База знания AIEdAIEd KB
На тази страница

Прочетете тази страница на английски

Понятия

История на AI в образованието

Създадена 2026-08-23 · Актуализирана 2026-11-08

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

Историята на AI в образованието — изследването на това как изкуственият интелект и образованието са се съразвивали от средата на XX век и как минали концептуални, терминологични и дизайнерски избори продължават да оформят днешните дебати за AI в обучението. Вместо да третира генеративния AI като внезапна, безпрецедентна сила, историческата перспектива разкрива повтарящи се напрежения — контрол срещу самостоятелност, стандартизация срещу творчество, автоматизация срещу усилване — които структурират AI в образованието още от самото му начало.

Въпроси за размисъл

  • Днешният генеративен AI често се описва като безпрецедентна революция. Как това рамкиране („хроноцентризъм“) може да ни пречи да видим повтарящите се модели под него?
  • Областта почти се е нарекла „кибернетика“ вместо „изкуствен интелект“. Как този единствен избор на име може да е оформил това дали виждаме машините като независими интелигентности, или като част от взаимосвързани системи за обратна връзка?
  • Страницата рамкира историята на AIED като напрежение между контрол (когнитивните тутори на Anderson, оптимизиращи преподаването) и самостоятелност (конструкционизмът на Papert, овластяващ обучаемите). Къде попадат вашите собствени избори за AI в образованието в този спектър — и защо?
  • Персонализацията, твърди страницата, има две значения: промяна на пътя към същия резултат или позволяване на разнообразни, водени от обучаемия резултати. Кой вид персонализация всъщност преследва вашата институция и кой според вас трябва да преследва?
  • Ако днешните дебати за GenAI „огледално“ отразяват тези исторически напрежения, какви минали грешки може да повтаряме — и какво бихме могли да избегнем, като ги помним?
  • Страницата твърди, че техническите дизайнерски избори вграждат ценностни съждения за целта на обучението. Можете ли да посочите дизайнерско решение в използван от вас инструмент за AI образование, което тихо е предпочело стандартизацията пред самостоятелността на обучаемия — или обратното?

Въведение

Историята на областта не е линейна прогресия, а поредица от случайни решения, чиито последици отекват и днес. Разбирането на тази история предпазва от „хроноцентризъм“ (предразсъдъкът да се третират текущите развития като уникално революционни), помага да се избегне повторението на минали грешки и разкрива как изборите за рамкиране и терминология — а не само технологията — насочват траекторията на AI в образованието.

Ключови исторически линии

От кибернетиката към „изкуствения интелект“. Когато Джон Маккарти планира Лятната изследователска програма в Дартмут през 1956 г., той съзнателно избира термина изкуствен интелект вместо кибернетика — отчасти за да отдалечи областта от Норберт Винер и неговия фокус върху аналоговата обратна връзка. Това решение за наименование рамкира възможностите на машините в пряко сравнение с човешкото познание (антропоморфно рамкиране) и насочва изследователските приоритети, общественото възприятие и етичния дебат за десетилетия. Ако областта беше запазила кибернетичното рамкиране, статията предполага, че днес можеше да говорим за „кибернетични системи за обучение“, подчертаващи обратната връзка и взаимосвързаността, вместо за „AI тутори“, позициониращи машината като независим източник на интелигентност.

Когнитивната революция и корените на ITS. Ранните пионери — Хърбърт Саймън, Алън Нюъл, Марвин Мински, Джон Андерсън — не просто моделираха познанието; те изследваха фундаментални въпроси за ученето и преподаването. Тяхната работа произведе информационно-процесни модели на човешкото познание, които станаха фундаментални за образователната психология, и доведе до интелигентните обучаващи системи (ITS), вкоренени в парадигмите на евристичното търсене и експертните системи от AI през 60-те и 70-те години. Тези системи се подредиха естествено към съществуващите структури на оценяване и стандартизация и в крайна сметка се обединиха в общността на AIED.

Контрол срещу самостоятелност: Anderson и Papert. Появиха се две конкурентни визии, въплътени в Джон Андерсън и Сиймор Паперт. Когнитивните тутори на Anderson (теорията ACT/ACT-R) разлагаха знанието на продукционни правила, осигуряваха прецизна индивидуализирана обратна връзка и подсилваха традиционните образователни структури — визия за AI като инструмент за оптимизиране на преподаването. Конструкционизмът на Papert (Logo, „микросветове“, дебъгването като учене) виждаше компютрите като среди, в които децата конструират знание чрез творческо експериментиране — визия за AI като инструмент за интелектуално овластяване, който оспорва институционалните йерархии. Това „съществено напрежение“ между контрол и самостоятелност е водещата нишка в историята на областта.

Две форми на персонализация. Персонализацията има две различни интерпретации, които се съпоставят с тези визии. Първата поддържа еднакви резултати, като променя пътя (вкоренена в обучаващите машини на Skinner; визията на Khan Academy за преподаване до овладяване). Втората приема разнообразни резултати — обучаемите преследват индивидуални интереси и таланти, неограничени от стандартните граници на учебната програма (Zhao, 2024). Моделът на ITS подкрепя първата; конструкционизмът — втората.

Уроци за ерата на GenAI. Днешните дебати за генеративния AI почти огледално отразяват тези исторически напрежения. GenAI често се позиционира като интелигентен тутор от следващо поколение (продължение на Anderson), което повдига опасения за наблюдение, събиране на данни и стандартизация. Алтернативно, той може да бъде инструмент за творческа самостоятелност (продължение на Papert), което ни задължава да преосмислим оценяването и да приемем по-двусмислени резултати. Както заключават Mishra et al., институционалните сили многократно облагодетелстват подходите, които подсилват съществуващите структури — а езикът и метафорите, които избираме, ще оформят бъдещите възможности. Рамката AI×Ed на Rismanchian & Doroudi дава на тази интуиция емпирична основа: като локализира статии от трудовете на AIED (1985, 1993, 2021, 2024) и IJAIED (2004, 2014, 2021) по две оси — ролята на AI (приложен инструмент срещу аналогия на човешката интелигентност) и крайният потребител — те проследяват област, която се е придвижила от разнообразна смесица, включително съществено ранно изследване, използващо AI като аналогия на човешката интелигентност (изчислителни модели на обучението, микросветовете на Papert, базирани на агенти модели на придобиване на знание), към почти изключителен фокус върху приложни, инструментални употреби до 2000-те. Забележително е, че ерата на генеративния AI изглежда частично обръща тази траектория: към AIED 2024 три от четирите места в квадранта „AI като аналогия“ бяха изградени с LLM, а едно от тях получи награда за най-добра статия за обучаващи агенти, задвижвани от LLM.

Летописът на списанията се обръща два пъти. Структурен тематичен модел на 5 387 статии от Computers & Education (1976–2026) откри AI в 390 записа (7,2%), в 17 от 18-те му теми. Годишният шанс една статия да е свързана с AI нараства с 21,8% на година до 1989 г., пада с 3,7% годишно до 2018 г., а след това се изкачва с 40,1% годишно до 2025 г. (Wu et al., 2026). Обръщането през 2018 г. предхожда ChatGPT с четири години, така че генеративната ера ускори вече започнала тенденция, вместо да започне нова.

Скорошното въздействие на генеративния AI

Появата на генеративния AI — широко семейство, което включва големи езикови модели (текст), плюс генератори на изображения, аудио и видео — бележи най-значимата инфлексна точка в историята на AIED след основаването на областта. LLM са най-видното семейство в тази група и двигателят на повечето въздействие в класната стая, но генеративният AI като цяло (способен да произвежда нов текст, изображения, звук и код) е по-широката сила, преобразяваща образованието. Той се разбира най-добре на фона на историята на AIED, а не като чисто прекъсване. Няколко характеристики правят ерата на генеративния AI отличима:

Мащаб и обхват. За разлика от когнитивните тутори и ITS от предишните десетилетия, които работеха в контролирани лабораторни и класни среди, LLM достигнаха до стотици милиони обучаеми и преподаватели в рамките на месеци след пускането си, навлизайки в ежедневното писане, домашните и преподаването почти веднага. Дебатът за GenAI се премести от специализирани списания в класни стаи, заседателни зали и законодателни органи с безпрецедентна скорост.

Нов вид способност. По-ранните системи на AIED моделираха познанието и предоставяха структурирано преподаване (традицията на Anderson). LLM извършват отворено генериране — произвеждат есета, обяснения, код и диалог — което извежда на преден план самостоятелността и творчеството на обучаемия (традицията на Papert) по начини, които по-ранните ITS не можеха. Затова настоящият момент толкова рязко възпламенява напрежението контрол срещу самостоятелност: един и същ инструмент може да бъде внедрен като интелигентен тутор от следващо поколение (контролиращ резултатите) или като творчески съавтор и партньор в мисленето (усилващ самостоятелността).

Обръщане на уравнението за достъп. Исторически персонализираното преподаване беше оскъдно и скъпо; GenAI направи адаптивната подкрепа едно към едно почти безплатна и универсална — драматично понижавайки бариерите за достъпност и цена, които оформяха по-ранния AIED. Но това донесе и нови рискове: алгоритмично предубеждение, халюцинации, наблюдение, събиране на данни и обезквалифициране на преподавателите.

Подновена загриженост за AI грамотността и злоупотребата. Ерата на генеративния AI направи AI грамотността спешна и преформулира дебатите за академичната почтеност (откриване срещу диалог), като същевременно съживи дългогодишните опасения за автоматизация, стандартизация и епистемична зависимост. Това са съвременните изрази на първоначалните напрежения на областта.

Рискът от хроноцентризъм. Както предупреждават Mishra et al., шумът около генеративния AI често липсва историческа осведоменост, позволявайки на технологичните евангелисти да доминират разговора. Разбирането, че днешните дебати за GenAI отекват разделението Anderson–Papert и решението за наименование „кибернетика“ от 1955 г., ни помага да правим съзнателни избори, вместо да третираме настоящето като неизбежно. Истинският въпрос не е какво могат да правят инструментите на генеративния AI, а какво искаме да правят те — решение, оформено от това къде сме били.

Последици

  • Четете шума исторически. Осъзнайте, че всяка нова вълна на AI се рамкира като революционна; историческата осведоменост разкрива приемственост и помага да се устои на корпоративното доминиране на разговора.
  • Виждайте дизайнерските избори като ценностни избори. Техническите решения за AI в образованието вграждат идеологически позиции за целта на обучението — изведете ги на повърхността и ги разпитвайте.
  • Претегляйте контрола срещу самостоятелността съзнателно. Дали AI трябва да оптимизира към стандартни резултати или да позволява разнообразни, водени от обучаемия резултати, е истински избор с институционални и политически последици, а не техническа даденост.
  • Пазете самостоятелността на обучаемия. Повтарящата се съпротива срещу стандартизацията и контрола в полза на отворени, центрирани върху обучаемия подходи е трайна нишка, която си струва да защитаваме.

Чести заблуди

„AI в образованието започна с ChatGPT.“ Не започна, а вярването е скъпо, защото прави всеки по-ранен урок невидим. Интелигентното преподаване произлиза от работата по евристично търсене и експертни системи от 60-те и 70-те години, а общността на AIED се формира около нея десетилетия преди големите езикови модели. Mishra et al. показват, че настоящите дебати възпроизвеждат разделение, вече явно в когнитивните тутори на Anderson и конструкционизма на Papert, така че читател, който датира областта на 2022 г., ще преоткрие аргументи, които областта вече е решила, изоставила или загубила веднъж.

„Областта постепенно изостави AI като аналогия в полза на приложните инструменти и генеративният AI продължава тази тенденция.“ Това е най-поучителната корекция на страницата, защото траекторията е реална, но не монотонна. Позиционният анализ на Rismanchian и Doroudi на AIED 1985, 1993, 2021 и 2024 и на IJAIED 2004, 2014 и 2021 наистина показва дрейф от смесена област към почти изключителна приложна инструменталност до 2000-те. Но на AIED 2024 три от четирите статии в квадранта „AI като аналогия“ бяха базирани на LLM, включително наградената за най-добра статия работа върху обучаващи агенти, базирани на LLM. Генеративният AI частично обръща тенденцията, вместо да я продължава, поради което третирането му като „следващия интелигентен тутор“ погрешно разчита накъде всъщност се е придвижила изследователската граница.

„Персонализацията означава адаптиране на трудността към всеки обучаем.“ Това е само едно от два несъвместими смисъла, а смесването им прикрива политически избор. В първия смисъл резултатът се държи фиксиран и се променя само пътят, като линията води от обучаващите машини на Skinner през преподаване, основано на овладяване. Във втория самите резултати се разнообразяват, докато обучаемите преследват индивидуални интереси, неограничени от стандартна учебна програма (Zhao, 2024). Един ITS реализира първия; конструкционизмът — втория. Инструмент, описан като „персонализиран“, не ви е казал нищо, докато не разберете кой от двата има предвид.

„Изкуственият интелект“ беше просто очевидното име за областта.“ Терминът беше съзнателен избор. Когато Маккарти планира проекта в Дартмут през 1956 г., той предпочита изкуствен интелект пред кибернетика отчасти за да отдалечи работата от традицията на аналоговата обратна връзка на Винер. Това единствено решение рамкира машините в пряко сравнение с човешкото познание, а антропоморфното рамкиране, което то наложи, все още оформя изследователските приоритети, езика на продуктите и етичните въпроси, които публиката задава.

Прилагане на практика

За преподаватели и инструкционни дизайнери

  • Назовете традицията, към която принадлежи вашият инструмент, преди да го възприемете. Попитайте дали той оптимизира към фиксирани резултати, или отваря посока за обучаемия, защото този отговор, а не списъкът с функции, определя какво ще направи той с вашия дизайн на оценяването.
  • Разпитвайте думата „персонализиран“ във всяко твърдение на доставчик и получете отговор в термините на двата смисъла по-горе. Продукт, който променя темпото към общ стандарт, и такъв, който позволява на студентите да се разклоняват, не са заместители.
  • Когато студентите представят GenAI като безпрецедентен, историята е преподавано съдържание само по себе си. Рамкирането Anderson–Papert им дава речник, с който да спорят за AI, а не само да го използват.

За разработчици

  • Езикът на интерфейса е дизайнерско решение с родословие. Да наречете системата си „AI тутор“ наследява рамкирането на Anderson и очакването за оптимизиране към стандартни резултати; да я наречете „микросвят“ или „учебна среда“ наследява това на Papert. Нито едното не е неутрално, затова избирайте съзнателно.
  • Ако изграждате в традицията на аналогията (модели на обучението, обучаващи агенти, симулации на придобиване на знание), кажете го. Този квадрант беше почти празен две десетилетия и се напълва отново; позиционирането е отличител, а критериите за оценяване са различни.

За изследователи

  • Използвайте историческите корпуси като базова линия, вместо да третирате настоящето като единственото налично сравнение. Трудовете на AIED за 1985, 1993, 2021 и 2024 г. и IJAIED за 2004, 2014 и 2021 г. са готова надлъжна извадка от собствените твърдения на областта.
  • Цитирайте родословие, когато твърдите новост. Твърдението, че дадена система „персонализира обучението“ или „моделира обучаемия“, е ново само спрямо конкретна предишна традиция, а традицията е документирана.

Свързани концепции

Свързани статии

Метаданни

Обучение и преподаванеConstructivism, Learning Theories
Технологии и техникиGenerative AI, Intelligent Tutoring
Основи на AI в образованиетоСамостоятелността на обучаемия, AI в образованието, История на AI в образованието
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.