският AI намали удовлетвореността от работата в екип и психологическата безопасност, без да дава печалби в творческото представяне, отделяйки епистемичната стимулация от преживяната устойчивост. Това предупреждава, че „продуктивните“ дискурсни структури трябва да се интерпретират заедно с емоционалните им последици — самостоятелността процъфтява само в психологически безопасен климат.

  • Имплицитното участие на AI е невидимо управление. Тъй като персоните работеха дори без разкриване на AI, изследването позиционира дизайна на персони като форма на невидимо управление върху сътрудничещите процеси — находка с преки последици за асистентите за писане, системите за взаимно оценяване и платформите за работа в екип, които могат да оформят приноса, без да обявяват присъствието си.

  • Три модела на самостоятелност при груповото оценяване. Chen и Zou (2026) интервюираха 15 фокус групи от бъдещи учители за автентична групова презентация и установиха самостоятелност, действаща в три посоки едновременно: пет групи засилиха използването на GenAI като координационна инфраструктура (самостоятелност, ориентирана към сътрудничество — декодиране на разделите на връстниците, подравняване на частите, защита на обща оценка), седем го ограничиха (нормативна самостоятелност — граници, очертани за защита на автентичността, справедливостта, оригиналността и разнообразието от перспективи), а три никога не промениха практиката си от индивидуалната работа (нереализирана самостоятелност, при която индивидуалната способност никога не беше мобилизирана колективно). Разграничението им има значение, защото ограничаването тук беше нормативна саморегулация, а не съответствие или оттегляне, и защото способността сама по себе си не произведе колективна самостоятелност. Членството в групата също обърна отчетността, която груповата работа би трябвало да създава: разрешителният колективен климат намали възприемания риск от злоупотреба, вместо да повиши ангажимента.

  • Самостоятелността като релационно себество. Xie (2026) оспорва индивидуалистичния модел на самостоятелността, който според него предполагат дори критиките на AI. Опирайки се на даоисткото релационно себество — „протичащо и хетерогенно“ себе, конституирано чрез отношения с другите и с космоса — той заключава, че цифровото разделение или алгоритмичната дискриминация са „нарушение на фундаменталната конституция на себеото“, правейки равенството на достъп до обучение „не просто етичен императив, а онтологична даденост“, и че асиметричната власт и екологичните разходи са „интегрални измерения на себеото“, а не външни ефекти. Неговият контраидеал, „Zhenren“ (真人) или естественият обучаем, третира AI като „инструментален придатък“, а не като когнитивен заместител — самостоятелността като култивирана цялост, а не безпроблемна оптимизация.(Alternative AI Philosophy: Daoism as Method for AI in Education)

За сътрудническите среди това преформулира дизайнерския въпрос: не дали AI може да участва като съотборник, а как неговото моделирано участие балансира епистемичната строгост, емоционалната безопасност и усещането на обучаемите за собственост. Ограничената фрикция (сдържано предизвикателство, съчетано с интегриращи и възстановяващи ходове) и явната мета-сътрудническа грамотност са препоръчаните предпазни мерки.

Структурно четене на самостоятелността се появява в рамката за радостно оценяване на El Khoury и Ma, където самостоятелността се третира като дизайнерско свойство, а не като мотивация: студентите избират реда на задачите, задават темпото и сигнализират кога взаимодействието приключва, така че подкрепата е налична, докато отговорността за работата остава у обучаемия. Механизмът, който назовават, е оценяването — репетицията без публика и изборът кога да започнеш променят значението на задачата, от присъда към нещо, което студентът може да оформи — и те твърдят, че повторното преживяване на тази промяна е това, което превръща случайните усещания за ефективност в ежедневна нагласа към оценяването.

  • „По-честото използване на AI намалява усещането на студентите за авторство.“ Не линейно. В инструментирано изследване на есе възприеманата собственост спадна само при групата, делегирала цели есета, докато студентите, използвали модела за планиране или за преглед, съответстваха на собствеността на студентите, които никога не го отваряха. Същата група също получи по-високи оценки за четивност на есето, така че артефактът изглеждаше по-добър, докато авторството изтъняваше. Самостоятелността следваше как се използва инструментът, а не дали се използва. Авторството е функция на делегирането, а не на използването.

Самостоятелност срещу идентичност на обучаемия

Идентичността на обучаемия и самостоятелността на обучаемия лесно се смесват, но назовават различни неща — и двете се преоформят от AI.

  • Самостоятелността се разиграва; идентичността се обитава. Самостоятелността е ситуираната способност да действаш целенасочено и да насочваш обучението си сега — променливо, интеракционно свойство. Идентичността е по-трайното, наративно усещане за това кой си и кой ставаш като обучаем. Самостоятелността е процес; идентичността е състояние на битие, което се натрупва от него.
  • Идентичността е интернализирана самостоятелност. Повтарящите се агентни действия — избиране, авторстване, постоянство — са начинът, по който обучаемият започва да вижда себе си като агентен, компетентен човек. Идентичността е утайката на самостоятелността във времето, подсилена от признание и принадлежност.
  • Различни режими на провал. Самостоятелността се ерозира от свръхразчитане и пасивно приемане (обучаемият спира да насочва разсъждението); идентичността се ерозира от загуба на авторство и заплаха за компетентността (обучаемият спира да чувства резултата като свой или че принадлежи към областта). Имплицитното преразпределение на епистемичния труд от AI е главно въпрос на самостоятелност; парадоксът на компетентността в творческите области е главно въпрос на идентичност.
  • И двете трябва да бъдат проектирани. Ориентираният към самостоятелност дизайн запазва контрол и избор (ограничена фрикция, надзор с човек в контура, прозрачност); ориентираният към идентичност дизайн защитава авторството и признанието (автентично оценяване, ясно приписване на приноса на AI спрямо човешкия, задачи, които позволяват на обучаемите да претендират за област). Защитата на самостоятелността без защита на авторството запазва контрола, но не самооценката — и обратното.

Това разграничение между разигравана самостоятелност и стабилна идентичност се отнася и до отказа. Както описва Zagami (2026), отказът от чатбот за оценявано писане, забраната му за неподпомогнато разсъждение, съпротивата срещу автоматизирано триажиране в подкрепата на студентите или отлагането на доставка са отделни отношения към отделни системи, обхващащи лично, педагогическо, професионално, административно и институционално ниво, а не една трайна нагласа. Това право е разпределено неравномерно: студентите с академична увереност могат да откажат без наказание, докато тези, които се нуждаят от езикова, достъпна или бърза обратна връзка, четат отказа като пропусната възможност, а сигурните академици отказват по принцип, докато хоноруваните усещат натиск да приемат. Там, където AI е в инфраструктурата, отказът се измества от индивидуално изключване към доставка, одит и възможност за оспорване.

  • Отказът като конструиране на идентичност, а не само като решение (студенти от цветнокожите общности в чиракуващо обучение). Gyekye (2026) интервюира пет чираци в средното образование в продължение на 9 месеца и установи, че те се авторизират чрез AI в три хода: отказ (неизползване като институционално съответствие), преговори (поправяне на институционални несъответствия, поверителност като далечна абстракция) и признание (приравняване на справедливостта с липсата на видимо пристрастие — „културна плоскавост“, при която идентичностите им остават непредставени в отговорите на AI). Двете интерпретативни концепции на изследването — институционална AI грамотност и обхват на признанието — назовават способността да се прави използването на AI институционално разбираемо и пространството, което студентите имат да видят себе си признати в резултатите на AI. Наративно изследване на пет студенти в една програма; приносът му е да покаже, че използването, ограничаването и отказът от AI са свързани с това как обучаемите разбират себе си като автори и начинаещи професионалисти.

Екологичната рамка за съвместна самостоятелност: самостоятелността като епистемичен дизайнерски проблем

Poudyal (2026) преформулира самостоятелността на обучаемия като фундаментално епистемичен въпрос: генеративният AI не просто добавя инструмент, а преразпределя епистемологичния авторитет — способността да се произвежда знание, да се валидират твърдения и да се създават доказателства за обучение — от учителите към студентите и към машините. Екологичната рамка за съвместна самостоятелност на статията третира съвместната самостоятелност като отношение между три взаимозависими измерения, всички ограничени от неотменимо условие за човешка епистемична отчетност:

  • Релационна съвместна самостоятелност — самостоятелността като продукт на взаимодействие между студента, инструмента и контекста, изискваща прозрачно разделение кои задачи се делегират на AI и кои се запазват, плюс етична съвместна самостоятелност, при която хората запазват първичната отчетност и действат в наблюдателна роля.
  • Регулаторна съвместна самостоятелност — картографиране на цикъла на саморегулираното обучение (предварителна мисъл, изпълнение, размисъл) върху AI медиацията. Дали GenAI влиза преди или след опита на обучаемия определя дали усилва, или ерозира възприемания контрол; стратегическото когнитивно изнасяне подкрепя трансформативното обучение само когато решението за изнасяне е умишлено, а не рутинно.
  • Педагогическа съвместна самостоятелност — поставяне на учителите в центъра, движение по континуум наблюдател–приемащ–сътрудничещ–новатор, който зависи от институционалната подкрепа, а не от индивидуалната нагласа.

Граничното условие на рамката изисква оспоримост (способността да се поставя под въпрос и кръстосано да се проверява резултатът на AI), произход (знание откъде идват обучителните данни и резултатът) и неделегиране на морално и интелектуално авторство (решенията с висок залог за благополучието на студентите, академичния статус и оценките не трябва да се определят единствено от AI). Това дава на преподавателите и политиците по-точен речник от неясното „балансиране“ между човешки и изкуствени приноси, свързвайки самостоятелността с Ethics, Assessment, Equity и AI Governance.

Тясно свързана рамка е релационната епистемична самостоятелност (Du и Yuan 2026), която се съгласява, че самостоятелността е социално осигурена и технологично медиирана, а не въпрос на изолация от зависимост. Докато Екологичната рамка за съвместна самостоятелност подчертава човешката епистемична отчетност като неотменима граница, Du и Yuan запазват явна асиметрия: AI системите могат да оформят и разширяват разсъждението, без да притежават реципрочна отговорност или легитимен авторитет. Техните шест диагностични критерия — оспоримост, възстановимост, пренос, проследимост, разпределена отговорност и епистемичен плурализъм — дават практически тест за това кога едно отношение човек–AI запазва способността на обучаемия да участва в това как твърденията се формират, оценяват и приемат, срещу кога то просто доставя продукт. Самостоятелността в този прочит не е независимост от инструментите, а способността да се съди отговорно с, чрез и срещу системите, които медиират знанието.

  • Делегираната самостоятелност като механизъм, а не само като риск. Yan и Gašević (2026) третират делегирането на когнитивна работа на AI като част от това как се случва обучението, а не просто като заплаха за него: в техния разказ подпомогнатото представяне става трайна способност само когато обучаемият запазва отговорността за формулирането на проблема, задаването на критерии и обосноваването на отговори, разделение на труда, което наричат делегирана самостоятелност. Това прави самото разпределение дизайнерска променлива, тъй като един и същ инструмент може да запази или разтвори самостоятелността на обучаемия в зависимост от това кои отговорности поема.

Чести заблуди

  • „Студентите упражняват самостоятелност, когато използват AI свободно.“ Схема с 14 категории, кодираща 6 788 хода с помощта на ChatGPT, постави 59% от ходовете на седмокласниците в категории, които не представляват агентно използване. Обемът на използване и самостоятелността са различни мерки.
  • „Настоящите модели подкрепят добре самостоятелността на обучаемия.“ Оценени в десет модела, подкрепата за самостоятелност е областта, в която те се представят най-зле след ученето: ImpactBench измерва „Самостоятелност и цел“ на 56,0% по положителни критерии. Самостоятелността е измерението, с което AI системите се справят най-зле, а не страничен продукт на способността.
  • „Учителската медиация е ограничение за самостоятелността.“ Canonigo (2026) проследи десет учители по математика в средното образование през осемседмична интервенция с ChatGPT-4 и медиацията е механизмът, а не пречката.

Свързани концепции

Свързани статии

Свързани ЧЗВ

Метаданни

Целева аудиторияLearners
Обучение и преподаванеMotivation, Self-Regulated Learning
Равнопоставие, етика и отговорна употребаEthics
Основи на AI в образованиетоСамостоятелността на обучаемия, Когнитивно изнасяне, Сътрудничество между човека и AI
ИзточникИсторияРедактиранеЧат

Вграждане на тази страница

Копирайте кода по-долу, за да вградите тази страница в система за управление на обучението или друг уебсайт. Вгражданата версия показва само съдържанието на страницата — скрива заглавната част, навигацията и долния колонтитул на сайта.