ЧЗВ
Кои са десетте най-важни извода от изследванията на AI в образованието, които преподавателите трябва да знаят?
Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.
Седмица преди началото на семестъра или седмица след първата голяма задача, и някой те пита нещо, на което не можеш да отговориш от опит: какво могат да правят студентите с AI по тази задача и какво доказва оценката след това. Може би домашен есем се върна изгладен по начин, който не се връзва с предишната работа на студента. Може би катедрата пише политика за AI и иска курсът ти да се съобрази до петък. Може би студент обжалва оценка и не можеш да покажеш какво доказва работата.
Основният извод от изследванията, събрани в тази база знания: начинът, по който вградиш генеративния AI в дейността, решава дали тя засилва мисленето, или го замества. Лостът, който контролираш, е дизайнът на задачата. Проверката на всеки дизайн е какво още могат студентите, когато инструментът го няма. Десетте извода, на които тази страница е кръстена, са по-долу, подредени по решението, което всеки от тях информира.
Накратко
1. Назови мисленето, за което съществува задачата, и после дай на AI работа, която не извършва това мислене.
2. Задай правилото за AI за всяка задача, а не за целия курс, и напиши причината до него, там където студентите ще я прочетат.
3. Сложи поне една оценявана стъпка във всяка тема, която студентът изпълнява без AI.
4. Съди дейността по това какво могат студентите седмици по-късно, без помощ, а не по качеството на предаденото.
5. Питай как студентите са използвали инструмента и оценявай проверката, а не влизанията.
6. Виж на кои студенти помага дизайнът, защото средната стойност скрива тези, които той изпуска.
Реши за какво е задачата
Напиши едно изречение, което назовава способността, преди изобщо да пипнеш инструмента: какво трябва да може студентът в края на тази тема, което не е могъл в началото? Отговорът може да е: да изгради аргумент от доказателства, да напише математическо доказателство, да стигне до диагноза, да вземе проектно решение при ограничения. Ако не можеш да го назовеш, правилото за AI ще бъде произволно и студентите ще го забележат.
Две линии работа обясняват защо това е първо. Продуктивният провал е изводът, че обучаемите често задържат повече, когато опитат да решат задача, преди да им бъде показано как, така че съпротивлението понякога е механизъм, а не пречка за премахване. Рамката ICAP предвижда различно учене при пасивно, активно, конструктивно и интерактивно използване на един и същ материал. И двете сочат към един дизайнерски въпрос: какво прави студентът, докато инструментът е отворен?
Най-ясната илюстрация в корпуса идва от сравнение на теоретично обоснован чатбот, който скафолдва обясненията на студентите, с обикновен ChatGPT и с преподаване по досегашния начин. Непосредствените разлики не бяха значими. Четири седмици по-късно групата със скафолдинг задържа повече концептуални знания. Това е едно изследване, а не универсален ефект, и полезното в него е формата на резултата: дизайнът може да надделее над способността на модела, защото условията се различаваха по това какво дейността искаше от студентите.
Систематичният преглед на 72 рецензирани изследвания в обучението по компютърни науки стига до същия слой от другата посока. Той нарича критичното взаимодействие с изхода на AI „общият механизъм, който свързва всяка ефективна интервенция в корпуса“, и препоръчва постепенен достъп, при който генеративният AI се въвежда само след като е показана базова компетентност. Нито едно от двете твърдения не е за това кой продукт лицензираш.
Дай на AI работа, която не е мисленето, което оценяваш
Десетилетия изследвания върху интелигентното обучение описват модела, който работи: диагностицирай какво разбира студентът, задай въпроси, дай постепенни подсказки, поискай обяснение, дай обратна връзка. Всичко освен предаването на решението. Днешната работа върху педагогически агенти тегли същата граница между преподавателско поведение и производство на отговори, а аналогията с Thermomix я прави конкретна. Един уред може да сготви вместо теб и тогава губиш умението, или може да е партньор за изпробване на идеи, в които ти все още трябва да намериш смисъл. Тези режими се напасват на ICAP: пасивен, активен, конструктивен, интерактивен.
Тесните инструменти показват същия принцип. Обучител, който разчита инженерни диаграми структурно, достигна 93,0% F1 на ниво връзка при 89,3% точност за цялата диаграма, което значи, че може да назове конкретните липсващи или погрешно разчетени връзки дори когато цялата диаграма е грешна. Това е обратна връзка, с която студентът може да работи, вместо „издържа“ или „не издържа“.
По-трудният въпрос е какво има право да препоръча обучателят. Когато дебат между няколко агента замени „ето отговора на AI“ с обсъждане, чиято собствена предпочитана позиция е задържана, вредното преминаване към невярна позиция на AI падна от 42-60,5% на 5,7-8,2%. Приемането на вярна позиция на AI също падна, от 61,1-72,3% на 22,1-33,3%. Задържането на препоръка пази първоначалната преценка на студента и оставя корекцията на обсъждането, така че дизайнът разменя коригиране на грешки срещу по-малко уверени погрешни завои. Реши кое от двете искаш от разговора, преди да напишеш подканата.
В час това се прави евтино. Сократическа последователност е моделът, към който се стремиш, при който инструментът пита, вместо да отговаря. Кажи на студентите да искат „една подсказка“, „задай ми въпроси“ или „критикувай разсъждението ми“, и направи „реши това“ изключение. Променяш глагола по подразбиране на взаимодействието, а това е частта, която студентите всъщност контролират.
Едно ограничение си струва да се каже направо. Повечето от тези доказателства идват от кратки задачи в шепа курсове и нито едно не обещава, че обучател, който дава подсказки, ще вдигне изпитните резултати в твоя поток. За този въпрос ти трябва рандомизираното изпитване, обсъдено по-долу, а резултатът му е отрезвяващ.
Задай правилото за задачата и кажи защо
Полезна рамка разделя три случая. Ограничи AI, когато измерваш независима компетентност. Скафолдвай го, когато ограничената помощ не компрометира тази компетентност. Изисквай го, когато умелото сътрудничество човек-AI е самото нещо, на което студентите трябва да се научат. Повечето курсове съдържат и трите, в различни седмици, и затова едно правило на ниво курс постоянно се пропуква по краищата.
Смесеното изследване на 85 студенти по педагогика показва какво произвежда правило без причина. 62,4% от извадката отказа да използва генеративен AI дори там, където беше разрешен, а 41,5% от отказалите посочиха страх да не бъдат обвинени в плагиатство. 9 от 11 интервюирани прочетоха самата разрешителна политика като капан. В същото изследване само 37,6% изобщо използваха разрешен генеративен AI, изборите им следваха повече културата на програмата и дизайна на оценяването, отколкото разрешението на който и да е курс, а собствените им декларации за разкриване подценяваха действителното използване във всеки курс.
Чети тези числа като задание за дизайн. Разрешение без посочена цел изглежда като поставен капан, а забрана без посочена цел изглежда като пречка, която се заобикаля. Студентите реагират на обосновката, прикрепена към тази задача. Сложи правилото в листа със задачата, на един ред, и го направи достатъчно конкретно, за да може студентът да прецени дали помощта, която ще приеме, подкопава това, което оценяваш.
Оценявай нещо, което студентът е направил без инструмента
Това е стъпката, която върши работата, и доказателствата тук са най-малко двусмислените на страницата.
Прегледът на 72 изследвания установи, че генеративният AI надеждно повишава краткосрочното завършване и съкращава времето за задача в 36 изследвания, което авторите третират като най-добре репликирания резултат в корпуса, и че тези печалби в ефективността „не се пренасят върху независимото представяне“ в 21 изследвания. Проучване с мислене на глас на 38 студенти показва как това се случва в обикновения случай. Когнитивното изнасяне вреди най-много на ученето, когато AI извършва разсъждението, което студентът е трябвало да упражни. Там 76,32% останаха в модел от един ход: питане, отговор, край, а само 21,06% редуваха използване на AI със самостоятелно четене и писане. Най-голямата група, 31 от 38, описа цели за овладяване, работеше на разкъсани единични ходове и после отчете прекомерна зависимост, умствена самодоволност и бързо забравяне; един от тях го формулира така: „скоростта, с която го забравяш, също е много висока“. Рамкова статия от 2026 г. дава име на модела. Оценките и продуктите растат, докато умствената работа, която произвежда трайно учене, пада.
Рандомизираното изпитване решава спора поне за една среда. Трираменно RCT с 275 студенти в CS1 сравни обучател, който дава подсказки и задържа пълните решения, неограничен ChatGPT и традиционни уеб ресурси. Резултатите от упражненията се разделиха рязко: 71,84% за ChatGPT срещу 29,85% за контролата без AI, при 57,50% за обучателя с подсказки. Печалбите в концептуални знания не се различаваха изобщо между трите рамена: 0,83, 0,71 и 0,85 точки (време × група p = 0,773). И двете AI условия намалиха фрустрацията и външното натоварване, а само обучателят с подсказки повиши вътрешната мотивация. Инструментът, който студентите оцениха като по-полезен и по-лесен, беше и този, който най-много намали обработката, която произвежда учене.
Забележи какво не може да подкрепи този дизайн. Това е един курс, един семестър, един език, а резултатите от упражненията са подпомогнато представяне по конструкция, тоест точно мярката, срещу чието доверяване изследването предупреждава. То не показва, че обучателите са безполезни. Показва, че резултатът, който избереш да измерваш, решава какъв отговор ще получиш, и че предпочитанието на студентите не е мярка за учене.
Затова оценявай версията без помощ. Една задача на тема, в която студентите извличат, обясняват, решават или защитават идеи без AI, и сложи реални точки на нея. Аргументът за валидност зад това е в валидността на оценяването: изгладен домашен продукт вече не показва, че човекът, който го е предал, притежава компетентността, която продуктът демонстрира. Препроектиране на оценяването в ерата на AI разработва цялата архитектура, включително евтината удостоверена стъпка за големи курсове.
Промени задачата, която вече имаш, а не целия курс
Повечето преподаватели, които задават този въпрос, не строят нов курс. Имат курсова работа, лабораторен протокол или набор от задачи, който работи от години, и искат да знаят къде да сложат шева. Разглоби задачата стъпка по стъпка, питай за всяка стъпка какво оценяваш там, и нека отговорът определи границата. Това е методът на ниво задача, документиран в работата на McCorkle върху съгласувана курсова политика, и един преглед на най-оспорваната ти задача обикновено е достатъчен, за да видиш формата.
Курсова работа от десет страници обикновено се разделя така. Изборът на тема и намирането на източници са мястото, където живее преценката, така че инструмент, който предлага теза или сглобява списък за четене, е извършил частта, която оценяваш. Синтезът и аргументът са самият конструкт. Форматирането на цитати, проверката на източници и езиковото редактиране са стъпки, в които използването на инструмент е невидимо за конструкта ти, и забраната там не ти носи нищо освен озлобление. Кажи това в листа със задачата, стъпка по стъпка, с кратка таблица, ако искаш.
После направи средната стъпка видима. Поискай едностранична анотирана обосновка, предадена с работата, която назовава два източника, които студентът е отхвърлил и защо, едно твърдение, което е преработил след проверка, и къде е избрал да не последва предложение. Оценявай я със същата конкретност, която използваш за текста. Обосновката тежи само ако студент, който я пропусне, губи повече, отколкото печели с пропускането, така че ѝ дай достатъчно точки, че сметката да е очевидна.
Наборът от задачи е по-лесен и шевът стои на друго място. Отговорите не са конструктът; изборът на метод и диагностиката на грешката са. Изисквай първата стъпка на всяка задача, със собствени думи на студента, преди да е отворен какъвто и да е инструмент, и реши една задача от набора в час без нищо на разположение. Това е по-малка промяна, отколкото звучи, и превръща набора от продукт, който не можеш да провериш, в запис как е мислил студентът.
За лабораторен протокол шевът обикновено е интерпретацията на данните и анализът на грешките. Нека инструментът форматира таблицата и провери единиците. Запази интерпретацията, избора какво се брои за аномалия и обяснението на разминаването с очаквания резултат в ръцете на студента и ги оценявай с прикачени точки.
Моделът се обобщава: намери стъпката, в която живее способността, защити тази стъпка, освободи останалото и сложи доказателството за процеса там, където са точките. Избягваш препроектирането, което променя как се произвежда работата, без да променя какво може да подкрепи оценката.
Съди инструментите за обратна връзка и оценяване по по-късното представяне
AI обратната връзка може да е навременна, конкретна, мащабируема и приемлива за студентите, включително и в висшето образование. Дали тя учи, зависи от точността, педагогическото съответствие и грамотността за обратна връзка на студентите, тоест способността им да преценят обратната връзка и да действат по нея. Ако я обмисляш за обратна връзка или оценяване, числата по-долу са тези, които да занесеш в разговора за доставка.
Критичен анализ на 14 институционални документа с насоки установи, че общите подкани произвеждат резултати, дейности и оценки в изолация. Инструментът не може да знае колко свързана е дадена тема, така че обратната му връзка остава обща, вместо диагностично точна.
Конфигурацията наистина мести качеството, измеримо. В изследване на AI обратната връзка върху учебни цели само моделът обясни 26,9% от вариацията в качеството на обратната връзка, а добавянето на подканата го вдигна до 42,8%, с допълнителни 15,9%. Единствената характеристика на подканата, която имаше значение, беше предметната терминология; заменянето ѝ с ежедневни перифрази направи обратната връзка значително по-лоша. Изборът на модел също имаше значение: Claude 3 и Gemini Advanced произведоха значително по-ниско оценена обратна връзка от ChatGPT-4.
Оценяването е още по-нестабилно. Сравнение на 18 езикови модела, оценяващи 6 081 предадени програми установи средни оценки от 0,290 до 0,608 в зависимост от модела, с точно съвпадение, падащо до 0,20 при някои и 0,74 в най-добрия случай. Двама студенти с идентична работа могат да бъдат оценени различно в зависимост от това кой модел е лицензирала катедрата.
После идва въпросът, който интересува студентите: дали обратната връзка променя какво могат по-късно. Разгръщане за цял семестър в бакалавърски курс по математика с 343 студенти, учещи на английски, и 236 на нидерландски, генерира индивидуализирани коментари и упражнения от снимки на решения. Оценителите определиха упражненията като най-силната част, а диагностичната конкретност и яснотата като най-слабите. Рандомизираното кръстосване върху свързани изпитни въпроси не намери статистически значима разлика след корекция (pHolm = 0,104), а посещаемостта следваше изпитните резултати много по-ясно от излагането на обратна връзка (ρ = 0,49 и 0,54, и двете p < 0,001). Обратна връзка, която студентите ценят и по която действат, не е същото като обратна връзка, която произвежда измеримо учене.
Има и още един капан, ако оставиш модел да оценява. В изследване на 1 426 дисертации по психология от десет академични години и четирите AI оценителя поставиха най-ниски оценки на писаното от студенти и най-високи на писаното от AI. 10 от 16 сравнения бяха достатъчно големи, че такива разлики са редки в изследванията на образованието, до най-голямата наблюдавана разлика, а пристрастието беше най-силно при напълно генериран от AI текст. Оценителят може да възнаграждава текст, защото е машинен, дори когато инструкциите му казват да съди съдържанието.
Отдели студентите, на които дизайнът помага, от тези, които изпуска
Средно подобрение може да скрие курс, в който силните стават по-силни, а слабите получават по-лоша сделка. Цифровото разделение вече минава поне по три линии: достъп до инструменти, умение да ги използваш и кой всъщност получава полезен резултат. Самото умение за подканяне създава „привилегия на подканата“, при която по-опитните потребители получават по-добър изход от същата система.
Прегледът на 72 изследвания разделя два механизма. Пропаст в уменията се появява там, където студентите с по-силни предварителни знания превръщат помощта в трайни печалби, докато по-слабо подготвените я заместват с практика. Пропаст в ресурсите се появява там, където надежден интернет и платен достъп поддържат по-добро използване на инструментите в различните институции. Само шест изследвания в корпуса разглеждат пряко справедливостта, което авторите третират като самия проблем, а не като бележка под линия; справедливостта в AI образованието е мястото, където този аргумент се развива.
Помощта може да затвори пропаст, когато студентите, които се нуждаят от нея, са тези, които се ангажират. Изследване с четири експеримента на обучаеми, откриващи скрити правила с помощта на AI агент установи, че помощта съкращава нужните ходове с 33-52%, а ползата се концентрира при най-слабо представящите се, докато по-силните обучаеми останаха до голяма степен незасегнати. Това е оптимистичната версия и тя зависи от това студентите, които най-много се нуждаят от помощ, да са тези, които я използват добре, което пропастта в уменията подсказва, че няма да се получи без обучение.
Остави последствията за човек
AI грамотността на преподавателите не е там, където политическият разговор предполага. Сред учители по природни науки, които вече бяха завършили обучение по AI, средната AI грамотност беше 16,7 от 30, под 18,79 в референтната извадка, и не беше свързана с възраст, пол, години стаж или колко са използвали AI. Проучване на 412 бъдещи учители по математика установи готовност в ранен етап, с най-високи преподавателски убеждения при средна стойност 5,24 по 7-степенна скала и най-ниски технически знания за AI при 4,23.
Това е аргумент за ограничени инструменти, не за автономни. Анализът на документите с насоки предлага институционално конфигуриран агент с извличане на информация, който насочва мисленето без да дава отговори, отбелязва несъответствия и ескалира към човек по краищата, с правомощия, описани като „производни и ограничени“. Има преки доказателства за това хората да са в цикъла, а не пред него: система за генериране на учебни материали получи по-добри оценки, когато хората останаха ангажирани, като режимът с най-много човешки принос подобри оценките на рецензентите с 0,5-0,9 точки спрямо напълно автономния режим. Автономните ѝ рецензенти се струпаха тясно около 2,9-3,1, докато човешките оценители се разпръснаха и различаваха повече, така че авторите запазиха човешката преценка като основен сигнал за качество.
Практическата версия за един курс: нека AI дава чернови, да подрежда и да отбелязва. Запази точността, справедливостта, поверителността и всяко решение за напредъка на студента под значим човешки надзор. Рисковете, които правят това необходимо, са познатият набор: пристрастие, поверителност, прозрачност, автономия на обучаемия, отчетност и педагогическа безопасност. Заради този списък педагогическата AI компетентност е по-важна от техническата запознатост.
Какво преподавателите разбират погрешно тук
„Изгладената работа пред мен е доказателство, че студентът може да я направи.“ Тя е доказателство, че работата е изгладена. Разликата 71,84% срещу 29,85% при резултатите от упражненията, с плоски концептуални печалби в същото изпитване, и 36-те изследвания в прегледа, които намериха ефективност без пренос, всички описват разстоянието между подпомогнатото представяне и способността. Ако продуктът е единственото, което оценяваш, продуктът е всичко, което си измерил.
„Ако AI е обучател, той е от правилната страна на границата.“ Етикетът не носи гаранцията. В изпитването по CS1 обучателят с подсказки избегна щетата, която неограниченият ChatGPT нанесе при упражненията, и пак не произведе концептуално предимство пред липсата на AI. Да задържиш крайния отговор не е същото като да задържиш разсъждението, а един обучател може да прави второто, докато изглежда, че прави само първото.
„Детектор или по-строго правило решава проблема с почтеността.“ Откриването адресира един отговор от няколко. Изследването на студентите по педагогика установи, че страхът от обвинение потискаше разрешеното използване, че културата на програмата предсказваше поведението по-добре от която и да е курсова политика и че собствените декларации подценяваха използването във всеки курс. По-строгото правило променя какво студентите крият, не какво учат.
„Едно правило за AI за целия курс е по-справедливо и по-просто.“ По-просто, да. Доказателствата предпочитат правила, зададени за всяка задача, защото трите случая, ограничаване, скафолдинг и изискване, съществуват заедно в повечето курсове и едно и също разрешение значи различни неща в лабораторен протокол и в рефлексия. Общите позиции са и тези, които студентите най-лесно заобикалят.
„Студентите, които казват, че инструментът помага, се учат от него.“ Удовлетвореността е мярка чрез самоотчитане, а в изпитването по CS1 най-високо оцененото условие беше това, което най-много намали обработката зад ученето. Разгръщането по математика намери същото разделение: обратна връзка, която студентите ценят, без значима разлика на изпита.
„AI грамотността е умение за подканяне и студентите я придобиват, като използват инструмента.“ Рамките третират AI грамотността като концептуално разбиране, оперативно умение, критична оценка, етична преценка и осъзнаване на ограниченията. Прегледът е изричен, че инженерството на подкани, проверката на изхода и анализът на грешките на AI са преподаваеми умения, които не се развиват чрез излагане. Обучените учители по природни науки с 16,7 от 30 са емпиричната версия на това твърдение.
„Проблемът със справедливостта е достъпът.“ Достъпът е една от трите линии. Умението и кой получава полезен резултат са другите две, а само шест изследвания в корпуса разглеждат нещо от това пряко. Да дадеш на всеки студент лиценз решава най-лесната трета.
Какво ще ти се върне
„Моите студенти казват, че AI им помага.“ Обикновено той наистина помага с работата пред тях, а изводът е за това какво остава след нея. Питай какво още могат без помощ и получаваш различен отговор, което е и причината оценяваната стъпка без AI да съществува.
„Преподавам на 200 студенти. Не мога да чета чернови или да правя устни проверки.“ Не е нужно да четеш всичко. Едно приложение в час или кратко записано обяснение в задачата с най-голяма тежест, плюс проверка на извадка от работа, която изглежда несъответстваща на предишни предания, покриват повечето от риска. Поетапните предания, анотираните обосновки и портфолиата на процеса се мащабират; също и оценяването на проверка на умишлено дефектен изход на AI.
„Откриването е всичко, което имаме.“ Детекторите имат документирани проблеми с надеждността и справедливостта, а валидността е по-трудният проблем: изгладен домашен продукт вече не показва, че човекът, който го е предал, притежава компетентността. Доказателството за процес е по-евтино от надпревара във въоръжаване и произвежда нещо, което можеш да защитиш при обжалване.
„Забраната е по-проста.“ По-проста е и обикновено се проваля. Приемането в изследването на студентите по педагогика следваше културата на програмата, а не политиката на който и да е отделен курс, а декларациите подценяваха действителното използване във всеки курс. Забраната също така ти отнема възможността да видиш как студентите биха използвали инструмента, когато завършат.
„Не преподавам AI. Това не е моят предмет.“ Изводите са за твоя предмет. Когато AI извършва практиката, която курсът ти съществува да предостави, точно тогава той пречи, а намесата се вижда в оценките ти независимо дали споменаваш инструмента.
„Доказателствата са твърде нови, за да се действа по тях.“ Частично вярно и това реже и в двете посоки. Голяма част от корпуса са кратки интервенции, изследвания чрез самоотчитане, отделни дисциплини или работа от 2025 и 2026 г., а твърденията от зрялата изследователска традиция за интелигентно обучение са по-силни от твърденията за неограничени чатботове с общо предназначение. Където твърдение вече има рандомизирано изпитване зад себе си, дисоциацията между представяне и учене в изпитването по CS1 и резултатът за обратната връзка в разгръщането по математика, това изпитване е цитирано тук. Където няма, третирай извода като най-добрата налична насока, а не като установен закон, и бъди най-скептичен към резултати, които показват само удовлетвореност, скорост на задачата, качество на изхода или непосредствено подпомогнато представяне.
Какво да направиш тази седмица
1. Избери задачата, която най-малко ти е удобно да защитаваш. Напиши изречението за способността в началото на листа със задачата.
2. Добави една стъпка, която върви без AI: петминутно приложение в час, кратко записано обяснение или абзац, написан в стаята. Дай ѝ реални точки.
3. Обяви условието за AI за тази задача и добави един ред причина. Ако задачата смесва стъпки, кажи кои стъпки са какви.
4. Пренапиши една подкана, която даваш на студентите, от „реши това“ на „дай ми една подсказка и ми задай въпрос“, и им кажи защо.
5. Преди началото на семестъра занеси промяната на ръководителя на програмата и на този, който одобрява адаптации, така че първото обжалване да не е и първият разговор.
Накъде след това
За версията на тези недоразумения, подредена по заинтересовани страни, виж Как да се справим с често срещаните погрешни представи за AI в образованието?. За изискванията към дизайна, които произтичат от изводите за справедливостта и човешката преценка, виж Как изследванията на AI в образованието да включват справедливост, достъпност, поверителност, етика и педагогическа безопасност?. Как да препроектирам оценяването, така че оценката да ми казва нещо защитимо за това какво знае или може студентът? отвежда половината за оценяването по-нататък, а Помага ли наистина използването на AI на моите студенти да учат? е прегледът на доказателствата зад твърденията на тази страница. Ако избираш между препроектиране и налагане, Как да намаля измамите с AI в моя курс? и Как да напиша политика за AI в курса и да я съобщя на студентите? са съпътстващите страници.