База знания AIEdAIEd KB
На тази страница

Прочетете тази страница на английски

Понятия

Моделът SAMR

Създадена 2026-09-10 · Актуализирана 2026-11-08

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

Моделът SAMR — рамка за интеграция на технологии, разработена от Ruben Puentedura, която класифицира степента, в която дадена технология преобразява ученето, по четири нива: Заместване, Усилване, Модификация и Предефиниране. Двете долни нива (Заместване, Усилване) усъвършенстват съществуваща задача — технологията прави това, което се е правело и преди, по-добре или по-удобно; двете горни (Модификация, Предефиниране) я преобразяват — самата задача се променя в нещо, което досега не е било възможно. В AI в образованието SAMR е стандартната леща за въпроса дали генеративният AI се използва за постепенно подобряване на съществуваща практика или за преосмисляне на ученето, и стои редом с TPACK като начин да се опише как учителите интегрират технологии, а не защо ги приемат.

Въпроси за размисъл

  • Когато AI влезе в даден курс, това Заместване ли е (чатбот заменя поле за търсене) или Предефиниране (става възможна задача, която преди не е била)? Какво определя кое ниво е уместно — и трансформацията винаги ли е целта?
  • SAMR и моделите за приемане на технологии отговарят на различни въпроси: теорията на приемането пита защо учител или институция приема даден инструмент; SAMR пита колко дълбоко инструментът променя ученето. На кой въпрос всъщност отговаря дадено изследване на AI интеграцията?
  • Систематичен преглед на AI интеграцията във висшето образование установява, че повечето употреби стоят на ниво Заместване или Усилване, а само едно изследване се доближава до Предефиниране. Ако това е типично, какво говори за пропастта между потенциала на AI и реалността в класната стая?
  • SAMR често се призовава в подготовката на учители и професионалното развитие, за да помогне на преподавателите да планират използването на технологии. Променя ли класифицирането на един урок по SAMR това, което учителят действително прави, или е предимно описателен етикет?
  • Критиците твърдят, че SAMR, подобно на TPACK, почива на хуманистична онтология, която приема когницията за непроменена от технологията, и че не казва нищо за властта, собствеността върху данните или справедливостта. Достатъчна ли е леща за нивото на интеграция, или интеграцията в ерата на AI се нуждае от по-критична рамка?

Въведение

SAMR описва дълбочината на технологичната трансформация на учебните задачи. Четирите му нива образуват възходяща скала от усъвършенстване към трансформация: Заместване (инструментът заменя друг без функционална промяна — чатбот вместо търсачка), Усилване (инструментът заменя и подобрява — проверката на правописа в текстообработваща програма вместо пишеща машина), Модификация (задачата е съществено препроектирана — учениците работят съвместно в реално време върху споделена чернова, генерирана от AI) и Предефиниране (стават възможни нови задачи, преди немислими — обучаемите сътворяват с генеративен модел по начини, които нямат аналог без AI). Моделът се използва широко в образователните технологии, изследванията и професионалното развитие на учители като речник за планиране и оценяване на технологичната интеграция и е стандартен спътник на TPACK и на рамките за приемане на технологии — макар да отговаря на различен въпрос от всяка от тях.

Какво означават четирите нива

  • Усъвършенстване (долна половина): Заместването и Усилването подобряват съществуваща задача, без да променят нейния характер. Повечето рутинно използване на AI — генериране на въпроси, бързо генериране на текст, резюмиране — стои тук: по-бързо е и по-удобно, но не променя това, което се иска от обучаемия.
  • Трансформация (горна половина): Модификацията и Предефинирането променят самата задача. Vibe coding, съвместното създаване в реално време с модел и адаптивният интерактивен диалог са задачи, които не са били възможни преди генеративния AI, и представляват трансформативния край на скалата.

SAMR често се съчетава с рамката ICAP, защото двете се подравняват: четирите сценария от готвене към учене в Rummel, Nachtigall & Panadero (2026) съпоставят режимите на ангажираност по ICAP с нивата на SAMR — ICAP Passive със SAMR Заместване, Active с Усилване, Constructive с Модификация и Interactive с Предефиниране — илюстрирайки прогресия от пасивно делегиране към интерактивно съвместно конструиране.

Доказателства от базата знания

  • AI интеграцията във висшето образование е до голяма степен постепенна, а не трансформативна. AlSheikh et al. (2026), в систематичен преглед по PRISMA на 22 интервенционни изследвания, пресеяни от 959 записа, оценяват AI интеграцията с модела SAMR и установяват, че повечето изследвания се струпват на ниво Заместване или Усилване, по-малко на Модификация и само едно се доближава до Предефиниране. AI обикновено се въвежда, за да подобри съществуваща практика — доминирана от автоматизация на оценяването и подкрепа за персонализирано обучение — а не за да преосмисли учебни програми или резултати от ученето.
  • SAMR е често срещана аналитична леща за промяна на учебната програма, движена от GenAI. Sabani et al. (2026) съпоставят пет промени в учебната програма (от статична към динамична, от предаване към способност, от локална към институционална) с утвърдени лещи, включително SAMR и конструктивно подравняване, използвайки модела, за да изяснят педагогическите механизми, чрез които GenAI преобразява учебната програма.
  • SAMR и TPACK закотвят стандартите за интеграция на технологии от преподаватели. Crompton et al. (2026) поставят шестте си стандарта за технологии на преподавателите срещу съществуващи рамки — TPACK, RAT, SAMR, SETI — и стандарти (ISTE, UNESCO, DigCompEdu), повечето от които са насочени към преподаватели в K-12 или покриват само преподавателската част от ролите на академичния състав, оставяйки пропуск в развитието на преподавателите във висшето образование.
  • SAMR е мишена на постхуманистичната критика. Elsayed (2026) критикува TPACK, SAMR и моделите за AI грамотност за споделена хуманистична онтология, която предполага ограничен обучаем, чиято когниция е фундаментално непроменена от технологичното посредничество, и твърди, че тези инструменталистки рамки не могат да адресират конститутивната роля на AI в когницията.
  • Рамка за интеграция, а не рамка за власт. Poudyal (2026) оценява SAMR редом с TPACK и други рамки за интеграция и намира, че нито една не адресира справедливата власт, собствеността върху данните или отчетността, което мотивира алтернативна екологична рамка за съвместна самостоятелност.
  • Използването от студенти също се съпоставя със SAMR, а обратната връзка обхваща всички нива. Кодирането на GenAI декларациите на 31–36 студенти в курс по физика поставя ученето при заместване–усилване, форматирането при заместване, а изпълнението на задачи при модификация–предефиниране, докато обратната връзка — проверка, изясняване, верифициране — се появява на всичките четири нива (Quince and Faulconer (2026)).
  • Дълбочината и включването са отделни оси. Jita, Jita & Omoniyi (2026) съчетават SAMR с UDL в 38 източника и твърдят, че задачите на ниво Предефиниране все още могат да изключат студенти, чийто език, устройство или свързаност не пасват на дизайна.

SAMR, TPACK и приемането на технологии: как се различават

Три рамки често се смесват, но отговарят на различни въпроси:

  • Моделите за приемане на технологии (TAM, UTAUT) обясняват защо даден индивид или институция приема и продължава да използва технология — възприетата полезност, лекотата на използване и социалното влияние.
  • TPACK описва знанието, което учителят се нуждае, за да интегрира технология ефективно — взаимодействието на технологично, педагогическо и съдържателно знание, разширено в ерата на AI до AI-TPACK/GenAI-TPACK.
  • SAMR класифицира колко дълбоко дадена технология преобразява учебната задача, от усъвършенстване до предефиниране.

SAMR се разбира най-добре като леща за дълбочината на интеграция, използвана при планиране и оценяване, която допълва теорията на приемането (която обяснява възприемането) и TPACK (който обяснява способността на учителя). В ерата на AI тя се използва най-продуктивно, за да пита дали генеративният AI се прилага, за да подобри съществуващи задачи или за да даде възможност за наистина нови — разграничение, което минава през цялото изследване на оценяването и учебната програма в базата знания.

Последици за практиката

  • Използвай SAMR, за да зададеш въпроса за дълбочината, а не за да предписваш трансформация. Усъвършенстването не е по-нисше по природа; много рутинни употреби на AI са законни Замествания. Моделът е диагностичен — изяснява какво действително променя дадена употреба.
  • Съчетавай го с ICAP. SAMR описва в какво се превръща задачата; ICAP описва как се ангажира обучаемият. Използвани заедно, те разграничават повърхностното заместване от дълбокото интерактивно съвместно конструиране.
  • Допълвай го с лещи за приемане и справедливост. SAMR не казва нищо за това защо даден инструмент се приема или кой печели. Съчетавай го с модели за приемане и анализ на справедливостта, за да не се превърне етикетът за дълбочина в заместител на критична оценка.
  • Третирай доказателствата за постепенна интеграция като находка, а не като провал. Ако повечето AI интеграция се струпва при Заместване/Усилване, дизайнерската задача не е да се насилва Предефиниране, а да се признае, че трансформативната употреба изисква различни дизайни на задачите, а не просто по-добри инструменти.

Чести заблуди

„По-високо по SAMR означава по-добро преподаване.“ SAMR е леща за въпроса дали AI преосмисля ученето или подобрява съществуваща практика; това не е класация по качество и Предефинирането не е правилният отговор за всяка задача. Заместване, което премахва непродуктивна стъпка, е успех, оценен по ученето, а не по нивото, което заема.

„Приемането на AI се придвижва нагоре по стълбицата.“ Разпределението е концентрирано в дъното. Систематичен преглед на AI интеграцията във висшето образование установява, че повечето употреби стоят при Заместване или Усилване, а само едно изследване се доближава до Предефиниране. Практическата употреба на SAMR в тази литература следователно е до голяма степен диагностична — тя назовава къде областта действително се намира.

„SAMR и TPACK са конкурентни рамки.“ Те описват различни неща: SAMR описва степента на трансформация на една задача, докато TPACK описва знанието, което учителят се нуждае, за да интегрира технология добре. Учителят може да е силно TPACK-способен и пак да работи при Заместване, поради което двете се използват заедно, вместо да се избира между тях.

„Инструмент, който е трансформативен на едно ниво, е трансформативен на всички нива.“ Същият генеративен инструмент може да подкрепи Заместване в един курс и Предефиниране в друг, защото нивото е свойство на дизайна на задачата, а не на технологията. Приписването на нивото на инструмента произвежда решения за приемане вместо дизайнерски решения.

Свързани концепции

Свързани статии

Метаданни

НивоK 12, Higher Ed
Целева аудиторияInstructors, Curriculum Designers, Researchers
Технологии и техникиTechnologies, Technology Adoption Models
Основи на AI в образованиетоОбразователно развитие, Дизайн на обучение, Технологични педагогически съдържателни знания (TPACK), Компетентност на учителите за AI
Вид страницаFramework
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.