Как да не допусна прекомерна зависимост от AI у студентите?

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

Студент се справя отлично със задачата за вкъщи и оставя половината изпит празен. Някой предава лабораторен доклад, през който не може да те преведе, или блок код, който не може да обясни ред по ред. Колега иска инструментът да бъде забранен в първокурсния курс, а ти претегляш какво ще струва това на студентите, които разчитат на него най-много.

Основното: прекомерната зависимост е предимно проблем на мястото. Дизайните, които я намаляват, поставят опита на студента преди инструмента, настройват AI да подсказва вместо да отговаря, правят проверката задължителен продукт за предаване и запазват един оценяван момент, в който инструментът отсъства.

Накратко

1. Постави собствените идеи, хипотеза или груба чернова на студента пред инструмента, преди той да се отвори.

2. Настрой AI да подсказва, да пита и да дава примери навсякъде, където целевото умение е това, което оценяваш.

3. Направи проверката продукт за предаване със собствен ред в задачата.

4. Запази оценявания момент без инструмент и сравни подпомогнатата работа с него.

5. Подбери момента на подканата за рефлексия според фазата на задачата, която тя още може да промени.

6. Виж кого оставя зад себе си дизайнът ти, по предварително знание, а не по средно.

Реши дали имаш проблем, или просто интензивно използване

Когнитивното изнасяне е прехвърляне на когнитивно изискване към външен инструмент, което освобождава ограничени умствени ресурси за друга работа. Guo и Ye (2026) преглеждат конструкта през динамичния метакогнитивен модел на Nelson и Naren, в който наблюдението на трудността движи решението дали да се изнесе към вътрешна, или към външна стратегия. Изнасянето е саморегулативен избор, а провалът, който си струва да те тревожи, е лошото калибриране; обемът сам по себе си казва малко.

Biswas (2026) моделира разчитането като три действия: реши сам, приеми отговора на AI без проверка или използвай го с проверка. Калибрирането се проваля в двете посоки. Прекомерната зависимост е приемане на грешен изход, а недостатъчната зависимост е изхвърляне на полезен AI, след като е сгрешил. Колективната прекомерна зависимост е популация, която е изоставила проверката, и тъй като суровата прекомерна зависимост се разминава със съжалението, интензивното използване е съвместимо с добри резултати. Студентът, който проверява всеки отговор на AI срещу твоите материали, не е твоят проблем. Този, който предава първата чернова на модела, е.

Lodge и Loble (2026) описват механизма като „беглост при поискване“: свързан и уверен изход, който заобикаля желателните трудности на извличането, разработването и генерирането, чрез които знанието се консолидира. Парадоксът на представянето при тях е, че подпомогнатата работа се усеща гладка и студентите се представят добре в момента, докато задържат по-малко, което те наричат илюзия за компетентност. Те назовават метакогнитивната мързеливост (по Fan et al. 2024), при която удобството позволява на обучаемите да се откажат от саморегулативните процеси, които трябва да развият.

Да ги различиш в собствения си курс изисква сравнение, а не число. Търси работа, която е по-добра от по-раншната работа на студента и по-слаба от обяснението му за нея: силно решена задача, последвана от слаб изпит, излъскан доклад, който студентът не може да обсъди, правилен отговор, който не може да се възпроизведе върху подобна задача. Нито един модел сам по себе си не доказва нищо. Два или три заедно оправдават промяна на дизайна.

Повечето от онова, което можеш да измериш тук, е самоотчет. Gerlich (2025) анкетира 666 участници от Обединеното кралство с 50 интервюта и установява, че използването на AI корелира отрицателно с критичното мислене (r = -0,68), като изнасянето е частичен медиатор (общ ефект b = -0,42; непряк ефект b = -0,25). Gao, Sun и Khan (2026) използват тривълнови данни от анкета със закъснение във времето от 623 китайски студенти плюс интервюта с преподаватели и установяват, че ефективното използване на AI повишава едновременно устойчивото учебно представяне и прекомерната зависимост. И двата дизайна са корелационни и и двата го казват.

Поведенческите инструменти са по-редки. PAUSE (Alam, 2026) е самопроверка само в браузър без доказателства за надеждност или валидност, а авторите ѝ предупреждават за валидността на пунктовете. Пунктовете записват кога и колко често AI влиза в работен процес, а не дали собственото разсъждение на студента е останало ангажирано, така че студент, който умишлено скафолдва с AI рано, честно ще получи оценка като изнасящ. PAUSE цитира и Offloading Score на Padmakumar и кол. (2026), който оценява дела на изнесеното усилие от поведенчески логове (n = 40 разработчици). Това, което искаш да знаеш, е какво може студентът без помощ.

Постави опита на студента пред инструмента

Най-ясната тествана последователност е „първо мисли, после ChatGPT“. Wong и Qiu (2026) разпределят N = 196 студенти да работят самостоятелно, да използват ChatGPT свободно или да работят в регулирано условие: генерирай собствени идеи, работи с ChatGPT, за да ги подобриш и оцениш, след което самостоятелно усъвършенствай и предай едно решение. Групата със свободно използване създаде по-творческа работа по подпомогнатата задача и се върна към нивата без инструмент при по-късна, по-трудна задача, решена без ChatGPT. Регулираната група не показа незабавно предимство и след това превъзхождаше двете други групи по самостоятелна креативност.

Данните от подканите обясняват разликата. В регулираната група 88,6% от подканите бяха колаборативни и това беше единственият тип подкана, значимо свързан с по-късната самостоятелна оригиналност. В групата със свободно използване 70,9% от подканите бяха неколаборативни, а 59,6% просто искаха от ChatGPT да генерира идеи направо. Един и същ инструмент, попитан по два различни начина, произведе два различни типа обучаеми.

В листа със задачата това става инструкция за ред: първо идеи, хипотези или груба чернова, после инструментът. Едно изречение в началото на страницата е достатъчно, стига следващата стъпка да събира написаното от студента.

Две подробности от класната стая решават дали последователността ще се задържи. Първата е времето. Ако независимата фаза се случва извън часа, някои студенти ще отворят инструмента първо и ще запишат идеите после. Втората е събирането. Ако от тази фаза не се предава нищо, последователността съществува само на хартия. Половин страница бележки, събрани в края на часа, е достатъчно, за да стане редът реален.

Настрой инструмента да подсказва, а не да отговаря

Brcic и Frljic (2026) съобщават най-острата версия на аргумента за мястото. Неохраняван AI помощник остави гимназистите с около 17% по-слаб резултат на изпит без помощ в сравнение с връстници, които изобщо нямаха инструмент. Същият модел, преработен да задържа отговорите, премахна вредата, а добре проектиран преподавател приблизително удвои ученето. Диагностиката им е използваема във всеки курс: ако допускането на AI прави задачата да изглежда без усилие, инструментът е на грешното място.

Zohar, Bloom и Inzlicht (2026) дават на този аргумент форма. Те твърдят, че връзката между усилие и смисъл е обърнато U, така че целта е градиент: премахни преобладаващите препятствия и запази трудностите, които произвеждат разбиране и собственост, с помощ като допълнение. Аргументът им е концептуален коментар без нови данни, а връзката с обърнато U почива на една емпирична опора, без да е количествено определена, така че никой не може да ти каже къде се намира оптимумът за даден обучаем.

Практически това означава охраняван AI в средата на задачата, където подсказките, решените примери и задачите за упражнение вършат работата, и защитена проверка в края. То превръща и политиката за използване на AI в правило за място по умение, което е по-лесно за писане и по-лесно за защита от списък със забрани.

Подсказката е въпрос за следващата стъпка на студента, решен пример на подобна задача или указание към съответния пасаж. Отговорът е завършено изречение, което студентът може да постави. Повечето чатботове с общо предназначение произвеждат второто по подразбиране, в гладка проза, която изглежда като помощ, и затова конфигурацията има по-голямо значение от намеренията на студента.

Изисквай проверката и я направи видима

Проверката е най-евтиният лост с истинска причинна подкрепа. Biswas (2026) установява, че видимостта на проверката задейства обратен каскад до почти пълна проверка: прекомерната зависимост падна до 0,00, а съжалението до 0,07. Намаляването на триенето при проверката беше най-слабият лост в същия модел, защото бариерата е социална, а не механична. Линк към библиотеката не кара студента да провери твърдение.

Viberg и колеги (2026) установяват, че студентите, които вече правят това добре, проверяват изхода срещу учебни материали, връстници или преподаватели, когато точността е несигурна. Това е поведение, което можеш да изискваш. Сложи един ред в задачата: какво си проверил и срещу какво. Чети го като част от оценката и нормата става видима за целия клас, а не за неколцината съвестни.

Този ред ти дава и за какво да последваш. Когато студент пише, че е проверил твърдение срещу курсовия текст, можеш да попиташ на коя страница. Когато пише, че се е сравнил с връстник, можеш да попиташ какво е казал връстникът. Струва едно изречение. Последващият въпрос е това, което кара студентите да го приемат като работа.

Проверката има нужда и от обхват. Да провериш, че твърдение съвпада с курсовия текст, е различен акт от препрочитането на изречение за граматика, и първото е мястото, където моделът се проваля по-често. Кажи кое от двете иска редът, иначе ще получиш коректура.

Демонстрирай едно уверено сбъркване

Задай задача, на която моделът отговаря уверено грешно, и после накарай класа да провери този отговор срещу курсовия текст. Работи, защото грешката идва със същия глас като верните отговори. Добави доказателствата после: неохраняван помощник остави студентите с около 17% по-слаб резултат на изпит без помощ, а студентите с достъп до GPT-4 решиха повече задачи с инструмента и се представиха по-слабо от контролната група, след като той беше отнет (PAUSE цитира Bastani и кол., 2025). Същият източник добавя, че Liu и кол. (2026) установяват, че помощта намалява постоянството в рандомизирани контролирани изпитвания (N = 1 222).

Избери скромно и проверимо сбъркване, например цитат, който не съществува, грешна дата или сметка, която не се затваря. После помоли класа да напише поправката и проверката, с която я е открил. Тази написана поправка е артефактът и тя ти казва дали могат да направят проверката, без ти да стоиш над тях.

Запази оценявания момент без инструмент

Подпомогнатият продукт е слаб заместител на способността, затова поне един оценяван момент трябва да се случи без инструмента. По-късната задача без помощ на Wong и Qiu (2026) е това измерване. Тяхната група само с хора също се влоши на по-трудната последваща задача, което изключва простата версия на поправката: премахването на инструмента без подкрепа за обучаемия не е интервенция.

Редуването на режими има подкрепа. PAUSE цитира резултата от четвъртата сесия на Kosmyna и кол. (2025), при който участниците само с мозък, които по-късно използваха ChatGPT, превъзхождаха трайните потребители на LLM. Отчетността работи и чрез обяснение: Makransky и кол. (2025) установяват, че преподавателски чатбот, който подтиква студентите да свързват идеи и да обясняват разсъждението си, произведе по-добро представяне на оценяването от традиционното преподаване.

За един курс: редувай подпомогната работа в практиката и работа без помощ там, където има значение. Чети подпомогнатата част като запис на представянето при добри условия, а частта без помощ като доказателство за ученето. Сравняването им е и най-полезният разговор, който можеш да имаш със студент, който не разбира оценката си.

Ограничението е в графика. Момент без инструмент изисква стая, време и задача, която се побира в тях, така че най-евтината версия е кратка работа в часа, прикрепена към задача, която вече си задал. Отделен изпит е по-голям ангажимент и обикновено не е необходим при първия опит с това.

Частта без помощ печели и второ приложение: върни я в началото на следващата единица и двамата ще видите какво е оцеляло след паузата.

Отдели инструменталната помощ от изпълнителната

Viberg, Feldman-Maggor и Wong (2026) интервюират 20 университетски студенти по STEM и откриват четириетапен процес: решаване дали е нужна помощ, избор на източник, избор на вида помощ и преценка на получената помощ. По-силните студенти предпочитаха инструментална помощ, тоест подсказки и обяснения, пред изпълнителна помощ, тоест директни решения. Същото изследване предупреждава, че използването на LLM за дебъгване или програмиране между езици може да заобиколи самостоятелното решаване на проблеми, дори когато студентите никога не искат отговор.

Това се съотнася чисто с когнитивното изнасяне. Инструменталното използване е дупликативното изнасяне, което издържа, когато инструментът изчезне, защото студентът все още кодира разсъждението. Изпълнителното използване е заместващото изнасяне, което се срива, когато външното хранилище се премахне. Guo и Ye (2026) поставят границата точно в тези термини: премахни хранилището и заместващите изнасящи западат тежко, докато дупликативните запазват точността си чрез вътрешно кодиране.

Напиши разграничението в задачата. Поискай от студентите да означат всяко използване на AI като инструментално или изпълнително, изисквай поне една колаборативна подкана и оценявай разсъждението, което са добавили след отговора. В условието със свободно използване на Wong и Qiu по подразбиране се стигна до изпълнително използване, без някой да реши да се стигне дотам.

Не всяко изнасяне е съмнително. PAUSE цитира Hong и кол. (2025), при които умишленото изнасяне на задачи от по-нисък ред в писането, за да се освободи внимание за анализ и редакция, произведе по-големи печалби в критичното мислене. Тестът е дали изнесената част е умението, което оценяваш.

Тези етикети диагностицират и твоята задача. Ако по-голямата част от класа съобщава изпълнително използване, задачата го кани, каквото и да казва политиката, и следващата промяна принадлежи на задачата, а не на формулировката на правилото.

Подбери момента на подканата според фазата

Обратната връзка, насочена към стабилно убеждение, работи преди началото на задачата. Обратната връзка за непосредствената правилност и трудност работи по време на нея. Guo и Ye (2026) наричат това съчетаване на компонент и момент и то обяснява защо рефлексия, дължима в края на проект, променя толкова малко: до тогава изборите са направени.

Lodge и Loble (2026) препоръчват интегрирани метакогнитивни подкани, които карат обучаемите да спрат, да размишляват и да преценят разбирането си, докато работят, заедно с Load Reduction Instruction, което управлява когнитивната тежест, като същевременно позволява прогресивна независимост. Едноминутна прогноза преди трудна единица, записана и сравнена после, се побира в този прозорец и не струва нищо за оценяване.

Формулировката на подканата има по-малко значение от позицията ѝ. Преди единица питай какво очаква студентът да е трудно и защо. По време на нея питай на коя стъпка е заседнал и какво е опитал. Рефлексия в края на проект най-вече записва какво се е случило, и затова променя толкова малко. Дръж прогнозата на същата страница като работата, за да не струва нищо сравнението накрая.

Очаквай рискът да се групира

Lodge и Loble (2026) локализират риска в предварителното знание и саморегулацията и назовават метакогнитивна пропаст в равенството: доброто използване на AI изисква ресурси, които новобранците нямат, така че студентите, които най-много се нуждаят от практика, най-вероятно делегират самото учене. Те съобщават, че 80% от австралийските студенти вече използват AI и че две трети от учителите в началния етап на средното образование го правят (OECD 2025).

Възрастта и навикът корелират със същия модел. Gerlich (2025) установява, че участниците на възраст от 17 до 25 години показват по-висока зависимост от AI и изнасяне и по-слабо критично мислене от тези на 46 и повече години, и че постиженията предсказват по-добро критично мислене независимо от използването на AI (r = +0,34), със значимо взаимодействие, което показва, че постиженията смекчават отрицателния ефект. Gao, Sun и Khan (2026) установяват, че полихронността, склонността да вършиш няколко неща едновременно, модерира пътя, като студентите с висока полихронност са в по-голям риск.

За една секция това означава да следиш най-внимателно студентите с най-слаба подготовка и да провериш дали собствената ти задача е създала условията, в които проверката спира. Взискателна задача, съчетана със способен модел, е комбинацията, която моделът на Biswas отбелязва като най-съжалявана, и е лесно да я създадеш по случайност.

Контекстът има толкова значение, колкото и човекът, и твоят курс контролира част от контекста. Biswas (2026) показва, че трудността на задачата и качеството на AI задават базовата линия: прекомерната зависимост расте от около 0,02 до 0,38 с трудността, а при трудни задачи е 0,38 при слаб AI срещу 0,16 при добър AI. Най-голямо съжаление идва от висококачествен AI при трудни задачи (0,441), защото агентите прекалено се подчиняват и рядко разчитат на себе си. Социалното доказателство го умножава: с нарастването на видимото използване от 0 до 0,6 проверката се срутва от 0,29 до 0,002. Проверката спира точно там, където моделът е най-силен и задачата е най-трудна, което рядко е мястото, където преподавателят гледа първо.

Прецени колко тежат доказателствата

Нищо в този корпус не тества дали конкретна интервенция срещу прекомерната зависимост се задържа в различни условия или семестри. „Първо мисли“ почива на един експеримент с N = 196. Резултатът със задържането на отговорите идва от синтеза на Brcic и Frljic (2026), а не от собствено изпитване. Аргументът за триенето е концептуален коментар без нови данни. Biswas (2026) посочва границите на модела: екзогенно стационарно качество на AI, фиксирана мрежа, стилизирана проверка. Оценяването на реалните стойности би изисквало надлъжни следи от проценти на проверка по задачи, сила на социалното доказателство и как доверието се обновява след проверено спрямо непроверено използване.

Измерването остава най-слабото звено. Доминират анкетните дизайни и и Gerlich (2025), и Gao, Sun и Khan (2026) призовават за надлъжни и експериментални последващи изследвания. PAUSE няма психометрика и е създаден за възрастни. Дали пропастта в равенството може да се затвори с обучение, е теоретизирано, а не демонстрирано.

Това ти оставя разумен залог, направен евтино. Промени една задача, запази измерването без помощ и провери дали разликата между подпомогнатата и неподпомогнатата работа се свива. Не преправяй цял курс въз основа на тези числа.

Какво преподавателите разбират погрешно тук

Студентите, които го използват най-много, са тези в беда. Честотата е това, което улавят анкетите и показват таблата, и тя не е конструктът. Студент, който проверява всеки отговор и цитира твоите материали, може да използва AI всеки ден и да е добре. Студент, който веднъж седмично предава първия изход, има проблема.

Забраната премахва риска. Най-силните резултати тук идват от мястото, а рамото само с хора в експеримента на Wong и Qiu също се влоши на по-трудната последваща задача. Премахването на инструмента без подкрепа за обучаемия оставя трудността там, където беше.

По-евтината проверка ще оправи верификацията. Правенето на проверката по-лесна беше най-слабият лост в модела на Biswas, защото препятствието е социално. По-добър проверяващ за плагиатство не кара студента да прочете източника.

Табло за използване ми казва кой изнася. Пунктовете на PAUSE записват кога и колко често AI влиза в работен процес, а авторите сами отбелязват проблема с валидността. Внимателен скафолдър получава оценка като изнасящ, така че действията по тези числа наказват студентите, които искаш да запазиш.

Беглостта и удовлетворението показват, че дизайнът работи. Това е илюзията, която Lodge и Loble (2026) описват в парадокса на представянето си: работата се усеща гладка и студентите се представят добре в момента, докато задържат по-малко. Представянето без помощ и отложеното пренасяне са измерванията, които отговарят на въпроса.

Научи студентите на AI грамотност и проблемът изчезва. Lodge и Loble (2026) предупреждават, че свръхинвестирането в AI грамотност, насочена към студентите, може да е грешно разпределение предвид това, което новобранците нямат.

Какво ще ти се върне

„Това е просто добра педагогика с ново име.“ Донякъде. Скафолдингът, формиращата обратна връзка и продуктивната борба са стари идеи. По-ново е подреждането: видимата проверка победи по-евтината проверка, а двата момента, които си струва да пазиш, са първият труден опит и крайната проверка без помощ. Прави познатите неща в новия ред.

„Не мога да го контролирам.“ Не можеш, и доказателствата казват да не опитваш. Мястото даде най-силния резултат. Проектирай задачата така, че използването на инструмента в грешния момент да проличи в самата работа, като отговор, който студентът не може да обясни, или липсваща стъпка на проверка.

„Курсът ми е твърде голям за секвенирана единица.“ Евтините лостове се мащабират: ред за проверка, едноминутна прогноза и преместване на оценяваната проверка в стая без AI. Скъпият елемент, напълно секвенирана единица „първо мисли“, може да започне като една задача. Преработи един набор задачи в подпомогната и неподпомогната половина и виж какво ти казва разликата.

„Студентите ми са новобранци. Те имат нужда от помощта.“ Те имат нужда повече от подсказки, отколкото от отговори, и находката за равенството е причината. Студентите с най-малко предварително знание най-вероятно делегират разсъждението, а инструмент, който задържа отговорите, запазва практиката там, където ѝ е мястото.

„По-слабите студенти няма ли просто да се провалят на проверката без помощ?“ Понякога ще се провалят, и този резултат е информация, а не присъда. Проверка без инструмент, на която голяма част от класа се проваля, казва, че практиката е носела представянето, което е нещото, което трябваше да знаеш. Тегли го като доказателство, преподай отново това, което разкрива, и предложи втори опит върху паралелна задача. Никое изследване тук не тества дали повторното преподаване след неуспешна проверка без помощ възстановява ученето, така че тази част е твоята професионална преценка.

„Някои от студентите ми използват AI като честен скафолд. Трябва ли да ги спра?“ Не. Студент, който прочете подсказка, опита стъпката и провери резултата, прави дупликативното изнасяне, което оцелява при премахването на инструмента. Това, което искаш, е задача, която запазва тази употреба достъпна и прави изпълнителната версия по-малко възнаграждаваща, а това е въпрос на това какво събира задачата и за какво плаща рубриката.

„Доказателствата са слаби, така че защо да променям нещо?“ Слаби са на конкретни места, които границите по-горе назовават. Това, което е последователно в изследванията, е посоката: място, видима проверка и измерване без помощ. Една променена задача със запазен резултат без помощ е достатъчно малък залог, за да се направи на тази основа.

Какво да направиш тази седмица

1. Добави ред за проверка в следващата задача: едно изречение, което назовава какво е проверил студентът и срещу какво.

2. Премести оценяваната проверка в момент без инструмент и оценявай нея.

3. Постави първия труден опит преди инструмента и събери идеите, хипотезата или черновата, които излизат от него.

4. Промени настройката на инструмента, която препоръчваш, така че да подсказва, вместо да отговаря, и кажи на студентите, че си направил точно това.

5. Проведи на живо едно уверено сбъркване на AI, накарай студентите да го хванат срещу курсовия текст и запази поправката, която са написали.

Накъде след това

Съседният въпрос, дали AI изобщо произвежда учене, е разгледан в помага ли AI на студентите да учат. Намаляване на измамите с AI се занимава с почтеността и границите на откриването, а Препроектиране на оценяването в ерата на AI покрива архитектурата на оценяването, която тази страница предполага. За основните идеи виж когнитивно изнасяне, метапознание и желателни трудности.