База знания AIEdAIEd KB
На тази страница

Прочетете тази страница на английски

Понятия

Развитие на теорията в AI в образованието

Създадена 2026-08-22 · Актуализирана 2026-11-08

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

Развитие на теорията в AI в образованието — научната работа по създаване, развитие и критично изследване на теориите и концептуалните рамки, които обясняват как взаимодействат обучаемите, учителите и AI системите. Докато генеративният AI преобразява образованието, областта едновременно предлага нови теории за учене с AI и преработва утвърдените теории за ученето — а документирана слабост в използването на теория остава междусекторно ограничение на изследванията в AIEd.

Въпроси за размисъл

  • Често говорим за „прилагане на теория“ към AI в образованието, но тази страница пита дали областта всъщност изобретява нови теории. Преди да продължите: когато позната рамка (като бихевиоризма или конструктивизма) бъде разтегната, за да покрие генеративния AI, какво може да улови правилно и какво може тихо да изкриви?
  • Спомнете си момент, в който сте използвали AI и сте усетили, че разбирането ви расте — или обратното. Каква е разликата между „учене с инструмент“ и „съвместно конструиране на знание с машина“? Къде бихте прокарали тази линия и има ли изобщо смисъл да се казва, че машината е съвместен агент?
  • Много изследвания за AI в образованието са критикувани, че използват теория слабо или изобщо не я използват. Ако прочетете изследване, което показва, че AI инструмент „проработи“, какво трябва да ви каже защо и как е проработил, преди да наречете находката теоретично смислена, а не просто размер на ефекта?
  • Една предложена теория твърди, че родените с AI студенти надценяват собственото си учене, защото AI надува представянето им. Забелязвали ли сте у себе си или у други чувство на по-голяма компетентност след тежко използване на AI, отколкото могат действително да демонстрират без него? Кое би било най-силното доказателство, че това е реален феномен, а не артефакт от едно изследване?
  • Страницата разграничава теорията (обясняваща механизмите на ученето) от философията (питаща какво фундаментално представляват ученето и умът). Къде в собственото си мислене за AI се движите между двете — например питайки не само дали дадена рамка обяснява ученето добре, но и дали улавя какво е ученето в действителност?
  • Появяват се нови теории — генеративизъм, епистемична съвместна самостоятелност, когнитивни общи ресурси. Като читател, какво би ви убедило, че една от тях е истински напредък, а не модно преетикетиране на по-стари идеи? Задайте си собствен тест за това какво трябва да може да обясни една добра нова теория за ученето с AI.

Въведение

Развитието на теорията в AIEd стои на границата между приложните теории за ученето, от които областта черпи, и новите конструкти, които ерата на AI произвежда. Докато страницата за теориите за ученето каталогизира утвърдените теории, прилагани към AI (бихевиоризъм, конструктивизъм, когнитивно натоварване, самоопределяне и т.н.), този концепт проследява процеса и продукта на самото теоретизиране: кои нови теории и рамки се раждат, как се развиват утвърдените теории и методологическия въпрос дали изследванията в AIEd теоретизират добре.

  • Рамка, която специфицира собственото си условие за сравнение. Nakamura (2026) третира разделянето на когнитивния труд като обяснителна единица, поставя операциите върху градуиран континуум периферно–конститутивно, назовава условието за сравнение, спрямо което се дефинират усилването и ерозията, и извежда седем обусловени проверими твърдения (Nakamura, 2026). Тъй като твърденията предсказват разлики между конфигурации, изследване, което съобщава само среден ефект, не може да ги потвърди или опровергае.

Нови теории за учене с AI

Нарастващ клъстер от статии изрично създава нова теория за ерата на AI, вместо да прилага съществуващи рамки:

  • Генеративизъм. Генеративизмът е предложен като нова теория за ученето, която твърди, че всеки от четирите — бихевиоризмът, когнитивизмът, конструктивизмът и конективизмът — почива на едно предположение, което генеративният AI нарушава: че наблюдаемият изход удостоверява ученето (бихевиоризъм), че когнитивните операции се случват вътре в обучаемия (когнитивизъм), че значението се конструира, а не се доставя (конструктивизъм), и че трудната част е навигацията до съществуващо знание, а не генерирането му (конективизъм). Той назовава четири конструкта — епистемично партньорство, разпределена самостоятелност, генеративна грамотност и адаптивна метакогниция — и извежда показател за оценяване за всеки, което е пряк опит да се назове отделна теоретична парадигма за медиираното от AI учене. Това, което не прави, е да формулира твърдения, които биха могли да се провалят: това е позиционна статия, синтезираща съществуващи доказателства, така че за разлика от Агентивизма по-долу тя предлага речник и програма за измерване, а не фалсифицируема теория.

  • AI свързаност. Fu and Zhao (2026) реконструират свързаността за ерата на AI чрез етиката на грижата и неоекологичната теория, дефинирайки „свързаност с изкуствен интелект“ като психологически реална, но етически асиметрична връзка с три измерения и шест фалсифицируеми твърдения, които очакват разработване на скала.

Синтетичната позиция добавя конкурентно предложение, което все пак формулира твърдения: тя назовава синтетично повишаване и авторско спиране — себе, гъсто озвучено, но неавторирано — и предсказва кръстосано взаимодействие, при което оценяваното авторство и кохерентността на разказ за житейско решение се движат в противоположни посоки (Du et al. (2026)).

  • Агентивизъм. Yan and Gašević (2026) предлагат Агентивизма като теория за ученето от среден обхват за взаимодействието човек–AI, дефинирайки ученето като трайно израстване на човешката способност, а не като успешно завършване на задача с AI, и специфицирайки четири механизма: делегирана самостоятелност, епистемично наблюдение и верификация, реконструктивна интернализация и пренос при намалена подкрепа. Това, което го отделя от другите предложения на тази страница, е фалсифицируемостта: той формулира шест твърдения, включително че ученето е по-силно, когато AI запазва отговорността на обучаемия за формулиране на проблема, задаване на критерии и обосновка, отколкото когато доставя отговори. Той също твърди, че изискването за верификация трябва да подобрява отложеното представяне, докато повторното делегиране с ниска фрикция без реконструкция трябва да отслаби калибрирането на собствената компетентност у обучаемите.

Теоретизирането от страна на учителите сега поема същия ангажимент за проверимост: Моделът способност–решение подрежда способността AI-TPACK преди отношението и възприемания поведенчески контрол и назовава четири условия за опровергаване — провал на медиацията, дискриминантен колапс, нулева модерация и контекстна излишност — макар моделът да остава непроверен (Mnguni (2026)).

  • Епистемична съвместна самостоятелност. Учене с машини изгражда „към теория на епистемичната съвместна самостоятелност“, теоретично информиран модел на това как обучаемите и GenAI системите съвместно произвеждат знание и разбиране.

  • Цикъл на когнитивното партньорство. Page (2026) предлага Цикъла на когнитивното партньорство, шестфазов рекурсивен модел — Човешки въпрос, AI разгръщане, Човешка рефлексия, Интеграция, Ревизия и Нов въпрос — който локализира ученето в промяната на когнитивната позиция на обучаемия, а не в изтънчеността на подканата, и назовава четири режима на провал, при които същата рекурсия замества или изкривява мисленето.

  • Отсъстващата когнитивна базова линия (ACB). Отсъстващата когнитивна базова линия теоретизира структурен разрив в академичната самооценка на родените с AI студенти — триизмерна рамка, обясняваща защо студентите надценяват ученето си, когато AI надува представянето.

  • Когнитивните общи ресурси. Когнитивни общи ресурси и регенерация на експертизата черпи от теорията за ресурсите от общ пул и разпределената когниция, за да обясни как рационални решения за приемане на AI могат да изчерпят споделения пул от експертиза, от който професиите се нуждаят за своето обновяване.

  • Представяне срещу учене. Представяне срещу учене теоретизира рязкото разминаване между надутото от AI представяне по задачи и трайното учене — разграничение, което се повтаря в доказателствата за печалби за ученето в базата знания.

  • Епистемична AI грамотност (EAIL). Епистемичната AI грамотност преформулира AI грамотността като процесно ориентирана епистемична компетентност, центрирана върху това как знанието се конструира и обосновава, когато студентите съвместно програмират с генеративен AI.

  • Трисистемна теория. Shaw and Nave (2026) разширяват двупроцесните обяснения със Система 3 — външно, автоматизирано, движено от данни разсъждение от AI, което може да допълва, измества или потиска Система 1 и Система 2 — и назовават когнитивната капитулация, некритичното приемане на изхода на AI, като нейния характерен провал.

  • Когнитивно попечителство. Сертифициране и когнитивно попечителство теоретизира институционалната отговорност за защита на знанието и ученето в контексти на оценяване, проникнати от AI.

  • Съвместна регулация и епистемична проактивност. AI като когнитивен партньор в съвместната регулация интегрира изпълнителните функции, метакогницията, разпределената когниция и социокултурното развитие в развитиен модел; епистемичната проактивност теоретизира агентната позиция на студентите към AI в математиката.

  • Парадигми на ангажираност човек–GAI. Strydom (2026) адресира „дефицита на теория“ в областта, като закотвя седем осъществени парадигми на ангажираност човек–GAI (предпазлива, ориентирана към възможности, разширена, пионерска, симбиотична, основана на ценности, справедливост) в многомерния модел на Schommer за личните епистемологични вярвания — епистемологична, а не инструментално ориентирана теория за това как индивидите се позиционират различно спрямо AI.

  • Екологичната рамка за съвместна самостоятелност. Poudyal (2026) твърди, че генеративният AI преразпределя епистемологичния авторитет от учителите към студентите и към машините, и въвежда рамка, дефинираща съвместната самостоятелност чрез три взаимозависими измерения — релационно, регулаторно (съпоставено с цикъла на SRL) и педагогическо (континуум на приемане от учителите) — всички ограничени от неотменимо условие за човешка епистемична отчетност (оспоримост, произход и неделегиране на морален/интелектуален кредит). Тя позиционира самостоятелността като епистемичен дизайнерски проблем, а не като въпрос на използваемост, давайки на институциите по-точен език от „баланс“ за управление на интеграцията на GenAI.

  • Релационна епистемична самостоятелност и епистемична зависимост. Du & Yuan (2026) допринасят критично-интегративен разказ за това кога медиираното от AI разчитане запазва, а кога измества преценката. Те операционализират границата продуктивно разчитане/вредна зависимост чрез шест диагностични критерия (оспоримост, възстановимост, пренос, проследимост, разпределена отговорност, епистемична множественост) и проследяват четири социотехнически пътя (гладък авторитет, безфрикционно делегиране, непрозрачен синтез, институционализирана зависимост). Нормативното им предложение, релационната епистемична самостоятелност, разширява линиите на релационната автономия и епистемичната съвместна самостоятелност, като запазва явна асиметрия — AI може да оформя разсъждението без реципрочна отговорност или легитимен авторитет — и интегрира отговорността и епистемичната справедливост на институционално ниво. Като теория за учене с AI тя измества въпроса на областта от това дали AI помага или вреди към това кои епистемични действия се запазват, преобразуват или изместват, и прави дизайна на зависимостта, а не просто употребата, обект на педагогическа и институционална интервенция.

Изходът на модела се издига до статута на колективно знание без общностната гаранция, която този статут изисква — това, което Webb et al. (2026) наричат псевдо-cPCK, и причината областта да се нуждае от нов теоретичен конструкт, а не от по-добър интерфейс (Webb et al., 2026).

Развитие на утвърдена теория

Друга работа разширява съществуващата теория в контекста на AI, вместо да основава нови парадигми: работата върху парадокса на критичното мислене интегрира теорията за когнитивното натоварване с инструкция за намаляване на натоварването в тристепенна рамка; справедливото оценяване претеоретизира оценяването при смущението от GenAI. Ba, Gašević, Lim & Anderson (2026) реконцептуализират самата рамка на общността на изследването: вместо да рамкират GenAI като инструмент, диалогичен партньор или спекулативно „четвърто присъствие“, те го препозиционират като епистемично условие, което преконфигурира как когнитивното, социалното и преподавателското присъствие се осъществяват, доказват и управляват — преформулирайки присъствията на CoI като социотехнически постижения на сборки човек–GenAI и предлагайки евристика, основана на конфигурации, в която участието на GenAI и качеството на изследването са условно свързани чрез човешка отчетност. Голяма част от това е работа върху концептуални рамки (рамки за бизнес училища, валидна симулация), която операционализира теорията за практиката.

Lin and Chang (2026) разширяват Self-Regulated Learning и човешко–AI регулацията, като назовават какво управлява обучаемият — стандарти, оценъчни преценки и оторизация на контрола — а не само какво прави AI.

Парадоксът на фрикцията предлага друго разширение на утвърдена теория: Gupta (2026) прилага желателните трудности на Bjork и Bjork и продуктивния провал на Kapur към релационни срещи в образованието в чужбина, твърдейки, че има значение колко интерпретативна самостоятелност студентът пренася към генеративен асистент, а не колко често го използва. Рамката е концептуална и формулира пет твърдения като конкурентни хипотези.

Ranieri & Biagini (2026) развиват функционалната таксономия на областта на Zawacki-Richter et al. (2019): сред 154 публикации с класифицируема приложна функция 90 (58,4%) се изплъзват от четирите ѝ категории, а тяхната рамка пресича функцията с делегиран контрол, епистемична позиция и вградена педагогика.

An, McLaren, and Stamper (2026) развиват ACT-R и рамката Knowledge-Learning-Instruction, като теоретизират измамната свръхобобщеност — режим на провал, при който компилацията на знание произвежда свръхобобщена продукция, която дава правилни действия, но пропуска критично ограничение за приложение — и емпирично валидират процедура за откриване и отстраняване в адаптивни ITS и набор от данни за десетични числа в K-12.

Постфеноменология и технологично медииране. Farazouli et al. (2026) развиват утвърдената постфеноменологична рамка на технологичното медииране (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) в контекста на AI в образованието. Вместо да предлагат нова теория, те я прилагат, за да реконцептуализират GAI чатботовете като мултистабилни технологични артефакти, чиито „скриптове“ (бърза отзивчивост, естествено звучащ текст, който може да постигне достатъчна оценка) медиират възприятията на учителите и преконфигурират практиките им — разклащайки увереността на учителите, преобразувайки смисъла на компетентността и тласкайки учителите отвъд инструменталните въпроси за допустима употреба към преоценка на ролята им и смисъла на преподаването. Това е принос към развитието на теория: той показва как философски разказ за отношенията човек–технология обяснява емоционалното и професионалното смущение, което учителите преживяват, когато GAI влезе в утвърдена образователна практика.

Друг принос към рамките е типологията AI×Ed на Rismanchian & Doroudi, която разширява оригиналните „три взаимодействия“ на Kahn (1977) по две оси — ролята на AI (приложен инструмент срещу аналогия на човешкия интелект) и крайният потребител (от изследовател до обучаем) — за да локализира всеки проект в AIED. Отвъд категоризирането на областта, тя настоява за съживяване на линията на теория и изследване „AI като аналогия на човешкия интелект“, използвайки изчислителни и агентно-базирани модели на учене (напр. собствения им изчислителен модел на рамката ICAP), за да свърже съвременната теория за ученето и изчислителното моделиране — методологическа посока, която областта до голяма степен изоставя, когато се обръща към приложна, движена от данни работа.

Сравнителната философия като път към теоретичен плурализъм. Xie (2026) моделира различен път към развитието на теория: вместо да теоретизира AI в образованието отвътре в една традиция, статията организира сравнителен диалог, в който всяка традиция „прави видимо това, което другата замъглява“, изрично отказвайки да ги синтезира в единна рамка — подход, който третира теоретичния плурализъм като методологическа позиция, а не като неразрешен спор. Той твърди, че незападните традиции могат да направят повече от разнообразяване на дебатите; те могат да преобразят концептуалните основи на теорията в AIED, реконструирайки даоистките „природа на Дао“ (道性), самоусъвършенстването (修道) и „Чжънжън“ (真人) като ресурси за преосмисляне на самостоятелността, епистемичните цели на образованието и етичното действие при медиирани от AI условия. Той също заявява ограниченията открито: приносът е на един автор, неемпиричен, и предупреждава, че такъв превод изисква контекстуализация, за да се избегне романтизиране и ориентализъм.(Alternative AI Philosophy: Daoism as Method for AI in Education)

Проблемът с използването на теория в AIEd

Теоретизирането в областта е неравномерно. Ограниченията в изследванията в AIEd документират, че изследванията в AIEd често използват теория слабо или некритично — повтаряща се методологическа слабост редом с пропуски в възпроизводимостта и измерването. Прегледите установяват, че много статии в AIEd прилагат теория повърхностно или изобщо не я прилагат (напр. литературни прегледи, отбелязващи малко изследвания, които закотвят интервенциите в теория за ученето). Това прави развитието на теория — и използването на теория — въпрос за качеството не по-малко, отколкото научен продукт, свързвайки се с изследователските методи и AI Ed Evaluation.

Връзка с философията на AI в образованието

Развитието на теорията и философията на AI в образованието са допълващи се, но различни нишки на фундаменталната работа в базата знания. Развитието на теорията произвежда и емпирично проверява механизмите на ученето с AI — именувани теории и рамки като генеративизъм, епистемична съвместна самостоятелност и отсъстващата когнитивна базова линия, които обясняват и предсказват как взаимодействат обучаемите и AI. Философията разпитва предпоставките, върху които почиват тези механизми: какво се брои за знание, кой се брои за знаещ и какво фундаментално е обучаемият. Теория като епистемичната съвместна самостоятелност предлага механизъм, като имплицитно приема философски ангажименти за разпределената когниция и самостоятелността; философията прави тези ангажименти явни и оспорими. Докато развитието на теорията пита дали дадена рамка обяснява ученето добре, философията пита дали тя улавя какво в действителност представляват ученето и умът — двете нишки се срещат в най-фундаменталните статии на областта, които често правят и двете едновременно.

Чести заблуди

„Находка, че инструментът е проработил, е теоретичен принос.“ Не е, и причината е структурна. Когато твърденията на една рамка предсказват разлики между конфигурации, изследване, което съобщава само среден ефект, не може да ги потвърди или опровергае — дизайнът не вижда разграничението, за което е теорията. Експеримент, показващ средна печалба, ви казва, че нещо се е случило, а не кой механизъм го е причинил, така че теорията остава точно толкова подкрепена, колкото е била преди.

„Прилагането на утвърдена теория към AI е развитие на теория.“ Проблемът с използването на теория, описан на самата тази страница, казва друго: прилагането не е развитие, а повтарящият се модел в областта е заимствани конструкти, използвани като речник, а не като проверими предсказания. Разграничението има значение, защото заимствана рамка, която не може да генерира фалсифицируема разлика, е декорация, а не теория.

„Съществуващите таксономии на педагогическата функция на AI вече покриват това, което правят тези системи.“ Те не покриват голяма част от него. Сред 154 публикации с класифицируема приложна функция 90 (58,4%) се изплъзват от четирите категории на предишната рамка, поради което по-новата работа пресича функцията с делегиран контрол, епистемична позиция и вградена педагогика. Таксономия, която погрешно класифицира почти три от всеки пет случая, не може да служи като общ речник на областта, а пропускът е находка за самия феномен, а не пропуск в дадена статия.

Последици за практиката

За преподаватели и инструкционни дизайнери

  • Когато изследване съобщава среден ефект, не го третирайте като указание за вашата конфигурация. Твърденията на теорията са за разлики между конфигурации, а средната стойност не може да ви каже коя от тях прилагате.
  • Питайте за всяка рамка, която приемате, дали предсказва нещо, което би могло да се окаже невярно във вашата среда. Ако не може, тя няма да ви помогне да решите нищо.
  • Очаквайте съществуващите категории да пропуснат вашия случай; повече от половината класифицирани публикации не се побират в стандартното четириделно разделение.

За разработчици

  • Съобщавайте конфигурации, а не един-единствен ефект в заглавието. Ако вашият дизайн въплъщава конкретна комбинация от делегиран контрол и епистемична позиция, кажете го — това е единицата, за която говори теорията, и единицата, която друг екип трябва да възпроизведе.
  • Не рекламирайте твърдение за механизъм въз основа на среден резултат; видът доказателство, необходим за механизма, е контраст, а не средна стойност.

За изследователи

  • Проектирайте контрасти между конфигурации, ако възнамерявате теоретичен принос. Експеримент със среден ефект, публикуван като развитие на теория, е най-честият и най-малко полезен продукт на областта.
  • Прикачвайте явни фалсифицируеми твърдения към всяка рамка, която въвеждате, и отчитайте кои разлики между конфигурации биха ги опровергали.

Свързани концепции

Свързани статии

Метаданни

Дизайн на проучванетоLiterature Review
Обучение и преподаванеLearning Theories
Изследователски методи и оценкаResearch Methods in AIED
Основи на AI в образованиетоAI в образованието, Ограничения в AIED изследванията
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.