База знания AIEdAIEd KB
На тази страница

Прочетете тази страница на английски

Понятия

Сътрудничество между човека и AI

Създадена 2026-05-29 · Актуализирана 2026-11-08

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

Сътрудничеството между човека и AI — разделението на когнитивния труд между хората и моделите — е основната тема за взаимодействието в тази база знания: очакванията за доверие, колаборативното писане с човекоподобен AI, GenAI като мисловен инструмент и оркестрацията на самостоятелността учител–студент изследват доверието, самостоятелността и допълващите се роли (човек в цикъла, агентен AI). Определящият въпрос е дали партньорството запазва или замества собствената когнитивна работа на обучаемия — една и съща подредба може да подкрепи ученето или да го замести в зависимост от това как е споделена отговорността.

Въпроси за размисъл

  • Определящият въпрос при сътрудничеството човек–AI е дали партньорството запазва или замества собствената ви когнитивна работа. Помислете за задача, която сте предали на AI: генерирахте и решавахте вие, или само приемахте?
  • Едно изследване установи, че свободното сътрудничество с ChatGPT произведе само мимолетни печалби, които се сринаха при последваща задача без помощ, докато протоколът „първо помисли, после ChatGPT“ даде трайно учене. Защо кой генерира идеите може да предсказва дали наистина се учите?
  • Един и същ инструмент може да подкрепи ученето или да го замести в зависимост от това как е споделена отговорността. Можете ли да се сетите за подредба, която ви е държала когнитивно продуктивни, срещу такава, която тихо е изнесла мисленето ви навън?
  • Една подредба обръща обичайните роли: вместо моделът да доставя отговори, студентът обяснява съдържанието, а моделът играе незнаещата страна, която иска обяснения, примери и контрааргумент. Ако AI е този, който пита, какво се случва с това колко от мисленето остава на ваша страна?
  • Доверието е описано като нещо, което трябва да се калибрира, а не да се предполага — да се разчита на AI, където е уместно, и да се проверява, където не е. Как в момента решавате кога да се доверите и кога да проверите изхода на AI?
  • Изследванията идентифицират режими на сътрудничество, които разменят ефективност срещу дълбочината на вашата саморегулираща се ангажираност. Кога си струва да приемете по-малка ефективност, за да запазите повече учене в собствените си ръце?
  • Ако сътрудничеството е толкова педагогически избор, колкото и технически, какви дизайнерски ходове (подкани, работни процеси, структури) бихте задали, за да сте сигурни, че AI усилва, а не замества мисленето на вашите обучаеми?

Въведение

Сътрудничеството между човека и AI описва как обучаемите, преподавателите и AI системите разделят когнитивната работа — кой какво прави, кой решава и как се поддържат доверието и самостоятелността. Вместо да рамкира AI като заместител или като пасивен инструмент, изследванията на сътрудничеството третират AI като партньор с допълващи се силни страни, чиято стойност зависи от това как е споделена и наблюдавана отговорността. На ниво наблюдаемо поведение взаимодействието студент–AI улавя как обучаемите осъществяват тази връзка на практика — въпросите, подканите и ходовете за верификация, които правят с AI момент по момент.

Разделението на труда минава и през хората, които проектират взаимодействието. В дванадесет реализации на курсове за подготовка на учители преподавателите позиционираха AI като партньор в мисленето, генератор на критика или инструмент за репетиция, докато кандидатите запазваха отговорността да оценяват, адаптират и обосновават решения, но същият доклад съобщава, че кандидатите обезцениха обратна връзка, която вече бяха преценили като полезна, след като беше разкрито авторството на AI — епизод, който той нарича ефект на спукването на балона. Анализ на 1 378 хода дизайнер–чатбот сочи в обратната посока по отношение на генерирането: дизайнерите използваха вграден асистент главно за проверки на подравняването на учебните резултати и педагогическия подход, а не за производство на съдържание. И в двата случая оценъчната преценка на човека, а не изходът на модела, носи ученето.

Ползи, рискове и последици за дизайна

Доказателствата в базата знания показват, че сътрудничеството между човека и AI е подредба с две остриета, чийто резултат се определя от дизайна, а не от самия AI:

  • Сътрудничеството може да подобри ученето, когато запазва когнитивната ангажираност. Изследванията на GenAI като мисловен инструмент и на воденото сътрудничество показват, че когато разделението на труда оставя обучаемия да генерира, решава и оценява, AI усилва, а не замества мисленето — произвеждайки трайни печалби в саморегулираното учене и творчеството. Това, че обучаемият запазва решаващата роля, се разпростира и върху писането: Oppenheimer, Cash & Connell Pensky (2025) показват, че критиките на LLM към аргументативните есета на студентите подобриха писането през целия семестър, като обучаемите решаваха дали да включат или да опровергаят обратната връзка на модела (87,8% опровергани твърдения) — подредба, която запази оценъчната работа на обучаемия — и печалби се появиха дори при есета, писани без подкрепа от LLM, което подсказва трайно умение, а не зависимост от инструмента.

  • Сътрудничеството може да замести ученето, когато изнася твърде много. Режимът на провал е свръхразчитането: когато AI произвежда отговора, ролята на обучаемия се срива в пасивно приемане, а незабавното представяне по задачата прикрива липсата на трайно учене. Изследванията на представянето срещу ученето и цикълът на вредата от заместване към скафолдинг (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) документират това систематично.

  • По-добрият резултат сам по себе си не е доказателство, че сътрудничеството е научило нещо. Останалите доказателства на страницата четат подпомаганото представяне предпазливо и рандомизиран тест на типа подкрепа показва защо. В лабораторното изследване на Iqbal et al. (2026) 87 студенти по EFL написаха есе без помощ, след което го преработиха с ChatGPT 4.0 (n = 29), с човешки преподавател по писане (n = 28) или без подкрепа (n = 30). Коя от четирите стратегии за преработка, изведени от следите, използва студентът, беше силно свързана с подкрепата, която е имал (Cramér's V = 0,668), и само умерено с по-ранната му стратегия за писане (Cramér's V = 0,333); мотивацията, умението за писане и точността на метакогнитивната преценка не показаха обща връзка, а метакогнитивната връзка се появи само в условието без подкрепа (p = 0,0460). От решаващо значение е, че нито една стратегия за преработка не предсказваше промяната в резултата (p = 0,273), въпреки че типът подкрепа предсказваше: групата с GenAI се подобри значително повече от групите с човешки експерт и контролната (H(2) = 16,591, p = 0,00025, η² = 0,174), а вътре в същата стратегия за постепенно намаляващо търсене на помощ студентите с GenAI спечелиха средно около 4 точки, докато студентите с човешки експерт загубиха 0,5. Авторите четат модела като външна подкрепа, която заобикаля собствената метакогнитивна преценка на обучаемия, и предупреждават, че печалбите може да са оптимизация, специфична за задачата, а не трайна способност. Това не опровергава принципа кой генерира и решава (изследването варираше кой доставя подкрепата, а не кой генерира мисленето), но изостря теста, който преподавателят трябва да приложи: печалба, получена под помощ, трябва да оцелее при задача без помощ, преди да се брои за учене, а добавянето на човешки експерт в стаята не е автоматично по-безопасната подредба.

  • Добавянето на връстници също не е автоматично по-безопасната подредба. Chu, Dai and Zhai (2026) поставиха 87 студенти бакалаври да работят сами или по двама с многоагентна система с GenAI в продължение на осем седмици. Двойките получиха най-висок резултат по сложния дизайнерски проект (M = 89,64 срещу 85,85 за студентите, работили по двойки без системата, и 86,45 за работещите с нея сами, p = 0,039), но осъзнаването на критичното мислене нарасна най-много при работещите сами (M = 0,41) и леко спадна при двойките (M = −0,04, p = 0,039).

  • Дизайнерски принцип — запазете продуктивната работа на обучаемия. В изследванията най-острия предиктор дали сътрудничеството помага или вреди е кой генерира и решава. Подредбите, които държат човека когнитивно продуктивен (водено подканване, „първо помисли, после се консултирай с AI“, стъпки за верификация и оценяване), подкрепят ученето; подредбите, които предават цялата задача на модела, не го правят. Допълващият ход е да се промени какво моделът е назначен да бъде. В квазиексперимента на Wang et al. (2026) 68 бъдещи учители или обясняваха концепцията за обърната класна стая на GAI начинаещ обучаем, изграден върху ERNIE 3.5 (система, рамкирана като любознателна и оценяваща, която искаше обяснения, примери, разсъждение за верификация и противоположна перспектива, подредени по таксономията на Bloom), или задаваха въпроси на GAI учител, изграден върху същия модел. Студентите, които преподаваха на AI, обясняваха по-добре (дефиниране на обърнатата класна стая M = 4,18 срещу 3,29; нейните преподавателски дейности M = 4,91 срещу 3,06, и двете p < 0,001) и генерираха повече и по-качествени въпроси (M = 3,67 срещу 2,14; M = 5,67 срещу 3,07, и двете p < 0,001), докато обективното възпроизвеждане беше статистически неразличимо (M = 23,18 срещу 21,57, p = 0,416), така че предимството седеше в обяснението и трансфера, а не в извличането на факти. Студентите в условието с AI учител бяха откровени за размяната: някои признаха, че тя дава „по-точна и подробна информация“, но съобщиха, че „след като я използвах, не исках да мисля самостоятелно“. Възлагането на модела на ролята на обучаем, на когото се преподава, превръща студента в единствен източник на идеите и премахва дългогодишната трудност да се намери подходящ връстник, на когото да се преподава. С това идват две дизайнерски ограничения: планирането и наблюдението не се подобриха (M = 4,01 срещу 3,78, p = 0,062), така че обръщането на ролите не е само по себе си метакогнитивна интервенция, а авторите отдават този нулев резултат на дизайн на задачата, който държеше студентите фокусирани върху точността на съдържанието. В класната стая по писане този принцип приема конкретна, преподаваема форма. В саудитския квазиексперимент на Alshehri et al. (2026) по EFL студентите следваха петчастна рутина — формулиране на проблема и проектиране на подкани, итеративно черново писане, преработка, проверка на всяко твърдение и цитат отново срещу научни бази данни и регулиране на собственото приписване и разчитане — като всяко задание изискваше дневник за използването на AI на това, което са приели, отхвърлили и защо. Писането и дигиталното критично мислене нараснаха заедно и се движеха почти в крачка, а рефлексиите на студентите свързаха рутините за верификация и поправка на халюцинации конкретно с печалбите в критичното мислене: същите навици да разпитват изходите оформиха решенията им при съставянето. Собствената уговорка на авторите е необходимото допълнение към принципа — работният процес е условен, а не самодостатъчен, и може да стане контрапродуктивен при слаб скафолдинг, ниска критичност или метакогнитивна готовност (когато студентите нямат капацитета да уловят лош изход), постепенно делегиране на решенията при съставянето или неясна институционална политика за използване на AI.

  • Ограниченият авторитет сам по себе си е дизайнерски модел за сътрудничество с високи залози. Учителите в Reichert et al. (2026) не прототипираха отворени асистенти, а системи, чиято свобода беше фиксирана предварително: всеки дизайн ограничаваше чатбота до конкретно съдържание на урока, а сигурността беше наслоена като домейн граници (обхват, специфичен за урока, плюс „информационна квота“, изискваща минимален брой факти или задачи, преди разговорът да продължи), филтриране на съдържанието със стандартизирани откази („Съжалявам, това не е част от моята база знания“), които също уведомяваха учителя, и учителско презаписване за двусмислени случаи — даденият пример беше въпрос за човешката репродукция, който е легитимен в рамките на своята единица и трябва да се насочи към човек, вместо да бъде автоматично отхвърлен. Персонализацията на формата, жанра, темпото и сложността беше добре приета вътре в тези граници, а надзорът (пълни дневници на разговорите, сигнали в реално време, презаписване) беше рамкиран като професионална отговорност, а не като недоверие към модела. Изводът е, че в условия с високи залози разделението на труда трябва да бъде специфицирано като ограничено, наблюдавано и отменимо, а не договорено ход по ход.

  • Автоматизацията и усилването не са алтернативи. В четири случая, обърнати към учителите, заместването остана в рамките на ограничени аналитични подзадачи, докато допълването се появи навсякъде, където учителите интерпретираха и валидираха изхода, така че усилването се оказа свойство на това какво прави учителят след това, а не на самия инструмент (Horvers et al. (2026)).

  • Доверието трябва да се калибрира, а не да се предполага. Продуктивното сътрудничество зависи от това обучаемите точно да калибрират кога да разчитат и кога да проверяват изхода на AI — свързвайки се с калибрирането на доверието и човешкия надзор, вместо със сляпо приемане или всеобхватно отхвърляне.

  • Афективният сигнал е знак, който учителят интерпретира, а не инструкция за подчинение. В един урок по геометрия в гимназия емоционалните сигнали на AI система предхождаха много различни ходове на учителя, а ходът — преформулиране на задачата, кратка утвърдителна дума или съзнателна ненамеса — е това, което промени ангажираността, така че сигналът работеше като един вход сред това, което учителят можеше да наблюдава (Swidan (2026)).

  • Сътрудничеството учител–AI е с две остриета за ангажираността, не само за ученето. В тривълново проучване на 468 университетски преподаватели сътрудничеството повиши работната ангажираност чрез психологическата наличност (непряк ефект 0,19), но я понижи чрез отчуждението от работата (непряк ефект −0,03); дигиталната компетентност модерираше и двете, изравнявайки наклона на отчуждението от 0,38 до 0,17 (Sun et al. (2026)).

  • Разделението на труда следва надеждността, а не способността. Това, на което се спират обучаемите, е принципно разпределение: AI за незабавна, широко приложима езикова обратна връзка и преподаватели за индивидуализирано, релационно насочване, възлагано според възприеманата надеждност на всеки източник, а не според неговата точност, защото ограничаващият фактор за разчитането беше възприеманата грижа, а не компетентността (Serpil & Mor, 2026).

  • Разчитането е популационен процес, а не само индивидуален избор. В базиран на агенти модел видимото социално доказателство за непроверена употреба срина верификацията от 0,29 до 0,002 и повиши свръхразчитането от 0,30 до 0,52, докато видимата верификация от връстници възстанови почти пълна верификация — промяната на това, което обучаемите виждат, че другите правят, побеждава понижаването на разходите за проверка (Biswas (2026)).

Това прави сътрудничеството между човека и AI педагогически конструкт, не по-малко от технически: стойността на партньорството се оформя от това как учителите проектират взаимодействието, как обучаемите го регулират и как системата кани или възпира продуктивната ангажираност.

Как сътрудничеството човек–AI се проявява в изследванията

  • Доверие и очаквания: Очакванията за доверие изследват как очакванията на обучаемите за AI оформят дали сътрудничеството е продуктивно или води до свръхразчитане.

  • Допълващи се роли в писането и мисленето: Колаборативното писане с човекоподобен AI и GenAI като мисловен инструмент показват как AI може да усили, а не да замести мисленето на обучаемия, когато разделението на труда запазва когнитивната му ангажираност.

  • Оркестрация и самостоятелност: Оркестрацията на самостоятелността учител–студент и менталните модели на студентите разглеждат как самостоятелността се договаря между хора и AI, свързвайки се с човек в цикъла и агентния AI.

  • Метакогнитивни и екипни измерения: Човекоцентричните метакогнитивни модели на AI и дисциплинарната медиация в студентски екипи разширяват сътрудничеството към метакогницията и екипното учене.

  • Компетентността за сътрудничество е конфигурация, а не контролен списък — метакогницията поема интегративната роля на TPACK. Dang, Hong, Doyle and Nguyen (2026) дефинират компетентността за сътрудничество човек–AI като динамична конфигурация от домейн, AI компетентност и метакогнитивна компетентност плюс техните пресечни точки (работа с AI, агентно учене с AI, агентно личностно и професионално развитие и самата HACC), изрично отхвърляйки адитивен списък от AI умения, прикрепен към съществуваща учебна програма. Централният им ход преразпределя интегративната работа, която педагогиката върши в TPACK: тъй като AI е адаптивен участник, чийто принос се измества, докато задачата се разгръща, координиращото бреме пада върху собствената метакогниция на обучаемия — да решава кога да се консултира с AI, как да рамкира взаимодействието и кога да го презапише — така че обучаемият, а не учителят, държи механизма, който поддържа сътрудничеството продуктивно. Самостоятелността на обучаемия е съзнателно пропусната като самостоятелен възел; вместо това тя е възникващото качество, което обучаемите изразяват, когато координират трите компетентности, което прави самостоятелността свойство на конфигурацията, а не умение, което се тренира изолирано. Интервюто на рамката с 24 новозеландски преподаватели подкрепи измеренията описателно, а нивото на ролята измести акцента, а не приемането: мрежите на директорите-преподаватели се центрираха около AI с връзки към HACC и професионалното развитие, различавайки се значително от тези на старшите преподаватели (U = 10,00, p = .04) и на преподавателите в началото на кариерата (U = 7,00, p = .01).

  • Различни режими на сътрудничество: емпиричната работа идентифицира три режима на съвместно решаване на проблеми човек–AI — делегирано разсъждение, съвместна интерпретация и делегирано разработване — разкривайки размяна между ефективността на разпределената човек–AI система и дълбочината на саморегулиращата се ангажираност на обучаемите (делегираното разсъждение се представя най-добре, но с по-ниска само-регулация).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)

  • Човешките и AI фасилитатори могат да бъдат перцептивно взаимозаменяеми в структурирана дискусия, но повторната употреба се движи от различни причини. Kuhail et al. (2026) размениха човешки модератор с GPT-4 модератор (и обратно) в 32 дебатни сесии, водени от 32 студенти по STEM, и не откриха статистически значима разлика по ефективност, удоволствие, удовлетвореност, полезност или намерение за използване (t варираше от 0,23 до 1,30, p от 0,198 до 0,818). Различаваше се защо студентите биха се върнали: при AI модериране възприеманата полезност движеше намерението за използване (0,806, p = 0,004), докато удовлетвореността го движеше само при човешко модериране (0,556, p = 0,002). Авторите четат плоското сравнение като нормализация при задачи с правила, а не като доказателство за еквивалентност, и препоръчват да се запази човешкият надзор по етични и релационни причини, като същевременно полезността на AI модерираните дейности стане разбираема, вместо да се разчита на удоволствието. Тъй като изследването измерва само възприятия, то не казва нищо за това дали студентите са спорили по-добре.

  • Възложете задачата, преди да я делегирате. Tsim and Gutoreva (2025) добавят четвърта зона — това, което моделът вече знае — към зоните за развитие на обучаемия, получавайки задачи за заместване, допълване, подпомагане и неотменими, и твърдят, че режимите на автоматизация, усилване и сътрудничество се различават по локуса на контрол и епистемичната отговорност, а не по сложността на инструмента.

  • Подканното инженерство като педагогическо мислене, изградено чрез изследване на урока. Robinson et al. (2026) проследиха петима преподаватели на учители в една институция в ОАЕ през два цикъла на изследване на урока, достигайки до 36 бъдещи учители по математика в средното и началното образование, които проектираха подкрепяни от AI уроци с ChatGPT (GPT-4o). Ходът, който свърши работата, беше съчетаването на AI с дисциплинарна рамка: бъдещите учители генерираха задача, прецениха когнитивното ѝ търсене спрямо модифицирана рамка за анализ на математически задачи и след това преработиха подканата си, за да повишат концептуалната дълбочина, така че преработката беше закотвена в математиката, а не в характеристиките на инструмента. Шестнадесет от 26 анализируеми подкани носеха концептуални характеристики на задачата, а преподавателите заключиха, че подканното инженерство е „не техническо умение, а когнитивно“. Съобщеното учене нарасна в преработения урок (5 от 7 бъдещи учители в първия цикъл и 10 от 14 във втория съобщиха, че са се научили да различават концептуални от процедурни задачи), с уговорката, че искането към AI за по-концептуална задача понякога произвежда само по-сложна такава. За развитието на преподавателите аргументът е за продължително колаборативно изследване на реални уроци, а не за самостоятелни работилници по инструменти.

  • Насочването решава представяне срещу учене: Wong and Qiu (2026) противопоставиха свободно срещу водено сътрудничество човек–AI при творческа задача. Свободното сътрудничество с ChatGPT произведе само мимолетно представяне, което се срина при последваща задача без помощ, докато воденият протокол „първо помисли, после ChatGPT“ — генериране на собствени идеи, след което използване на ChatGPT, за да ги подобри, развие и оцени — даде трайни печалби в независимото творчество. Предимството беше медиирано от колаборативни подкани, насочени към подобряване на собствените идеи, което показва, че кой генерира (разделението на труда) предсказва дали сътрудничеството произвежда учене или заместване.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)

  • AI като медиатор, а не само партньор: Niari реконцептуализира AI като педагогически медиатор, който оркестрира взаимодействието, епистемичното осмисляне и регулаторните процеси, преразпределяйки самостоятелността, авторитета и отговорността между човешки и нечовешки актьори, вместо да третира AI като тутор, връстник или инструмент.

  • Сътрудничеството на учителите с AI също е структурирано, а не бинарно. Когато учителите проектират урочни дизайни с генеративен AI, взаимодействието им приема емпирично различими форми. Choi et al. (2026) идентифицираха седем модела на взаимодействие учител–AI — от директно приемане и разширено приемане на изхода на AI до първоначално отхвърляне, преработено приемане, последващо водено използване, сложни взаимодействия и заобикаляне на AI — където преподавателският опит и AI компетентността на учителя съвместно оформят дали той критично подканва отново и адаптира AI към студентите и контекста (допълващо се, разпределено разделение на труда) или пасивно приема предложенията (доминирано от AI разпределение).

  • Медиационният агент като хибридна форма на участие. Вместо среда между инструмент и сътрудник, генеративният AI се концептуализира като медиационен агент, който медиира действието, докато генерира обусловени, неотчитащи се приноси — отделна категория, която пренасочва дизайна от технологична способност към навици на участие (надзорна самостоятелност, епистемична бдителност).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

  • Общност и епистемичен авторитет: общностното учене с AI показва, че сътрудничеството е и въпрос на кой е авторитетен, закотвяйки ангажирането с AI в живите епистемологии на обучаемите.

  • Откриване на черти, водено от данни: Анализът на главните черти (PTA) автоматизира извеждането на „черти“ на взаимодействието от големи корпуси от разговори с LLM — вдъхновен от PCA четириетапен конвейер, който извлича наблюдения на поведението, групира ги в кандидат-черти, оценява всеки сътрудник и избира най-разграничаващите черти. Оценен върху корпус студент–AI тутор и корпус разработчик–агент за код, PTA открива черти, които обясняват и предсказват резултатите (например дълбоко концептуално ангажиране положително, делегиране на задачи отрицателно в образователната среда), и — тъй като те още не обобщават през семестри и среди, нито показват траектории на учебна крива — авторите твърдят, че чертите още не са интерпретируеми като „умения“. Това предлага мащабируемо, обективно допълнение към рамките за AI грамотност и самоотчетните мерки, пряко информирайки как преподавателите преподават „умения за използване на AI“.

  • Връзката човек–AI като най-устойчивата тревога през поколенията CAI. Обзорният преглед на разговорните AI агенти (Ganguly et al. 2025, 34 прегледа) установява, че тревогите за връзката човек–AI — свръхразчитане, социална изолация, деперсонализация, емоционална зависимост, прозрачност, отчетност — са най-често обсъжданият етичен въпрос през всички поколения CAI, предхождайки GenAI. Това поставя въпроса „запазване срещу заместване“ в самия център на етиката на CAI и подсилва, че стойността на сътрудничеството се определя от дизайна (кой генерира, кой решава, как е споделена отговорността).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions for ethical and responsible use)

  • AI мащабира експертиза в реално време към начинаещи — първият RCT на живо преподаване. Wang et al. (2024) в рандомизирано изпитване (900 тутори, ~1 800 ученици в K-12 в недостатъчно обслужвани общности) поставиха AI на страната на тутора, а не на ученика: Tutor CoPilot генерираше експертноподобни предложения в реално време (изградени от разсъждения на глас на опитни тутори), които начинаещите тутори можеха да редактират или отхвърлят. Учениците на третираните тутори бяха с 4 процентни пункта по-склонни да овладеят теми (p < 0,01), с 9 процентни пункта печалби сред учениците на най-ниско оценените тутори — които се изравниха с контролните резултати на по-високо оценените тутори — при ~$20 на тутор годишно. Находката е силна емпирична котва за усилването на учителя/тутора като справедлив режим на сътрудничество човек–AI: човекът запазва педагогическата преценка и автономия, докато AI доставя мащабируема експертиза.

  • Ограничени експерти: как учителите разделят авторитета с AI. Reichert, Briceno, Tabarsi & Barnes (2026) проведоха партиципативно дизайнерско изследване, в което шестима средношколски учители прототипираха LLM чатботове за собствените си класни стаи и анализираха как авторитетът трябва да се разпредели между учител и система. Учителите последователно рамкираха AI като ограничен експерт — специализирана способност, ограничена до строго определен домейн и работеща под човешки надзор — и разделиха тази ограниченост на две измерения: граници на авторитета, където професионалната и правната отговорност за ученето и безопасността на учениците не може да се делегира, и граници на експертизата, където системата няма контекстуалното знание на учителя за отделните ученици, динамиката на класната стая и институционалните норми. Съпоставянето на прототипите с деветте събития на инструкцията на Gagné показа, че делегирането е избирателно, а не на принципа всичко или нищо: учителите приеха AI за представяне на съдържание, предоставяне на задачи за упражнение, скафолдинг и формираща обратна връзка, но отказаха да предадат информирането на учениците за целите или сумативното оценяване. Дизайнерското четене е, че интерфейсът за сътрудничество трябва да прави видимо къде човекът запазва решаващата роля, а не само къде моделът е способен.

  • Ролята трябва да се адаптира, а не само да се етикетира. Liao (2026) показва, че фиксиран AI спътник в ролята на „връстник“ поддържаше по-дълги взаимодействия при обсъждане на книги, но доминираше разговора (по-нисък дял на думите и изреченията на ученика) и достигна афективен таван, аргументирайки, че сътрудничеството изисква логика на адаптивна роля — превключване между връстник, асистент и съветник — а не една статична персона.

  • Съвместният дизайн от страна на учителя и архитектурата на ролите също са сътрудничество. Отвъд партньорите, обърнати към студентите, учителите си сътрудничат с GenAI, за да проектират преподаването. Wang et al. (2026) систематично преглеждат съвместния дизайн на учебни задачи учител–AI, картографирайки режимите на сътрудничество и напреженията (самостоятелност, епистемичен авторитет, контрол), които възникват, когато учители и AI съвместно произвеждат дизайни; Talebzadeh (2026) установява, че педагогическата експертиза на учителите — а не беглостта с AI — определя качеството на проектираните с AI диференцирани групови дейности (богатство на ролите, синергия, подравняване на нивата), позиционирайки учителя като „двуезичен дизайнер на обучение“.

  • GenAI като агент и като съвместно пространство в групи. Xu et al. (2026) наблюдават малки екипи във висшето образование и показват, че ролята на GenAI се договаря и конфигурира — от подчинен асистент до оспорван съотборник — и че синхронното споделено използване поддържа обща основа, докато асинхронното частно използване фрагментира прозрачността, предлагайки гледна точка за кооперативна работа, подкрепяна от GenAI, която третира GenAI едновременно като агент и като интерактивно съвместно пространство.

  • Допълващи се половини на сътрудничеството в класната стая. Две изследвания от 2026 г. картографират допълващи се половини на сътрудничеството човек–AI в класните стаи. MeduAI-SP (Yang et al.) аргументира „функционална комплементарност“ в клиничното образование: AI агентите поемат повтарящата се ролева игра, последователната пациентска симулация, наблюдението по контролен списък, сократическото подканване и предварителната формираща обратна връзка, докато преподавателите и човешките стандартизирани пациенти осигуряват контекстуална интерпретация, нюансирана емоционална реакция, индивидуализирана ремедиация, оценяване на професионализма и преценки за готовност — заместването е ограничено от последиците от грешки, несигурността на задачата, релационната чувствителност и наличния човешки преглед, а една AI система е изрично лишена от правото автономно да определя клинична компетентност. В обратната посока, смесена етична дискусия с 45 студенти (3 човека/3 агента) (Seo et al., 2026) документира модел с две остриета: агентите понижиха социалните бариери (участниците говореха по-директно, защото агентите нямат емоции, и не чувстваха задължение да запълват тишината), но същият комфорт отклони взаимодействието от хората — 79,7% от въпросите отидоха при агентите срещу 60%, които тяхната наличност предсказва (p = .017). Забележително е, че присъствието на други хора накара участниците да се отнасят по-уважително към AI, което подсказва, че човешкото съприсъствие само по себе си е афорданс за калибриране на ангажирането с AI.

  • Комплементарността е условна, а не по подразбиране свойство на екипите. Tuo et al. (2026) установиха, че екипите човек–AI превъзхождат и хората, и AI самостоятелно само в едно от шест условия — трудните случаи, в които AI беше по-малко точен от хората — и не съобщават последователно предимство на екипа другаде, така че добавянето на AI партньор не е само по себе си път към допълващо се представяне.

  • Професионалните програми пренасочват обучението от рутинно производство към компетентности за сътрудничество (дизайнерски протокол): Wang (2026) предлага базирана на дизайна рамка за обучение на преводачи, изградена около инвентар на изместването на задачи (18 подзадачи, оценени за вероятност за изместване от AI с маркери за произход [E]/[P]) и четири пренасочени компетентности: междудисциплинарно знание, оркестрация на AI, стратегическа преценка и критично оценяване на AI. Рамката е предварително регистриран протокол без емпирични данни; приносът ѝ е методът — одитируем анализ на изместването плюс път за съвместен дизайн на реформата на учебната програма — който се пренася към всяка професионална програма, чиито рутинни задачи агентните системи все по-често изпълняват.

  • Типовете преплетеност се различават по това какво изискват от студента и затова някои остават редки. Sun, Dohn and Rehm (2026) класифицират 102 изследвания във висшето образование по това как епистемичната работа е споделена между студент и система (Assistant, Enabler, Synthesizer, Generator, Reimaginator) и установяват, че двете форми, които запазват компетентността приписваема на отделния студент, съставляват по 42,16% от корпуса, докато формите, които разпределят авторството, остават маргинални. Обяснението им е институционално, а не техническо: редките типове искат от студентите да поемат епистемична отговорност за изходи, които не са произвели, и същевременно да бъдат оценявани като индивидуални автори, и именно това противоречие — а не самото разделение на труда — ги държи извън практиката. Дизайнерският отговор е да се направи разпределението на епистемичната работа явно, да се подредят дейностите по спектъра и да се изгради рефлексия върху това как е била споделена отговорността.

  • Да притежаваш произведение не е същото като да си негов автор. Hong et al. (2026) назовават дефицит на легитимация на авторството: човек може да преживее даден изход като свой и въпреки това да не може да обоснове ролята на автор, защото психологическата собственост, усещането за самостоятелност и отчетността за публикуването на работата са отделни пътища, които не е нужно да съвпадат. Техният възел на труда на авторството класифицира приносите роля по роля, така че един запис може едновременно да подкрепя редакторско твърдение и да се проваля при твърдение за единствен създател. Изложението е концептуален анализ без данни и без тестван модел, така че дефицитът е предложен конструкт, чиито предсказания остават непроверени.

  • Насочването, а не казването, изисква свой собствен критерий за оценяване на агент. Дизайнерски случай, който си поставяше за цел да отразява учителското фасилитиране, установи, че агент със знание, ограничен до курирана база, може да бъде оценяван по точност, докато агент, който трябва да води студентите към собствените им отговори, не може (Humburg et al., 2025).

  • Партньорството се простира и до самия изследователски процес, не само до ученето на студентите — Potter et al. (2026) накараха GPT-4o да изготви кодове и предварителни теми в защитена RAG платформа, докато трима основни изследователи и двама външни валидатори запазиха интерпретативния авторитет, консолидирайки четири финални теми. Хибридният работен процес преразпредели труда на изследователите, вместо да го премахне.

Връзки

Сътрудничеството между човека и AI се свързва с човек в цикъла (надзор), агентния AI (автономия), ролята на учителя (променящата се работа на преподавателите), скафолдинга и метакогницията (как сътрудничеството подкрепя ученето) и свръхразчитането (режимът на провал, когато сътрудничеството стане заместване). Това е основна тема в AI грамотността, саморегулираното учене и студентското преживяване.

Чести заблуди

  • „Сътрудничеството означава, че AI върши част от работата.“ Обучаемият запазва решаващата роля и това се разпростира върху писането: Oppenheimer, Cash and Connell Pensky (2025) показват, че то се държи, когато подредбата е проектирана за това. Разделението на труда не е сътрудничество, освен ако човекът не запази преценката.
  • „AI е този, който обяснява в обърната подредба.“ Студентите, които преподаваха на AI, обясняваха по-добре — дефиниране на обърнатата класна стая при M = 4,18 срещу 3,29, преподавателски дейности при M = 4,91 срещу 3,06, и двете p < 0,001. Ученето се натрупа при обясняващия.
  • „Човешкият и AI приносът са заместители.“ Две изследвания от 2026 г. картографират допълващи се половини на сътрудничеството в класната стая, което рамкира дизайнерския проблем като разпределение, а не като заместване.

Свързани концепции

Свързани статии

Метаданни

Обучение и преподаванеStudent-AI Interaction
Технологии и техникиGenerative AI, Large Language Models (LLMs)
Основи на AI в образованиетоСътрудничество между човека и AI, AI грамотност
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.